1.3 挑战与悖论：辛普森悖论与混杂初现

1.3 挑战与悖论：辛普森悖论与混杂初现

本节摘要：辛普森悖论指总体上的关联方向与各分层内的关联方向相反。本节用一份完整可复算的数字表拆解它，说明它不是统计把戏，而是权重结构的产物；并进一步指出，单靠数据无法判定该信总体结论还是分层结论——这正是引入因果图的动机。

一个能整除的辛普森数据

某院两种肾结石疗法，追踪 700 名患者。疗法 B（微创）在"小结石"和"大结石"两个病人组内成功率都更高，但汇总后反而更低。数字如下，每格都可手工复算。

分层内 A 赢两层，合计 B 赢。方向翻转的机制完全透明：医生倾向把病情轻（小结石、好治）的病人分给 B，把难治的大结石病人推给 A。B 组里塞满了"本来就容易好"的小结石患者，于是总成功率被抬高；A 组被难病例拖累。两组内的"病人构成权重"差异，大到盖过了真实的疗效差。

图：辛普森悖论数字结构与权重翻转

数据之外：该信哪一张表

真正的问题现在才出现：作为决策者，该给病人推荐哪种疗法？数据本身给不出答案，因为"信分层还是信总体"取决于结石大小是不是混杂因子，而"混杂因子"的判定需要因果知识：

• 若结石大小影响疗法选择、且本身影响成功率（医学上确实如此），它是混杂因子，应信分层结论：A 更好。
• 构造另一个场景：按"术后第几周出院"分层，两疗法在各层内 A 均更高，但这时分层变量本身是结果的一部分（恢复快才早出院），总体结论反而才是对的。同样形状的数据，正确的读法相反。

同一个统计结构，两种相反的决策——这是本节最想留下的印象。辛普森悖论不是要你"永远分层看"，而是逼你承认：没有因果假设，连聚合方式都无法选择。数据不是中立的，聚合就是一次隐含的因果表态。

三个著名变体

伯克利录取率（1973）。 整体上男性录取率 44% 高于女性 30%，看似歧视女性；按院系分层后，多数院系内女性录取率不低于男性。翻转原因：女性更多申请竞争激烈、录取率低的院系。这里"申请的院系"扮演了结石大小的角色。事后结构分析表明分层结论更接近因果故事，但争议本身恰好说明因果判断必须来自数据之外的机制知识。

航空准点率。 某航空公司在自己主基地机场准点率更高，对手在同样机场更低，但在"全部机场"汇总后排名反转——对手飞的多是小机场（天然准点率高）。同一个机制换了个行业皮。

辛普森反转的代数条件。 用权重语言概括：设两个层内差 Δ1、Δ2 同号，但两组在各层的样本占比 p1、p2 差异悬殊，加权后总体差 = Σ w·Δ + 权重错位项。只要"层内优势小的那层占了对方样本大头"，翻转就会发生。它不需要小概率巧合，只需要分配机制与分层变量相关——这正是观察性研究里无处不在的选择性。

混杂因子的三个候选定义及其漏洞

辛普森悖论把我们推到"什么是混杂因子"这个定义面前。历史上流行过三个版本，各有漏洞：

前两个定义只依赖数据，注定兜不住对撞结构这种"数据长得像混杂、实则一控制就坏"的角色。结构论胜在无歧义，代价是必须先画出因果图。这正是下一章的全部内容：把"共同原因、对撞、中介"这些角色精确化为图上的局部形状。

⚠️ 实务提醒：看到分层反转，第一反应不该是"数据有问题"，而应是"谁决定了层内构成"。在 A/B 实验里按事后变量（如是否转化）分层，几乎必然制造人为的辛普森结构——分层变量必须是处理前就确定的量。

自测与变式练习

变式一：构造一个自己的辛普森数据。 取两组各 100 人：层一处理组成功率 90%、控制组 80%；层二处理组 60%、控制组 50%。让处理组 90% 落在层二（难治层）、控制组 90% 落在层一。算总体：处理组 ≈ 0.1×0.9+0.9×0.6 = 0.63；控制组 ≈ 0.9×0.8+0.1×0.5 = 0.77。层内处理恒优 10 个点，总体反转。手工构造一遍，权重机制的印象比读十遍都深。

变式二：判断该控不该控。 电商数据中"会员身份与消费额"的关联，怀疑混杂变量候选有：注册时长、浏览活跃度、收入水平。三者都是处理前变量且同时影响入会与消费——都该进调整集候选。反之"是否使用会员专享券"是入会的后代，控制它会吸收掉部分待估效应——不该控。用第 2.2 节四问流程逐个过一遍，正好衔接下一章。

边界提醒： 辛普森悖论与"辛普森反转"并非只在分层数据出现，回归中加入与处理相关的协变量、加权样本 survey 权重变动时，系数方向都可能翻转，机制同源——权重结构变了，而权重背后是选择机制。

与辛普森机制同族的两个现象

其一伯克森悖论：只看入选样本（医院病人、录用员工、上架商品）时，两个独立变量会呈现负相关——选择条件本身就是对撞点。它与辛普森共享"条件化改变关联结构"的内核，只是一个发生在分层维度、一个发生在样本筛选维度。其二可压缩性悖论：某个分层变量使层内与总体结论一致，但换一个聚合权重（如按人头而非按院系汇总）结论仍会翻转——说明"聚合方式"本身就是未声明的分析决策。两者共同的教学意义：报告任何关联结论时，样本从哪来、按什么权重聚合，都必须和系数一起交代。

本节要点回顾

• 悖论机制：层内关联方向一致、总体反转，根源是两组在各层的构成权重错位，不是小概率事件。
• 数据无中立聚合：信总体还是分层取决于该变量是否混杂因子，而这是因果判断，数据自身无法回答。
• 变体同构：录取率、准点率等案例共享"分配机制与分层变量相关"这一骨架。
• 混杂定义之辨：关联论会被对撞因子欺骗，结构论（共同原因）才是无歧义版本——通向第 2 章的因果图。