1 对照的概念与作用
1.1 定义与基本思想
对照（comparison; controlled comparison）是一类研究方法或研究设计思路：通过将研究对象置于不同条件、不同群体或不同时间点之间进行系统性比较，以识别差异、估计效应或检验假设。其关键在于“可比性”，即尽量让被比较对象在关键特征上相一致，或让差异来源被研究者明确规定并可被统计处理。这样得到的结论更可能归因于研究中施加或研究关注的因素，而非由其他未控制因素引起。
在实践中，对照并不意味着“完全相同”，而是强调：除被研究的处理因素外，其余影响结果的因素要么被平衡、要么被测量并纳入分析、要么在设计上得到限制，从而降低偏差风险。
1.2 与“因果推断”之间的关系
对照与因果推断常被放在同一讨论框架中。其逻辑通常是：如果在可比条件下，处理因素在时间上先于结果且其余关键差异被控制，那么处理因素与结果之间的关联更接近因果解释。不同研究设计对“因果可信度”的支持力度不同：随机分配的对照更容易削弱混杂；非实验对照则通常依赖于额外假设或统计校正。
需要注意的是，对照并不能自动保证因果结论。对照组若选择不当、可比性假设不成立，或测量与遵从存在问题，即便做了对照比较，仍可能得到带偏的“因果式”结论。
1.3 对照在不同研究范式中的定位
在实验研究中，对照是构成因果论证的核心结构之一（例如处理组与对照组）。在观察性研究中，对照更像是“比较的支架”：研究者通过匹配、分层、回归控制、工具变量或时间结构等方式构造尽可能接近的对照情境。对于描述性或探索性研究，对照也常用于衡量差异、检验是否存在系统性变化，但因果解释往往需要更谨慎的表述。
从方法学角度，对照可以视为把“比较问题”转化为“可检验的结构”：明确谁与谁比较、在何种条件下比较、如何界定差异来源、以及如何把不确定性量化到结果中。
2 对照类型
2.1 实验性对照
实验性对照通过研究者对处理因素的安排来增强可比性。相对而言，它更容易控制潜在混杂，从而提高对差异来源的归因力度。
2.1.1 随机对照
随机对照通常指随机分配到处理组与对照组。随机化的目标是让已知与未知的混杂在分组后大体均衡，减少选择偏差。实践中常伴随盲法、分配隐藏等步骤，以防止分配过程与结果测量受到影响。
2.1.2 盲法与安慰剂对照
盲法用于降低参与者或研究人员的期望效应对结果的影响。安慰剂对照常见于需要区分“真实处理效应”与“主观感受/期待效应”的情境。其核心并非追求“完全没有差异”，而是确保对照条件在心理与操作层面尽量对等，使差异更可能来自处理本身。
2.1.3 活性对照与剂量/条件对照
活性对照指对照组并非“无处理”，而是接受另一种有明确成分或疗效机制的处理（例如标准方案）。这类设计适用于比较两种都可能有效的方案，从而评估相对优势或等效性。剂量或条件对照则把处理因素拆分为多个水平（不同剂量、不同强度或不同组合），便于估计剂量反应或条件依赖的差异。
2.2 非实验性对照
非实验对照的基本特点是处理因素并非由研究者随机安排，因此对可比性的依赖更多来自设计策略与统计方法。
2.2.1 观察性研究中的对照
在观察性研究中，对照常来自自然存在的分组（例如是否暴露某因素的群体）。研究者可能通过倾向得分匹配、分层、加权、回归调整等方式构造“尽量相似”的比较对象。其有效性取决于是否测到并校正关键混杂，以及可比性假设是否合理。
2.2.2 历史对照与时间序列对照
历史对照使用过去时期的数据作为比较基线；时间序列对照则通过在多个时间点上观察处理前后变化来进行对比。前者的难点在于“环境整体变化”可能同时影响结果；后者需要处理趋势、季节性与其他时间相关因素，避免把自然波动误认为处理效应。
2.2.3 自然对照（情境/规则变化带来的对比）
自然对照利用情境或规则变化带来的准自然分组，例如政策调整、规则实施、资源分配规则改变等造成的暴露差异。研究者通常需要论证：变化前后其他关键条件相对稳定或可以被建模，从而使对照逻辑不至于被外部冲击完全破坏。
2.3 变体与衍生形式
2.3.1 组内对照（前后对比）
组内对照指同一对象在处理前与处理后（或不同时间点）之间的比较。其优势是个体层面的固定特征得以相互抵消；不足在于难以排除时间相关因素（例如整体趋势、学习效应或测量条件变化）。常见配套是记录时间结构并使用适当的模型或对照时间段。
2.3.2 外部对照（文献或数据库对照）
