第4章：随机对照试验（RCT）——因果推断的黄金标准

说实话，RCT在因果推断里地位很特殊。它不像其他方法那样需要一堆假设，而是直接通过实验设计来切断混杂。我最早接触RCT是在一次A/B测试项目中，当时团队为了验证一个新推荐算法是否真的能提升点击率，花了整整两周设计实验。嗯，结果证明，这时间花得值。

4.1 RCT设计原理

RCT的核心逻辑其实很简单：随机化。你把人群随机分成两组，一组给处理（比如新药），一组给对照（比如安慰剂）。因为随机，两组在除了处理之外的所有特征上，理论上都是均衡的。

为什么会这样？因为随机化打破了混杂变量与处理变量之间的关联。你想想看，如果一个人是随机分到处理组的，那他的年龄、性别、收入水平这些因素，就不可能同时影响他是否被分到处理组。这样一来，处理组和对照组之间的差异，就只能归因于处理本身。

我在项目中遇到过一种情况：有人觉得随机化太简单，随便用Excel的RAND函数分一下就行。结果发现两组样本量差了一倍。为什么？因为小样本下随机波动很大。所以，分层随机化或区组随机化才是更稳妥的做法。

4.2 随机化与混杂控制

随机化控制混杂的原理，说白了就是让所有已知和未知的混杂变量，在处理组和对照组之间分布均匀。这样，你就不需要像在观察性研究中那样，去测量和调整每一个可能的混杂变量。

我个人的习惯是，在设计RCT时，先列一个清单：哪些变量是已知的强混杂？比如年龄、性别、基线指标。然后对这些变量做分层随机化，确保每一层内两组均衡。

随机化并不能保证100%均衡。尤其是在小样本下，随机化后两组在某些变量上仍然可能存在差异。这时候，你可以用事后调整，比如在回归模型中加入这些变量作为协变量。但记住，这不是必须的——如果随机化做得好，调整和不调整的结果应该差不多。

4.3 RCT的优缺点

优点	缺点
因果推断的黄金标准，内部效度高	成本高、时间长，不适合大规模场景
不需要复杂的统计假设	外部效度可能受限（样本代表性）
可以控制已知和未知混杂	伦理问题（比如不能随机让用户吸烟）
结果直观，易于解释	依从性问题（用户可能不按分配执行）

你想想看，RCT最大的优势就是简单粗暴有效。但它的缺点也很明显：贵、慢、难落地。我在一个电商项目中，想做一个RCT来验证新首页布局是否提升转化率。结果产品经理说：「我们等不了两个月，下周就要上线。」嗯，这就是现实。

4.4 在数据科学中的局限性

数据科学领域，RCT的局限性尤其突出。我总结了几点：

1. 成本问题：数据科学项目通常迭代快，RCT的周期太长。比如推荐系统的A/B测试，一次实验可能跑两周，但算法每周都在更新。
2. 网络效应：在社交网络中，用户之间会相互影响。如果你随机给一部分用户推新功能，他们的行为可能会影响到对照组用户。这就破坏了SUTVA（稳定单元处理值假设）。
3. 长期效应：很多数据科学项目关心的是长期效果，比如用户留存。但RCT通常只能跑几周，长期效果很难观测。
4. 伦理与公平性：你不能随机给一部分用户推送有害内容，或者随机降低某些用户的体验。这在数据科学中尤其敏感。

所以，数据科学中RCT并不是万能的。更多时候，我们需要结合观察性研究和工具变量等方法。但话说回来，只要条件允许，RCT永远是最可靠的选择。我个人的经验是：能用RCT就用RCT，不能用就老老实实做因果推断的假设检验。

4.5 知识体系图

这张图把RCT的核心知识点串起来了。你从中心出发，沿着四个方向走：设计原理告诉你「怎么做」，混杂控制告诉你「为什么有效」，优缺点告诉你「值不值得做」，局限性告诉你「什么时候别做」。最后，实践建议是给你的行动指南。