【锚点】这一讲钉一个【因果推断】判断：【随机化】能切断【混杂】，但不自动等于【治疗效应】；【ITT】估计的是【分配效应】，【LATE】估计的是【依从者效应】，二者之间隔着【依从性】和【工具变量假设】。

【显式】一个 RCT 把 1000 名患者 500:500 随机分入试验药和安慰剂。试验药组 80% 按方案服药，安慰剂组 10% 实际拿到试验药。若按【意向治疗】比较，结局差 7 个百分点。这个 7 不是「吃试验药的人」的效应，而是「被分到试验药」的策略效应。

【流程节点链路】：随机分配 A → 实际服药 E → 结局 Y。若 A 只通过 E 影响 Y（【排除限制】），且不存在「只会在安慰剂组服药」的反依从者（【单调性】），则 A 是 E 的【工具变量】。此时【LATE】≈【ITT】/【依从性差】=7/(0.8-0.1)=10。也就是说，对「被分配改变服药行为」的依从者，效应可能是 10，而不是 7。这套 Wald 估计来自 Imbens & Angrist（1994）的【LATE】框架。

【隐式】为什么稀释？因为 ITT 把「分到试验药却没吃」的人留在试验组，把「分到安慰剂却吃了」的人留在对照组。他们的结局接近未处理/已处理混合，把真实暴露效应摊薄。随机化保护的是「分配」这条因果路径的无混杂性，不自动保护「暴露」的估计量。

【细微】很多论文把 ITT 写成「治疗效果」，其实它只在「依从性接近 100%」或「分配效应≈暴露效应」时才近似成立。当交叉污染、失访、停药、剂量偏离同时存在时，ITT 与 LATE 可差数倍；若存在 defiers 或排除限制失败，方向也可能不同。

【极难发现】更反直觉的是：随机化并不消除「估计量错配」。临床医生常问「给实际接受治疗的患者用药，平均能改善多少」（ATT，接受处理者平均效应），而 RCT 的 ITT 回答的是「把患者分配到该治疗策略，平均能改善多少」。前者需要【因果分层】和【敏感性分析】，后者才是随机化直接保护的对象。把 ITT 当 ATT，等于把「处方政策效应」误读成「分子效应」。

【结论】下次看到 RCT 报告，先问三个可检验问题：1) 依从性差是多少？2) 是否满足排除限制/单调性？3) 决策需要 ITT、LATE 还是 ATT？若只报告 p<0.05 而不报告依从性，证据等级应降级为【未解析估计量】。

【辩论点】如果 ITT=7、LATE=10，而临床医生只想给愿意长期服药的人开药，你该用哪个数字做决策？如果 LATE 显著但 ITT 不显著，这是「证据不足」还是「估计量错配」？