为什么难排除的是季节，而不是时钟
夏令时一年出现两次，而两次都落在更大的季节变化之中。黎明和黄昏本来就在移动，在远离赤道的纬度上，光照时间的变化又与时钟调整本身纠缠在一起[5]。因此，如果春季切换后一周内交通事故或心脏事件增多，原因可能是少睡了一小时，也可能是日出提前，还可能是那个时节的其它因素。
这就是研究者所说的季节性混杂：某个季节性因素与你想要研究的对象同步变化，并能产生相同的模式。实际后果是，仅围绕切换日期做简单的前后比较，本身无法告诉你时钟调整是否起了作用。研究设计必须为季节影响留出别的去处。
把时钟变化与季节分开的设计
这组研究中最有力的做法，是把调整时钟的地区与不调整时钟的地区作比较，采用双重差分设计。这种方法问的是：切换前后发生的变化，在调整了时钟的地方是否比没调整的地方更大，这样共同的季节趋势就被抵消了。一项交通事故研究正是用非夏令时对照地区做了这样的设计，随后又加入更多控制和固定效应，因为基本版本仍可能残留季节性混杂，或存在治疗组中按星期几而异的差异[1]。
第二种做法不靠对照组，而是用统计方法处理问题。一项车辆碰撞死亡研究使用多层模型来解释时间和空间上的异质性，也就是让基线风险随地点和时间变化，而不是把所有数据混在一起[4]。这很重要，因为碰撞风险在全国或一年之中并不均匀，忽略这一点的模型可能把普通的局部差异归因于时钟调整。
第三种做法使用大型行政数据集，并采用为事件率构建的模型。一项美国全国性不良心血管事件研究应用贝叶斯分层泊松回归，估计事件率与夏令时切换之间的关系[3]。分层结构让模型可以在各组之间借力，并吸收组间的一部分自然变异，从而避免估计结果被少数异常地点或时段主导。
这些设计能解决什么、不能解决什么
即使是控制良好的设计，回答的问题也比乍看之下更窄。双重差分的交通事故研究围绕的是夏令时是否增加交通事故，其附加控制是为了保护这一特定估计不受残留季节性影响[1]。心血管研究估计的是切换与大量人群事件率之间的关联[3]。就描述而言，这两种设计都没有确立生物学机制；它们估计的是事件发生的时间是否随时钟调整而移动。
睡眠研究面临相关局限。一项纵向Fitbit研究用对照组追踪了季节转换期间的睡眠模式，这是观察时钟调整时睡眠时间是否随之变化的合理方式[2]。但正如该研究本身指出的，下游健康影响的整体图景在不同结局和研究设计中仍不一致[2]。不同设计结果不一致，提示应审视每项研究如何处理季节和对照组，而不是证明效应不存在。
未来研究应如何处理季节因素
这些设计最清楚的教训是，把季节因素纳入比较之中，而不是事后校正。像交通事故研究那样使用非夏令时对照地区，让季节趋势有自然显现的地方，而不会被误认为时钟效应[1]。在没有这类对照时，让风险随地点和时间变化的多层或分层模型起到类似作用，吸收原本会污染估计的异质性[3][4]。
第二个教训是检查基本设计是否足够。交通事故研究的作者认为其基线双重差分估计可能不够，于是加入了对残留季节性和按星期几而异的处理差异的控制[1]。这是个有用的习惯：说明简单设计假设了什么，然后检验这些假设是否成立。最后，由于结果在不同结局和研究设计之间不同[2]，未来研究最有信息价值之处，是报告季节因素如何处理、使用了什么对照组，这样读者才能判断阴性或阳性结果反映的是时钟还是日历。
本文引用的文献
夏令时会增加交通事故吗？季节性混杂与早晨死亡效应
一项使用非夏令时对照地区的双重差分设计，并辅以控制和固定效应，被视为将时钟调整对交通事故的影响与残留季节性混杂分开的方法。
夏令时、急性睡眠中断与All of Us Fitbit数据中的回归基线模式
一项带对照组的纵向Fitbit研究追踪了季节转换期间的睡眠模式，同时指出下游健康影响在不同结局和研究设计中仍不一致。
夏令时做法与美国不良心血管事件发生率：一项大型全国性研究中的概率评估
一项大型美国全国性研究使用贝叶斯分层泊松回归评估夏令时切换与不良心血管事件发生率之间的关联。
夏令时切换前后数日车辆碰撞死亡率的时空背景
研究采用多层统计方法考察夏令时切换前后的车辆碰撞死亡，同时考虑时间和空间异质性。
人体生物钟的季节性调整被夏令时打乱
调查和纵向数据表明，人体生物钟的季节性调整被一年两次的时钟调整打乱，而在这种情境下，光照时间与季节变化存在混杂。