随机化

随机化 (Randomization)

随机化 (Randomization) 是统计学和实验设计中的一项根本性原则，指在分配实验对象到不同处理组（如治疗组与对照组）时使用随机机制（如随机数生成器、抛硬币、抽签等）的过程。其核心目的在于消除选择性偏差 (Selection Bias) 和混杂变量 (Confounding Variable) 对实验结果的影响，确保各组在可观测和不可观测特征上具有可比性，从而为因果推断 (Causal Inference) 奠定可靠的逻辑基础。随机化被普遍视为随机对照试验 (Randomized Controlled Trial, RCT) 的黄金标准，R. A. Fisher、J. Neyman 等统计学先驱对其理论化和系统化做出了决定性贡献。

随机化的基本原理

消除选择偏差

在非随机化的观察性研究中，处理分配常与受试者特征相关联。例如，医生可能根据病情严重程度分配药物，导致组间基线差异。随机化通过使分配机制独立于所有潜在结果（包括不可观测的混杂因素），彻底打破这种关联，确保组间差异仅源于处理因素或随机波动。

平衡混杂因素

随机化不消除混杂变量本身，但确保在概率意义上，所有混杂变量（无论是否可观测）在各组间具有近似分布。这意味着各组的平均年龄、性别比例、经济水平等特征在随机化后趋于一致，避免了事后对大量混杂变量进行复杂校正，使组间比较直接可信。

为统计推断提供概率基础

随机化为假设检验提供了严密的概率依据。观察到的组间差异可归因于处理效应或随机分配的偶然波动。通过P值计算可量化偶然因素导致观察差异的概率。在费希尔框架中，随机化是进行随机化检验 (Permutation Test) 的前提条件。

随机化的历史渊源

随机化思想萌芽可追溯至古代抽签实践，但其科学方法论地位的确立是20世纪的成就。1920年代，R. A. Fisher 在 Rothamsted 农业试验站首次将随机化原理系统引入田间实验设计，在其《实验设计》(1935) 中明确提出了三大原则：随机化 (Randomization)、重复 (Replication) 和区组化 (Blocking)。1948年英国医学研究理事会开展的链霉素治疗肺结核试验，被公认为首个采用严格随机化设计的现代临床RCT。

随机化的主要方法

简单随机化 (Simple Randomization)

为每个实验对象独立分配随机结果（如抛硬币），最简单直接，但小样本时可能导致各组人数不等。

区组随机化 (Blocked Randomization)

将对象按时间顺序分成若干区组 (Block)，在每个区组内随机分配，使各组样本量始终平衡。常用置换区组 (Permuted Block) 法。

分层随机化 (Stratified Randomization)

根据可能影响结果的预后因素（如年龄、性别）分层，再在各层内独立随机化。这确保关键变量组间分布一致，提高统计效率。

自适应随机化 (Adaptive Randomization)

根据已累积的疗效数据动态调整分配概率，使更多受试者被分配到表现较好的处理组，在伦理上具有优势。

随机化与因果推断

潜在结果框架

在鲁宾因果模型 (Rubin Causal Model) 中，每个对象 $i$ 有潜在结果 $Y_i(1)$（接受处理）和 $Y_i(0)$（未接受处理）。随机化确保处理分配 $T_i$ 与潜在结果独立：

从而以组间均值之差一致估计平均处理效应 (ATE)：

费希尔的随机化检验

在原假设（处理无效应）下，观测结果固定，处理标签仅随机重排。通过枚举或模拟所有可能的分配方案，可获得检验统计量的精确抽样分布并计算 P 值。此法无需正态分布假设，是非参数统计的重要先驱。

随机化的局限性与挑战

伦理限制

不能随机分配受试者暴露于有害因素，此时只能依赖观察性研究或准实验设计补充。

依从性问题

受试者可能不遵守分配方案（如对照组自行服药），意向性分析 (ITT) 会低估效应，按方案分析则破坏随机化带来的组间可比性。

外部有效性

RCT 通常在严格控制的环境中进行，内部效度高但外部有效性可能受限。试验人群与目标人群的差异可能影响效应推广。

小样本问题

小样本时随机化不能保证基线完全平衡，最小化法 (Minimization) 或分层随机化可部分缓解。

随机化在主要学科中的应用

医学与公共卫生

RCT 是药物、疫苗和医疗器械有效性评估的金标准。双盲 (Double-Blind) 与随机化常结合使用——前者避免测量和主观偏差，后者避免分配偏差。

经济学与社会政策

发展经济学中，Esther Duflo、Abhijit Banerjee 等学者通过田野实验评估教育、小额信贷和卫生干预的实际效果，并因此获2019年诺贝尔经济学奖。

计算机科学与机器学习

A/B测试依赖随机化将用户分配到不同版本界面。随机梯度下降、随机森林的特征选择和交叉验证中的数据分割均运用随机化思想。

随机化与其他相关概念的辨析

随机化 vs. 随机抽样

随机抽样确保样本对总体的代表性，服务于外推推断；随机化确保组间可比性，服务于因果推断。两者解决不同层次的问题，但在理想实验中常结合使用。

随机化 vs. 盲法

盲法隐藏分配信息以减少主观偏差，控制实施和测量阶段的偏差；随机化控制分配阶段的偏差。两者互补而非替代，双盲随机对照试验是最强有力的因果推断设计之一。

随机化 vs. 自然实验

自然实验利用外在因素（如政策突变）造成"天然"分配，可近似模拟随机化。工具变量、断点回归和双重差分是随机化不可行时的常用替代方法。

总结

随机化通过概率化的分配机制，解决了观察性研究长期难以攻克的混杂偏差问题，为各学科提供了透明、可复现且统计性质优良的比较工具。然而，它在伦理、可行性和外部有效性方面存在固有局限，需结合分层设计、工具变量、敏感性分析等方法加以应对。理解随机化的原理与边界，是从事科学实验和因果推断的必备素养。