随机实验

随机实验是一种科学测试：研究人员把参与者随机分到不同组，以判断某种处理是否会带来特定结果。随机分配让各组在处理开始前具有统计上的相似性，这样研究人员就能单独识别处理本身的效果。比如，测试一种新药是否有效时，研究人员会随机让一部分患者服用新药，另一部分服用安慰剂，再比较他们的健康结果。

试试这样：当你听说某项研究声称某种方法有效时，问问参与者是否经过随机分组，还是研究人员只是比较了现有的不同群体。

随机实验通过随机方式把参与者分配到不同的处理组，形成彼此相当的组，组间的唯一区别是是否接受正在测试的干预。这一过程消除了组间可能导致结果偏差的系统性差异。核心步骤包括：提出可检验的假设，明确处理方案，进行随机分配，除处理方式外保持其他条件一致，系统地测量结果，再用统计方法分析结果。

随机分配能防范已知和未知混杂变量的影响，也就是那些可以在处理之外独立影响结果的因素。比如，在医学研究中，随机分配能确保患者的年龄、健康状况或遗传特征等因素不会系统性地偏向某个处理组。因此，随机对照试验被视为判断医疗手段是否真正有效的金标准。

随机实验的应用远不止医疗领域。教育研究人员会把不同班级随机分配给不同的教学方法，以找出哪种方法能改善学习效果。科技公司会进行 A/B 测试，向用户随机展示不同版本的网站或应用，以优化设计和功能。政府机构会随机选择不同社区实施项目，测试政策干预的效果，再决定是否在全国推广。

随机分配最根本的优势在于，它依靠概率来决定谁接受处理，避免有意识和无意识的偏见影响结果。

随机对照试验（RCT）是科学研究中确立因果关系的金标准。它的统计学基础使研究人员能够在考虑随机波动和未受控制的变量的同时，对处理效果作出有效推断。

关于随机实验的主要研究发现：

• Campbell 与 Stanley（1963）：随机实验从根本上防止了选择偏差，也就是所比较的组之间存在系统性差异。因此，相比各组自行选择或通过非随机方式选取的观察性研究，随机实验的因果推断要可靠得多 [1]。
• Fisher（1935）：统计显著性检验自然源于随机分配的原理。Fisher 奠定了相应的数学基础，让研究人员能够利用概率判断：处理组之间观察到的差异，是否可能仅由偶然因素造成 [2]。
• List 与 Price（2021）：现代数字平台让随机测试达到前所未有的规模。涉及数百万用户的实验揭示了随机分配如何系统性地改善用户体验和业务表现 [6]。

随机实验面临明显的现实和伦理限制，因此在许多实际情境中难以应用。规范实施随机分配所需的成本和组织协调工作可能高到难以承受，尤其是那些需要长期随访或大量基础设施的干预。有些问题无法以符合伦理的方式通过随机分配来研究，例如，研究人员不能为了研究健康影响而随机要求参与者吸烟等从事有害行为。

随机实验通常在严格控制的条件下开展，而这些条件可能无法反映现实世界的复杂性，从而限制外部效度，也就是结果能否推广到其他情境。为保证内部效度、可靠判断实验中的因果关系而设置的受控环境，有时会形成一些人为情境，其中的表现与自然情境不同。样本量的限制常常使研究人员只能检测到较大的效果，而较小但有意义的影响可能未被发现。

不给对照组提供可能有益的处理会引发伦理问题，在医学研究中尤其如此。这推动了创新设计的发展，例如阶梯楔形试验：所有参与者最终都会接受处理，只是时间不同；还有等候名单对照组：在研究结束后接受处理。平均处理效应可能掩盖不同子群体之间的重要差异，因此人们也会担心，同一种处理对不同人群的影响可能不同。