實驗對照的設計是因果推論（causal inference）的基石。從 Fisher 的隨機化理論到現代的因果圖（DAG）和反事實框架（counterfactual framework），對照設計的方法學持續演進。
因果推論的理論框架
Ronald Fisher（1935, The Design of Experiments）形式化了隨機化在因果推論中的角色：隨機分派使處理效應（treatment effect）的估計不受混淆因子偏差。Jerzy Neyman 的潛在結果框架（potential outcomes framework, 1923）定義了個體因果效應為 Yi(1) - Yi(0)（同一個體在接受和未接受處理時的結果差異），但因為我們無法同時觀察同一個體的兩種結果（基本因果推論問題, fundamental problem of causal inference），隨機化確保處理組和對照組的平均結果差可作為平均因果效應（Average Treatment Effect, ATE）的無偏估計。
Judea Pearl 的結構因果模型（Structural Causal Model, SCM）和有向無環圖（Directed Acyclic Graph, DAG）提供了視覺化和形式化識別混淆因子的工具。在 DAG 中，混淆因子是同時影響處理變數和結果變數的共同原因；碰撞子（collider）則是同時被處理和結果影響的變數——不當地控制碰撞子反而會引入偏差（collider bias / Berkson's paradox），這是非直覺但極重要的統計陷阱。
對照設計的進階類型
交叉設計（crossover design）中每個受試者既當實驗組又當對照組（不同時期），可控制個體間差異，但須注意順序效應（order effect）和殘留效應（carryover effect）。析因設計（factorial design）同時操控多個自變項，不僅能評估每個因子的主效果（main effect），還能偵測因子間的交互作用（interaction）——Fisher（1926）最早在農業實驗中提出此設計。
在分子生物學實驗中，敲除/敲入（knockout/knockin）實驗的對照設計尤為關鍵。CRISPR 實驗的適當對照至少應包括：（1）未處理組（naive control）、（2）空載體對照（empty vector 或 non-targeting gRNA，控制轉染或轉導本身的影響）、（3）敲除效率驗證（Western blot 或 qPCR 確認目標蛋白/mRNA 確實減少）。rescue 實驗——在敲除背景下重新表現野生型基因以恢復表型——是最強的特異性證據。
再現性危機（Replication Crisis）與對照的重新審視
2010 年代的再現性危機揭示了對照不足和統計誤用的嚴重後果。Open Science Collaboration（2015, Science）重複了 100 項心理學研究，僅有 36% 達到統計顯著——原始研究中的選擇性報告、p-hacking（對數據進行多種分析直到找到 p < 0.05 的結果）和 HARKing（Hypothesizing After Results are Known，事後編造假說）是主要原因。
Ioannidis（2005, PLOS Medicine, "Why Most Published Research Findings Are False"）的數學論證指出，在低事前概率（prior probability）、小樣本和靈活分析策略的組合下，大多數統計顯著的發現可能是假陽性。這催生了預先註冊（pre-registration）——在收集數據前公開登記研究假說、方法和分析計畫（如 ClinicalTrials.gov、OSF.io），限制事後修改的空間。
多重比較問題需要嚴格的校正：Bonferroni 校正（保守但簡單：α/n）、Benjamini-Hochberg FDR 控制（更靈活，控制假發現率而非家族錯誤率，特別適用於高通量組學實驗）。基因體學中 GWAS 的全基因體顯著性閾值（p < 5×10⁻⁸）反映了約一百萬次獨立測試的嚴格校正。
觀察性研究中的「類實驗」對照
當隨機化不可行時（如研究吸菸對健康的影響——不能隨機分派人去吸菸），觀察性研究使用統計方法模擬對照：傾向分數配對（propensity score matching, Rosenbaum & Rubin, 1983）根據所有已知混淆因子計算每個個體接受處理的概率（傾向分數），再配對傾向分數相似的處理組和對照組個體。工具變量法（instrumental variable, IV）利用只影響處理但不直接影響結果的變數來估計因果效應——Mendelian randomization 是基因流行病學中的 IV 應用，利用基因型作為「自然隨機化」的工具。