外部对照使用文献结果或数据库指标作为比较基线。其关键问题通常是数据来源、测量口径与人群特征是否可比。为了避免“口径不一致导致的假差异”，研究者需要对对照数据的定义、纳入条件与变量处理做清楚说明，并在必要时进行敏感性分析或校正。
2.3.3 匹配对照（按特征形成对照组）
匹配对照通过选择或加权建立与处理组在关键特征上相近的对照组。匹配可以是基于某些可观测变量的直接匹配，也可以通过倾向评分实现。匹配的核心仍是可比性：当关键差异变量未被测量或无法纳入模型时，匹配可能不足以消除偏差。
3 对照组的选择原则
3.1 可比性与关键特征一致性
对照组选择的首要原则是可比性：被比较对象在关键决定因素上应尽可能一致，或差异被限制在可解释范围内。关键特征通常来自理论机制、既有证据或预研究结果。实践中常用“设计阶段预先定义关键变量”的方式，避免事后挑选导致的偏差。
3.2 混杂变量的识别与处理
混杂变量是同时影响处理因素与结果的因素，会破坏对照比较的解释。识别混杂通常依赖研究问题的机制理解、变量清单的系统梳理以及因果图或理论框架。处理策略包括随机化、匹配、分层、回归调整、工具变量或限制性纳入标准等。即便无法完全消除混杂，也应在报告中解释可校正性边界与潜在残余偏差来源。
3.3 样本量与资源约束下的对照设计
对照并非只与“理想可比”相关，也与样本规模、成本与可行性相关。增加对照组数量可能提高估计精度，但也会增加执行与测量成本。资源约束下的设计通常需要平衡：选择足够的对照规模、确保关键变量的测量质量，以及避免为了追求样本量而牺牲可比性。对于多组或多时间点设计，还要评估统计功效与模型复杂度之间的关系。
3.4 排除与纳入标准的对照逻辑
纳入与排除标准决定了谁进入比较。合理的规则应服务于对照逻辑：例如确保处理因素定义清晰、结果测量在可比范围内、并减少会引入强混杂或选择偏差的个体。排除标准也要避免“过度清除导致样本代表性不足”，否则会在外推性上引入新的偏差。通常需要在方法部分明确写出判定标准与实施方式。
4 统计比较与评估指标
4.1 比较对象与效应量选择
统计比较首先要明确比较对象与效应量形式。常见效应量包括均值差、比例差、比值比或差异的标准化度量。效应量的选择应与研究问题相匹配，例如连续结局适合均值或回归系数类指标，二分类结局常用风险差或比值类指标。对照越强调“可比性”，效应量的估计通常越能反映处理因素的影响。
此外，还需要定义比较单位（个体、群组或时间段）以及处理可能导致的非对称性（例如只影响子群体的情况），避免在不适用的效应量上过度解读。
4.2 假设检验与置信区间
假设检验用于评估观察到的差异是否可能由随机波动导致；置信区间用于表达估计的不确定性范围。二者侧重点不同：检验回答“是否足以反对零假设”，区间回答“效应可能的大小范围”。在对照研究中，置信区间通常更适合用于讨论实际意义，因为它同时反映估计精度与样本变动。
若设计包含多重比较或多结局指标，应在分析计划中预先说明校正或控制策略，例如控制家族错误率或采用层级检验思路。
4.3 多指标、多时间点与重复测量比较
当存在多个结局指标或多个时间点，比较策略需要考虑相关性结构。重复测量常见做法包括混合效应模型、广义估计方程或采用适当的方差结构。关键在于避免把同一对象的相关观测当作相互独立，从而导致标准误被低估。
多时间点分析还要定义分析窗口与时间对齐规则，例如以基线为参考、采用斜率比较或按固定随访频率汇总，保证对照口径一致。
4.4 结果可视化与对照呈现方式
可视化有助于直观呈现差异与不确定性。常见呈现方式包括带置信区间的均值图、森林图（展示多个效应与区间）、折线图（显示随时间变化）以及分布图（如箱线图、密度图）。在对照研究中，建议同时展示关键统计量与样本规模，避免只呈现差异曲线而不报告对照组的可比性信息。
呈现还应符合对照设计的特征，例如对于匹配研究，可能需要展示匹配后平衡程度或加权后的协变量分布变化。
5 设计质量与常见陷阱
5.1 选择偏差与信息偏差
选择偏差通常来自对照组选择过程不随机、与结果相关或与处理因素相关的因素未被控制。信息偏差则源于测量误差：包括结局测量不一致、测量时机不同或测量工具存在系统性差异。即便对照组在表面上“很像”，若测量流程或评估者盲化不足，也可能导致偏差放大。
因此，设计质量评估不仅看对照组“像不像”，还要检查测量是否同口径、数据缺失是否与处理相关以及偏差是否被建模或讨论。
