01｜为什么研究贫穷要用“随机实验”？

一、先说结论

二、我们先理解一个问题

先想一个再普通不过的争论。

有人说：“给贫困家庭免费发蚊帐，能大大降低疟疾。”

马上有人反对：“免费的东西没人珍惜，发了也不用，还不如让他们自己买。”

两种说法都很有道理，也都有支持者。可问题是：

如果只是收集“发了蚊帐的地区”和“没发的地区”的数据，你会发现很难下结论——因为这两类地区本来就可能不一样：富裕程度不同、卫生条件不同、气候不同。你看到的差异，可能根本不是蚊帐造成的。

这就是贫穷研究最大的难题：你无法知道，到底是什么在起作用。

三、作者到底提出了什么观点？

面对这个难题，两位作者主张：像做医学试验一样做经济学。

随机对照实验的核心逻辑是：

1. 把研究对象随机分成两组——随机是关键，它能保证两组在统计上“本来就应该差不多”；
2. 只给其中一组施加干预（比如免费蚊帐），另一组保持不变（对照）；
3. 比较两组结果的差异，这个差异就可以归因于干预本身。

他们的判断是：关于贫穷的很多争论，本质上是“证据不足”造成的。与其在会议室里辩论“穷人到底理不理性”，不如设计实验去测。这本书的每一章，几乎都是这种思路的产物。

一句话概括作者的态度：先别急着下结论，先去做个能验证的实验。

四、把这个观点翻译成人话

把它想成“双胞胎对照”。

假设你怀疑“喝某种饮料会让人长高”。如果只是观察一群喝饮料的孩子，你没法确定——也许他们本来就在长个子的年纪，也许他们还爱运动。

但如果你找到 1000 对情况几乎相同的双胞胎，随机让其中一半喝、一半不喝，跟踪一年——结果差异就很可能是饮料造成的。

随机实验的威力就在这里：它人为地把“两组本该差不多”这件事变成了现实，于是任何差异都能被更干净地归因。

扶贫也一样。“免费蚊帐有没有用”“给老师发奖金有没有用”“给家长发成绩单有没有用”——这些都可以被设计成实验，而不是靠猜。

五、为什么会这样？

把它拆成一条清晰的链：

flowchart TD
    A[关于扶贫的争论] --> B[双方都缺可靠证据]
    B --> C[直接观察无法分辨因果]
    C --> D[问题: 到底是什么在起作用]
    D --> E[随机分组: 干预组 + 对照组]
    E --> F[两组本来应无差别]
    F --> G[只给一组施加干预]
    G --> H[比较结果差异]
    H --> I[差异可归因于干预]
    I --> J[把信念之争变成证据之争]

关键在 C → E 这一跳。

没有随机分组，我们就无法排除“别的因素”；有了随机分组，我们才有可能把“因果关系”从“相关关系”里分离出来。这正是 RCT 的全部价值：它不保证结论一定正确，但它让结论变得可检验。

六、举一个现实生活中的例子

看一个书里反复出现的场景：免费发蚊帐。

疟疾在部分地区是致命威胁，而蚊帐是极有效的预防手段。可“要不要免费发”却长期争论不休：有人担心免费会让人不珍惜，有人认为应该收费以保证“被使用”。

于是研究者设计了实验：在一些地区免费发蚊帐，在条件相似的地区按不同价格卖，另一些地区作为对照。随后比较各组的购买率与实际使用率。

结果出乎很多人的直觉：免费或极低价格发放，并没有显著降低使用率，反而让更多人得到了保护。类似的实验还检验过驱虫、疫苗、教师激励、给家长发成绩单……

这些结论之所以可信，正是因为它们不是“谁觉得”，而是“实验测出来的”。

七、回到书中重新理解

现在再回看两位作者为什么把“随机实验”放在最前面，就顺了。

他们要对抗的，是扶贫领域长期存在的两种懒惰：一种是立场先行（左派说要多援助，右派说援助有害，各自找证据支持自己），另一种是想当然（觉得穷人“不理性”“不珍惜”，于是设计出错误的政策）。

RCT 提供的不是答案，而是获取答案的方法。它让“穷人到底会怎么反应”这类问题，第一次可以用数据来回答。理解了这一点，才能理解后面那些关于营养、健康、教育、储蓄的结论——它们都建立在这套方法之上。

八、这个观点背后还有什么？

第一，随机实验只能回答“具体问题”。 它能告诉你“这个措施在这群人、这个地区、这个时间有没有用”，但不能直接推出“援助总体上有没有用”。

第二，它依赖执行质量。 随机化是否真正做到、干预是否落实、数据是否可靠，都会影响结论。

第三，它天然偏向“可测量”的东西。 入学率、发病率容易测，尊严、希望、生活质量则难以量化，可能被忽略。

第四，它改变了“政策设计”的思路。 从“我认为应该这样”转向“我们试试看，再改”，是一种更谦逊、也更有效的态度。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于本书思想的现代延伸，不是两位作者的原话。

在今天，“用实验验证政策”已经从学术方法，走向了更广的实践。各国政府、平台公司、公益组织，都在做类似的“AB 测试”：同一批用户随机分组，看哪种设计更有效。

但这也带来新的警觉：AB 测试天然偏爱短期、可量化的指标。 一个产品可以把“点击率”优化得很好，同时伤害用户的长期福祉；一项政策可以提高“入学率”，却没改善“学习质量”。

所以这本书给我们的，不只是一套方法，还有一个提醒：能被测量的，不一定是最重要的；在追求“有效”之前，先想清楚“有效”到底指什么。

十一、这一篇真正应该记住什么？

1. 随机实验是本书的方法核心。 随机分组 + 对照组，让因果推断变得可能。
2. 它把争论从“立场”拉回“证据”。 与其辩论穷人理性与否，不如设计实验去测。
3. 它能回答具体问题，不能回答一切。 外部效度、伦理、结构性问题，都是它的边界。
4. 它改变了政策设计的态度： 从“我想应该这样”到“试试看、再改”。
5. 同时要警惕“可测量”的陷阱。 有效不等于有价值，指标不等于目标。

十二、留一个问题

下一篇：方法是随机实验，那第一个要检验的大问题就是——穷人是不是掉进了一个“越穷越穷”的坑，无论怎么努力都爬不出来？这个“贫困陷阱”，真的存在吗？

下一篇我们就来拆开这个问题——“贫困陷阱”真的存在吗？