书上说：
尽管随机化避免了系统偏倚，但这不一定就会产生在预后因素方面完美平衡的分组。干预组间仍留有机遇所致的差异（如：机遇分配不均）。不过统计检验可以解释机遇差异。随机化的过程是显著性检验的基础，并且无论预后因素是已知或未知的，随机化的过程都和预后因素无关。
无论如何，研究者应该在一个表格中按照治疗组别展示基线特征。这些信息描述进行试验所在的假设人群，且让读者看到外推至其他人群的可能性。此外，它让医生将结论推论至特定的患者。
基线特征表格也让读者们比较试验各组在基线时重要的人口学和临床特征。然而，我们通常会不适当的使用假设检验去比较我们所关注的特征。这些检验测定观察到的差异可能是因机遇产生的可能性。但是，在恰当的随机试验中观察到的差异按定义来说都是因机遇产生的。
对基线特征的假设检验不仅是不必要的，可能还是有害的。研究者用假设检验比较基线特征， 报告的显著结果比预计由机遇产生的差异要少。关于这种差别的合理解释是：有的研究者可能决定不报告显著的差异，因为他们相信隐瞒了这个信息，能够增加他们 报告的可信度。假设检验间接导致研究者们隐瞒基线不平衡，因而其除了是多余的，也是有害的。
听我说：
基线，就是我们常说的年龄、体重、经济收入等一般情况的基础数据。在大家经常接触的临床 对照试验中，往往喜欢基线数据一致，并且经过治疗组和对照组的干预比较，发现治疗组明显优于对照组，得出结论，该治疗方法是有效的。这是很多人用的最多的 比较方式，也正是因为这样，在两组的基线数据不一致的情况下，很多人会去规避一些问题，而这，其实对科研是百害无一利，因为这样写出来的结果结论与实际是 有偏差的，而后人极有可能会用这个有偏差的结果去进行进一步分析，导致错上加错。
你可以：
不必过分强调基线的一致性，就算不一致，也可能是由于机遇产生的，如果基线不一致，请不要隐瞒。