5.2 回归到均值与时间效应误读
回归到均值指当样本在某一指标上因随机波动呈现极端值后，后续很可能更接近总体平均，从而看似“处理有效”。对照设计若忽略这一统计现象，容易把自然波动误判为真实效应。
时间效应误读包括整体趋势、季节性或外部环境变化。历史对照与时间序列对照尤其需要谨慎：如果对照时段并未反映相同的背景条件，比较结果可能更多反映环境变化而非处理因素。
5.3 执行差异（遵从性、测量一致性）
执行差异是指计划的对照条件在现实中没有被一致实施。例如随机分配后参与者不遵从、使用剂量与方案与计划不一致，或不同组使用了不同的测量流程与评估标准。遵从性问题会削弱对“分配效应”的解释；测量一致性不足会增加噪声或引入系统偏差。
在报告中通常需要区分“指派到的处理”与“实际接受的处理”，并说明质量控制与偏离处理方式。
5.4 对照组“看起来相似但其实不同”的问题
常见陷阱之一是仅基于少数协变量进行表面平衡检查，而忽略关键机制变量或未测量差异。另一种情况是对照组在关键特征上确实相似，但两组的行为方式或外部支持不同（例如信息可得性、就医渠道差异），从而导致结果的差异并非由处理因素解释。
对策通常包括更系统的平衡评估、敏感性分析、对缺失与选择机制的讨论，以及在叙述中避免过度自信的“因果确定性”表述。
6 实操流程与写作要点
6.1 研究问题到对照方案的映射
从研究问题出发，需要把“想回答什么”映射到“该和谁比、比什么以及何时比”。这一步通常需要明确：处理变量的定义、结果变量的测量方式、关键协变量或机制相关变量清单，以及预期的比较方向（差异检验或效应估计）。对照方案应与机制假设保持一致，避免为了方便比较而忽略理论关键点。
6.2 从方案到实施：随机化/匹配/控制策略
实施阶段决定对照方案能否落地。实验研究重点在随机化质量、盲法执行与遵从性管理；非实验研究重点在匹配或校正策略的可行性与模型设定的合理性。无论采用哪种策略，都应确保对照条件在操作流程上保持一致，并记录关键偏离情况以便后续分析与解释。
6.3 方法学报告：透明度与可复现性
百科写作或论文写作中，透明度是对照研究可复现性的基础。应当提供足够信息说明：对照组选择与分配规则、纳入排除标准、关键变量定义、统计分析计划（至少包括效应量、模型类型与不确定性处理）、以及缺失数据或异常处理。对照的质量不能只在结论中提及，而应在方法部分给出可核查细节。
6.4 讨论部分如何评价对照的有效性
讨论应评估对照的有效性边界：有哪些混杂可能未被控制、选择或测量偏差的风险有多大、以及结果对不同人群或不同场景的外推程度。也需要区分研究内部推断与外部适用性：即使对照逻辑在样本内较强，仍可能在其他条件下表现不同。
对于非实验对照，讨论中常见做法是列出关键假设并解释其可信度来源；对实验研究，则重点检查执行偏离与测量一致性对结论的潜在影响。
7 相关术语与扩展
7.1 对照变量、控制变量与混杂变量
- 对照变量通常指用于构造对照条件或用于比较结构的变量（例如分组依据、时间窗口）。
- 控制变量是统计或设计上用于降低混杂影响的变量，在分析中被纳入以调整差异。
- 混杂变量是同时影响处理与结果的因素，是对照比较偏差的主要来源之一。
三者的关系常常相互交织：某个变量既可能被用作控制，也可能被视为潜在混杂。对写作与分析而言，明确其在研究逻辑中的角色十分重要。
7.2 基线（baseline）与对照的时点设定
基线是对照与比较的起点，用于建立初始可比性或作为变化量的参考。时点设定包括基线测量的时间选择、随访频率、以及处理开始与结果测量的先后顺序。若基线与随访条件并不一致（例如测量工具改变或样本组成变化），对照逻辑可能被削弱。
7.3 对照与基准（benchmark）的区别
对照（control/comparison）强调“比较关系”与设计逻辑，关注在特定条件下估计差异或效应。基准（benchmark）通常强调“标准参照”，可能是行业常模、历史指标或目标阈值。一个研究结果可以同时对照与基准，但其目的不同：对照用于解释差异来源，基准用于定位表现与差距。
7.4 轻量梗：别把“对照组”当成“背景板”
在写作与实践里，常见误区是把对照组当作“为了好看而存在”的背景。真正有效的对照组需要被认真选择、被严格实施，并在方法与结果中交代其可比性来源。否则比较就可能变成“看起来差不多，但其实不能比”的故事，结论自然也难以服众。