后处理变量：随机实验的隐形结构偏差

在随机实验中，干预后测量的中间变量（X）引发的结构问题，是导致研究偏差的关键症结。实际研究中，不少研究者会陷入一个误区：为了 “更精准” 地分析干预对结果的直接影响，他们将这类变量当作统计控制变量纳入回归模型，或依据其取值筛选子样本（如仅分析 X 取值较低的子群体）。然而，这种操作恰恰忽视了核心矛盾 ——X 作为受干预 T 直接影响的变量，其取值变化会从根本上破坏随机分配构建的组间均衡结构（Montgomery et al., 2018）。

这一结构问题的根源在于干预效应的异质性。干预 T 对不同特征研究对象的影响存在差异，那些受未观测混淆变量 U（如自身基础条件、潜在倾向）作用，更易达成结果 Y 的对象，在接受干预后，往往会显著改变 X 的取值。而处理组中 X 取值无变化的个体，多是受 U 影响、达成 Y 概率更低的群体（Montgomery et al., 2018）。

一旦控制 X 或基于其筛选样本，实验的底层结构就会被扭曲。原本基于随机分组的组间比较，将异化为 “处理组中达成 Y 概率更低的群体” 与 “对照组中达成 Y 概率相对更高的群体” 的非对称对比。这种结构失衡会导致干预效应估计出现系统性偏差，极端情况下甚至会得出与真实因果关系相悖的结论（Montgomery et al., 2018）。

对于研究者而言，识别并规避这一结构问题至关重要。在随机对照实验设计中，必须严格区分后处理变量与预处理变量，避免因对后处理变量的不当操作，动摇实验设计的底层逻辑，使研究结论失去可靠性。