在生物医学研究中，我们真正关心的终点指标往往需要较长的时间或者较多的花费才能观测到，因此一个好的替代指标(或称代理变量)经常能使我们更快地对疗效作出判断.至今，对替代指标的评价已经有了Prentice的统计代理准则、Rubin的主代理准则、Lauritzen的强代理准则等方法.在本文中，我们指出这些准则都有可能导致分布因果作用下意义下的“代理悖论”的现象，即当处理对替代指标有正的分布因果作用而替代指标又对终点指标有正的分布因果作用时，处理却有可能对终点指标产生负的因果作用.我们用一个实例说明这种现象在实际中有可能引起严重的后果.为了避免代理悖论，我们提出分布一致代理和严格分布一致代理的新准则，在这个准则下，处理对代理的非负(正)的分布因果作用和代理对终点的非负(正)的分布因果作用可以推出处理对终点的非负(正)的分布因果作用.在Lauritzen的强代理因果图下，我们证明一类比广义线性模型和Cox模型更加一般的模型可以保证替代指标的严格分布一致性，并且给出了一个一般分布下分布一致代理的几乎充分必要条件.最后，我们对Prentice准则下的代理评价作了一些讨论，给出了二值变量时一致代理的条件，并导出了线性模型下处理变量对替代指标的因果作用与处理变量对终点指标的因果作用之间的关系。