Andrew Gelman 在他与 Jennifer Hill 合着的书中，在第 9 章（第 9.3 节）第 177 页中指出：

仅适用于控制治疗前预测因子，或更一般地说，控制不受治疗影响的预测因子（例如种族或年龄）。这一点将在第 9.7 节中更具体地说明......

并且在那里（9.7 题为“不控制后处理变量”）他讨论了测量中介变量的问题，而不是直接的前后变化问题。

重要的是要在这里声明，我认为 Gelman/Hill 是一部出色的文本……而且我非常喜欢理解它。然而，这一点引起了我的兴趣，因为它让我想起了 Everitt & Pickles 解决同一问题的方法。

Everitt 认为，使用变化分数（分数 B - 分数 A）会使您的发现偏向于治疗，而在模型中包含基线分数则更为保守。他们通过模拟来支持这一点——这很有说服力。

到目前为止，我的理解是，您要控制的是基线分数的组差异，这可能会导致明显的治疗效果大于或存在，但实际上并不存在。我的理解也是，这是因为回归均值在起作用，因此较高的基线分数将与较大的下降相关联，反之亦然，与治疗效果无关。

Everitt 强烈反对“改变分数”，而 Gelman 似乎建议不要在模型中包含基线分数。

然而，Gelman 在接下来的 2-3 页中展示了这一点，包括作为预测指标的预测试分数。他警告说，您会得到一系列看似合理的治疗效果，这些效果取决于预测试分数，而不是仅代表效果不确定性的一系列治疗效果。

我的观点是，使用“变化分数”似乎并没有真正对均值回归做任何事情，而将基线分数作为预测变量允许基线组差异抵消，本质上是引入协方差结构。

我是一名医生，我必须对哪些治疗有效做出真正的决定。所以我该怎么做？包括每个人的基线分数或使用“更改分数”？