你在两家店点了同一道菜，一家顾客说太辣，另一家却说没味道。先别急着怀疑厨师：也许两家来的顾客口味不同。随机对照试验也会遇到类似问题。协议相近的两场试验，可能一场显示治疗有效，另一场显示无效。原因未必是某场试验“做错了”，也可能是疗效会随人群特征变化，而两场试验恰好招到了不同的人。
一篇由 Daniel A Xu 等人发布的 arXiv 论文，试图把这类猜测变成可检验的问题。它提出一套因果推断框架：即使真正改变疗效的人群特征没有被测量，也可以借助代理变量，判断两场冲突试验是否有可能被人群差异“调和”。这里的所有方法与案例结论均来自这一篇论文，尚无独立信源交叉验证。
冲突不只看两个平均数
先解释一个核心概念。效应修饰因子（effect modifier）是会改变治疗效果大小、甚至方向的特征。比如一种治疗可能只对某类高风险人群更有效。如果第一场试验招到的高风险参与者更多，它算出的平均疗效就可能更好。
这牵出两种不同的“效果”。边际效应是把整个人群放在一起算出的平均结果；条件效应则是在年龄、风险水平等特征相同的条件下比较疗效。两场试验的条件规律可能完全一致，但由于人群构成不同，最后得到相反的边际结论。
论文据此区分两种可协调性。
条件可协调性问：对于特征相同的人，两场试验中的治疗效果是否相同？边际可协调性问：把第一场试验里的条件疗效搬到第二场试验的人群构成中重新平均，能否还原第二场试验观察到的总体疗效？前者要求更强。条件规律一致，通常意味着平均结果可以协调；反过来却不成立，因为不同的条件差异可能在平均时互相抵消。
这也是证据迁移（transportability）真正关心的事：一个人群里的因果结论，能否用于另一个人群。试验内部做了随机分组，并不自动保证结果可以跨人群照搬。
没测到的差异，怎样纳入检验？
最难的情况是，真正的效应修饰因子根本没有记录。研究者无法直接按它分组，也不能靠普通回归把它“调整掉”。论文采用近端因果方法（proximal causal methods）：不直接观察隐藏特征，而是寻找与它有关的代理变量。
可以把代理变量理解成隔着门缝看到的影子。影子不是门后的人，但在一组明确假设成立时，它能提供关于那个人的信息。论文使用两类代理：一类帮助重新加权人群，另一类帮助调整结果模型。代理变量不能等同于真实原因；它们只是在结构模型中间接捕捉研究者假定存在的隐藏差异。
在加法尺度上，研究者比较的是治疗带来的绝对变化，例如平均多出或少掉多少；在乘法尺度上，比较的是相对变化，例如风险变成原来的多少倍。论文分别为两种尺度定义了条件与边际可协调性。
条件检验采用两阶段回归。第一步，用已观测信息预测一个代理变量；第二步，把预测结果放进合并两场试验的回归模型，并加入“来自哪场试验”与治疗、人群特征及代理信息的交互项。交互项可以理解为：相同条件下，疗效规律是否仍随试验身份变化。随后用 Wald 检验联合检查相关系数是否为零。若不是，说明当前这组已测量特征和代理变量仍不足以让两场试验的条件疗效一致。
作者选择参数化结构模型，也就是预先规定回归关系的形式。这样做比完全非参数的方法更容易实现，也可能在有限样本中更有检验力，但代价是结果依赖模型设定和识别假设。论文还称，在特定随机化和基线变量条件下，加法尺度的程序对第一阶段回归设错具有一定稳健性。
“没发现不一致”不等于“证明一致”
传统显著性检验有一个常见陷阱：没有拒绝“两场试验可以协调”这一假设，可能只是样本或代理信息不够，不能当作支持协调的证据。
论文因此引入等效性检验。研究者先设定一个等效界限，也就是在实际或临床上可以忽略的最大差异。只有当运输后的疗效与目标试验自身疗效之间的置信区间，完整落在这个界限内，数据才支持“在该界限内可协调”。界限需要事先根据具体问题确定，不能由统计程序替人决定。
它还提出 reconciliation proportion，可译作“协调比例”。这个指标把运输后仍然剩下的差距，与两场试验原本的边际疗效差距相比。数值越接近 1，代表解释掉的冲突越多；它也可能为负，表示重新加权后反而离目标结果更远。如果两场试验原本差异很小，分母接近零，这个比值会很不稳定。
放进真实争议里，答案仍然克制
论文以 Meis 与 PROLONG 两场试验为例。两者研究 17-alpha-hydroxyprogesterone caproate（17OHP-C）预防复发性早产的效果，却得出了冲突结果。作者在主要加法尺度分析中考察分娩时孕周，并把基线宫颈长度视为一种可能未测量的效应修饰因子：PROLONG 中部分参与者测过它，Meis 中没有。
研究选取既往自发性早产次数、此前早产时的孕周和孕前 BMI 等变量，组成两套不同的代理变量方案。它们不是宫颈长度的替代测量，只是尝试从相关信息中捕捉这一潜在隐藏差异。
结果没有给出一个漂亮的“破案”结局。按作者表述，分析只发现有限证据，无法充分证明这些代理所捕捉的宫颈长度等未测量效应修饰因子，足以在边际层面协调 Meis 与 PROLONG。换句话说，这套框架提供了查找隐藏差异的办法，但案例并未确认宫颈长度就是两场试验冲突的答案。
为什么值得关注
这项工作的价值不在于替冲突试验自动选出赢家，而在于把问题拆得更准确。它区分“同类个体的疗效规律是否一致”和“换成人群构成后，平均结果能否对上”；也把未测量因素、代理变量、证据迁移和等效性判断放进同一框架。
这让讨论从“为什么结果不一样”推进到更可操作的问题：需要哪些假设，代理变量捕捉了什么，调整人群构成后还剩多少差距，以及数据究竟是在支持协调，还是仅仅没有能力否定它。作者称此前缺少正式定义和评估冲突试验可协调性的统计框架；这是范围较大的文献优先权主张，仅凭该论文不能确认。
局限与未知
- 代理变量只是隐藏效应修饰因子的间接线索。若代理结构、参数化模型或识别假设不成立，检验结论可能失真。
- 案例结果只有“有限证据”，不能解读为已经找到冲突原因，也不能证明人群差异足以解释两场试验。
- 供稿文本未完整呈现案例的样本量、效应值、显著性指标及协调比例数值，因此无法判断差异的具体幅度，也不宜补写定量结论。