神医的盲区：一个让国王差点选错人的数据陷阱

📖 虾哥数据寓言 · 第1期

每一则寓言的背后，都藏着一个数据分析的核心概念。你不用背公式，听完故事就懂了。

我是虾哥，在连锁零售行业做IT，搞数据搞了半辈子。说实话，数据分析最难的从来不是写代码跑模型，而是——

你看着数据说"这不很明显吗"，然后发现答案刚好相反。

今天开一个新专栏，用寓言故事讲数据分析的专业概念。我不保证你看完就能当数据科学家，但我保证你再也不会被报表上的总数字唬住。

第一个故事，说的就是这种"看着对、其实全错"的陷阱。

寓言：《神医的盲区》

在古老的云泽国，爆发了一场可怕的"黑鳞瘟疫"。这种瘟疫极为诡异，病患的皮肤会逐渐长出黑鳞，若不及时救治，便会危及生命。

国王为了拯救子民，下令在全国寻找最顶尖的医师，并承诺将治愈率最高的医师封为"护国神医"，掌管全国的医疗大权。

经过层层筛选，最后只剩下两位声名显赫的候选人：青木医师与烈火医师。

为了公平起见，国王给他们一个月的时间，让他们各自在京城设立医馆接收病人。一个月后，皇家学士将统计他们的治愈结果。

期满之日，皇家学士在大殿上向国王呈交了《总账册》。

学士大声宣读："陛下，结果已经出来了。这一个月内，两位医师各自接诊了一千名黑鳞病患。青木医师，治愈了 820 人，整体治愈率高达 82%！烈火医师，治愈了 545 人，整体治愈率仅有 54.5%。"

国王一听，大喜过望。差距如此悬殊，高下立判。他站起身来，准备将代表最高荣誉的金针赐给青木医师："青木医师的医术远超烈火医师，护国神医非你莫属！"

就在这时，一位常年在皇家书库深居简出的老算师拄着拐杖走了出来。

"陛下，请慢。"老算师叩首道，"若您选青木医师，云泽国的百姓恐怕要遭殃了。因为无论病人病得轻还是病得重，烈火医师的医术都远在青木医师之上。"

大殿内一片哗然。国王皱起眉头："老算师，你糊涂了吗？82%和54.5%的差距，连三岁孩童都分得清！"

老算师不慌不忙地翻开《总账册》的附录，说道："陛下，您只看了总账，却没有看'分账'。这黑鳞病，其实分为'初染'（轻症）和'病入膏肓'（重症）两种。让我们拆开来看看这两位医师的成绩吧。"

老算师指着账册上的明细，缓缓念道：

🍃 初染者（轻症）：

青木医师接诊了900个轻症，治愈了810个，治愈率是 90%

烈火医师接诊了100个轻症，治愈了95个，治愈率是 95%

→ 在轻症上，烈火医师胜。

🔥 病入膏肓者（重症）：

青木医师接诊了100个重症，只治愈了10个，治愈率是 10%

烈火医师接诊了900个重症，治愈了450个，治愈率高达 50%

→ 在重症上，依然是烈火医师大胜！

国王彻底愣住了，满脸不可置信："这怎么可能？！烈火医师在治轻症时比青木厉害，治重症时也比青木厉害，为什么把他们治病的总人数加在一起算总账时，烈火的治愈率反而比青木低了那么多？！"

老算师叹了口气，指着门外排队的病患说："陛下，您看看两位医师医馆的位置就明白了。青木医师的医馆开在繁华平坦的南城，来找他的，绝大多数（900人）都是刚得病、很容易治好的轻症患者；而烈火医师的医馆开在贫苦且疫病爆发源头的北城，抬到他那里去的，绝大多数（900人）都是濒死的重症患者。"

"烈火医师接手了绝大多数必死的危局，并奇迹般地救回了一半；而青木医师只是顺手治好了那些本来就容易痊愈的人。总账册上的数字并没有撒谎，但它蒙蔽了您的双眼。"

国王恍然大悟，惊出一身冷汗。若不是老算师拦着，他差点就把全国的重症病患交给了一个治愈率只有10%的庸医。

概念解析：辛普森悖论

在这个寓言中，我所讲述的是数据分析和因果推断中一个非常经典且危险的现象——辛普森悖论（Simpson's Paradox）。

1. 什么是辛普森悖论？

在数据分析中，当我们把数据分组研究时，在每个小组中都呈现出某种趋势或结果（例如：烈火医师在轻症和重症组的表现都优于青木医师）；但是，当我们把这些小组合并在一起看总体数据时，这个趋势却神秘地消失了，甚至发生了完全的逆转（例如：总体治愈率上，青木医师反而远高于烈火医师）。

2. 故事里的数据，拆给你看

🍃 青木医师（总治愈率 82%）

轻症组：治愈810 / 接诊900 = 90%

重症组：治愈10 / 接诊100 = 10%

🔥 烈火医师（总治愈率 54.5%）

轻症组：治愈95 / 接诊100 = 95%（95% > 90%，烈火胜）

重症组：治愈450 / 接诊900 = 50%（50% > 10%，烈火胜）

看到了吗？分组看，烈火全赢；合起来看，青木大胜。这就是辛普森悖论的威力。

3. 为什么会这样？

在高级数据分析和因果推断中，辛普森悖论的本质是忽略了"混杂因素"（Confounding Variable）。

在故事中，这个混杂因素就是"病情的严重程度"。它同时影响了两个东西：

❶ 影响了结果——重症本身治愈率就低，这是客观事实

❷ 影响了分配——烈火医师因为地理位置或名气，接诊了不成比例的超大量重症患者（900 vs 100）

当我们在做数据分析时，如果仅仅看"边缘分布"（总账），而不去控制混杂因素看"条件分布"（分账），就会得出完全相反的荒谬结论。

4. 现实中有多常见？

辛普森悖论不是学术圈的脑力游戏，它是实际工作中实实在在的坑：

🏥 医学实验：A药总体有效率更高，但分年龄段看每一段都不如B药

🧪 A/B测试：新版按钮总体点击率高，但分设备看（移动端/桌面端）两版都一样

💰 绩效评估：张三总业绩最好，但分产品线看每一条线都是李四更强

📊 推荐算法：新算法总体CTR更高，分用户群看却全面落后旧算法

5. 怎么不被坑？

研究生级别的数据分析师不能仅仅停留在"跑出总体平均数"，必须具备因果思维（Causal Thinking）。下结论之前，做三件事：

❶ 分层分析——按可能的混杂因素（年龄段、设备、产品线、病情程度）把数据切开看

❷ 检查分布——各组样本量是否悬殊？烈火医师接了900个重症，青木只接100个

❸ 回归调整——用统计学方法消除混杂因素的干扰，找真正的因果关系

虾哥想说的是——国王犯的错，我们每天都在犯。打开一份报表，看总数，下结论，拍板决策。直到有一天你把数据切开看，才发现一切刚好相反。

下次看到一组漂亮的总数字，先别急。问问自己：分账长什么样？

这就是《虾哥数据寓言》第一期。你还碰到过哪些"看着对、实际反"的数据陷阱？留言区聊聊。

👇 关注亮虾哥 👇

连锁零售IT老司机 | 非程序员用AI省80%时间

每天一篇AI干货，让AI替你打工 🦐

💬 评论区聊聊：你碰到过哪些"总数和分账打架"的真实案例？

#数据寓言 #辛普森悖论 #数据分析 #因果推断 #虾哥数据寓言 #统计学