我正在使用 R 中的 ANCOVA 分析双盲、安慰剂对照的 RCT，其中预测的“治疗效果”在治疗发生之前出现！

该研究的目的是确定治疗疾病是否会减少特定行为。患有这种疾病和行为的人被随机分为 50-50 人，分为治疗组和安慰剂对照组。

正如预测的那样，干预和基线疾病状态之间存在显着的相互作用（所有变量都是区间，除了“干预”，它是识别治疗组与对照组的两级因子变量）：

MODEL 1:

Call:
lm(formula = follow_up_behavior ~ baseline_behavior + baseline_disease * 
intervention, data = d)

                                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)                            11.28464    0.51177  22.050   <2e-16 ***
baseline_behavior                       0.77872    0.05112  15.234   <2e-16 ***
baseline_disease                        0.36726    0.23110   1.589   0.1146    
interventiontreatment                   0.74738    0.70254   1.064   0.2895    
baseline_disease:interventiontreatment -0.64681    0.31374  -2.062   0.0414 *  

由于干预是疾病的非常有效的治疗方法，因此预测了相互作用，但基线疾病状态沿着从接近 0 到非常高的连续体变化。因此，患有高基线疾病的人从治疗中获得了最大的好处，因此应该最大程度地减少行为反应。到目前为止，一切都很好。

在云雀上，我运行了一个非常相似的基线行为模型：

MODEL 2:

Call:
lm(formula = baseline_behavior ~ baseline_disease * intervention, 
data = d)
                                        Estimate Std. Error t value Pr(>|t|)  
(Intercept)                             -0.6350     0.7620  -0.833   0.4062  
baseline_disease                         0.7422     0.5016   1.480   0.1415  
interventiontreatment                    1.1941     1.0611   1.125   0.2626  
baseline_disease:interventiontreatment  -1.3320     0.6510  -2.046   0.0428 *

如您所见，即使干预尚未发生，疾病状态和干预组之间也存在非常相似的显着交互作用。这似乎是随机化的失败。

我主要担心的是，因为 follow_up_behavior 与 baseline_behavior 高度相关，所以第一个模型中的显着交互是由于在第二个模型中看到的预先存在的交互，因此不是干预的结果。

我的问题是：

1. 我真的有问题吗？

2. 如果是这样，将baseline_behavior 作为模型1 中的控制变量是否可以解决问题，即保证该模型中的显着交互不是模型2 中先前存在的交互的结果，而是由于干预？

3. 如果包括baseline_behavior 作为对照是不够的，我能做些什么来挽救这项研究吗？

非常感谢您提供任何帮助或见解。