为了开发该工具包，我们一直在思考如何利用随机对照试验 (RCT，或简称为试验) 来指导政策制定，以及成功使用试验需要规划的要素。我们还与多位研究人员、从业人员和政策制定者进行了交谈，从他们开展试验的经验中学习。
在这篇博客中，我们为那些正在考虑何时以及如何使用试验的人提出了七条建议。
1）留意机会
我们距离 IGL认为的政策试验成为政策制定的核心特征还有很长的路要走。因此，引入试验可能需要从小规模的快速试验开始，或者抓住出现的机会。
当项目申请者人数超额时，机会就会出现——这次创新券试点就是这种情况。在这种情况下，抽签可能很容易被接受为最公平、最经济的分配支持的方式。但是，当你依靠超额申请来产生试验时，值得规划如何应对，如果以后有增加项目人数的压力。
另一种情况是，当一个项目需要改变，但各方对如何改变没有达成一致意见时，可能会出现试验的机会。也许需要节省成本，一些人呼吁保留项目设计，但减少支持人数，而另一些人则倾向于转向成本较低的替代方案（例如一对多建议，而不是一对一建议）。纳入试点这些替代方案可以解决这个问题，因为它提供了足够有力的证据，可以改变双方的观点。
2）阐述项目或干预措施的变革理论
在设计试验时，我们建议使用逻辑模型来列出实施计划所涉及的不同要素以及这些要素与预期结果之间的联系。当您深入了解这些联系背后的“变革理论”时，此逻辑模型将发挥最大价值。这要求您 摩吉数据 详细考虑计划（或干预）的原理、需要实施的内容以及实现最终目标必须遵循的“因果”假设。
这个框架在评估一个项目是否适合纳入试验、您想要招募的参与者、需要采取的数据收集措施以及结果公布的时间段时非常有用。正如我们将在即将发布的工具包中讨论的那样，它也可以成为一种很好的方式来产生关于试验可用于指导和改进项目实施的想法。
3）当你能够设定明确的结果目标时，试验效果会最好
对于影响评估，当你的政策目标可以在少数 SMART 目标 [1] 中体现出来时，试验将是最合适的。如果影响可能发生在大量不同的结果中，试验将很困难，尤其是当变化的重要性或可能的时间不确定时——也就是说，即使你看到了成功，你也不知道成功是什么样子。
如果试验不适合对整个项目的影响进行评估，逻辑模型可以确定哪些试验可能有用。也许可以缩小试验范围，以确定该项目对更直接的结果变量的因果影响——例如，测试学校创业教育是否提高了能力和意愿，但不是创业。
4）在启动试验之前测试关键的“因果”假设
我们建议你质疑变革理论中提出的假设。例如，逻辑模型的线性框架是否意味着你只是提出了干预措施如何实现最终目标的众多方案之一？
项目并不总是按照最初设想的方式得到使用和产生结果。例如，创新券项目的逻辑模型可以指定影响将来自参与企业首次与外部研究人员合作。然而，在实践中，影响可能来自合作水平的深化，如果试验结果指标仅捕捉到新的联系，那么就会忽略这一点。