02 总有第三只手，在拧那个旋钮

▷ 先判一次

某医院数据显示：住进 ICU 的病人，死亡率是普通病房的十几倍。这个数字说明了什么？

A ICU 的治疗有问题，需要整改B 这是「病情严重度」造成的，ICU 本身的效果无法从这个数字判断C 应该比较「同样病情的人」在两种病房的死亡率D B 和 C 都对，而 C 恰好就是解决 B 的办法

这一题几乎所有人都能答对。有意思的是：同一个人，换个场景就会答错。本章末尾会把那个场景摆出来。

混淆的定义，只有一句

◆ 混淆变量

一个变量 C 是 X 和 Y 之间的混淆变量（confounder），如果它同时影响两者：

      C
    ↙   ↘
   X  →   Y

关键在那个「同时」。只影响 X 的东西不是混淆（第 19 章会看到，那种东西反而是宝贝）。只影响 Y 的东西也不是混淆（它只增加噪声，不制造偏差）。必须两边都伸手。

ICU 那个例子里，那只手是「病情严重度」：病情越重，越可能被送进 ICU（影响 X），也越可能死（影响 Y）。于是「ICU 死亡率高」这句话里，混着两样东西：ICU 的真实效果（大概率是救命的），和「进 ICU 的人本来就快死了」。

这里有一个细节值得停一下：混淆并没有让数据变脏。医院记录的死亡率是准确的，样本是全量的，统计是对的。脏的不是数据，是从数据到结论的那一步。

一根滑杆，把 + 拧成 −

光说不够。下面是一台世界机器，我在里面写死了三条箭头，其中 X→Y 的强度永远是 +0.30，不会动。滑杆只动 U→Y 那一支。

把滑杆从 0 拉到 2，你会看到这样一串数：

U→Y 强度    你从数据里看到的     真效应    控制 U 之后
─────────   ────────────────    ──────    ──────────
   0.0            +0.299         +0.300      +0.302
   0.5            +0.053         +0.300      +0.302
   1.0            −0.193         +0.300      +0.302
   1.5            −0.439         +0.300      +0.302
   2.0            −0.685         +0.300      +0.302

# 中间那一列一次都没动过。左边那一列跑了 0.98 个单位，还翻了号。

请仔细看最右边那一列：0.302，一动不动。只要你把 U 放进回归，不管那只手拧得多用力，你都能把真效应捞回来（0.302 与真值 0.300 之间那 0.002 是抽样误差，两万个样本剩下的零头）。

这就是本书前半本要建立的整个直觉：

◆ 观察到的关联 = 因果 + 后门

你在数据里看到的关联
    = 沿着【因果通路】流过来的部分       ← 你想要的
    + 沿着【后门通路】绕过来的部分       ← 混淆造成的

「后门」这个词第 10 章会给出精确定义。现在只要抓住画面：从 X 出发，有一条路是逆着箭头往上爬、绕到 U、再顺着箭头下到 Y。这条路和因果无关，但它照样会在数据里制造关联。

第二项的大小和符号，你从数据本身看不出来。上面那五行数据，光看第二列的话，从 +0.299 到 −0.685 都有可能，而真相一直是 +0.300。

「控制」这个词，到底在做什么

把 C 放进回归，通常被叫做「控制 C」或「调整 C」。这个词容易让人误解成「让 C 保持不变」，好像我们真的按住了什么东西。

更准确的画面是：在 C 相同的人里面比较。把所有人按 C 分堆——同样病情的人放一堆——在每一堆内部比 X 和 Y 的关系，最后把各堆的结果按堆的大小加权平均。这就是第 12 章的「调整公式」，而回归是它的一个连续版本。

为什么这样就能去掉后门那一项？因为一旦 C 被固定住，那条「X ← C → Y」的路就断了：在同一堆里，C 不再变化，它也就不再能同时推动两边。第 6 章会把这件事讲成一条通用规则。

✎ 术语正名：「控制变量」

「控制」（control）这个词在这里是统计学的用法，指的是「在回归里加一列」或者「分层后再比」。它和物理实验里的「控制变量法」（真的把温度按住不让它变）不是一回事，尽管中文用了同一个词。

这个词用坏了的地方在于，它暗示了一种主动性——好像你控制了它，它就乖了。实际上你只是在数据上做减法（第 18 章会把这个减法算给你看）。减错了地方，是会出人命的（第 11 章）。

▸ 在现实里

「用了我们 SDK 的 App，崩溃率更高。」——这句话大概率是真的，而且和 SDK 的质量关系不大：愿意接第三方 SDK 的往往是功能更复杂、迭代更快、依赖更多的 App，它们本来崩溃率就高。「App 的复杂度」是那只手。

「加班多的团队，交付质量更差。」——项目的难度同时决定了加班量和交付质量。

「参加了培训的员工，绩效提升更多。」——谁被选去培训？往往是本来就上升势头好的人。

这三句话有一个共同的形状：「谁接受了处理」不是随机的，而决定它的那个东西，同时也在影响结果。看见这个形状，你就看见了混淆。

✗ 这个直觉是错的

混淆会让估计「不准」，样本量够大就没事了。混淆造成的是偏差（bias），不是方差（variance）。方差随 √n 缩小，偏差完全不随 n 缩小。

上面那台机器，你把样本从两万加到两亿，−0.685 会变成 −0.6850000…，只是小数点后更多位的错。

这是「大数据能解决一切」这个信念最硬的一堵墙：数据量买的是精度，买不到无偏。第 14 章会把这两件事并排放在一张表上——随机化让偏差归零，样本量让方差缩小，它们各管各的，谁也替不了谁。

◇ 判词

DB 和 C 都对，而 C 恰好就是解决 B 的办法。

而那个「换个场景就会答错」的场景是这样的：

某编程语言的用户，代码缺陷率比另一门语言低 30%。所以这门语言更安全。

结构完全一样：语言的选择不是随机的（什么项目、什么团队、什么行业规范），而那些因素同时也在决定缺陷率。但因为这一次结论符合我们的偏好，那只手就变得很难看见了。混淆最危险的时候，不是它藏得深，而是结论正合你意。

A 「数据说 ICU 死亡率高，所以 ICU 有问题」——把「看」当成了「拨」。 B 对，但停在了「无法判断」。其实可以判断，只要 C 选对（第 10 章给条件）。 C 对，但它有一个隐含前提：你得先知道该按什么分堆。分错了会更糟——第 11 章有两个当场把对的变成错的例子。

这一章的一句话

混淆是一条结构上的通路，不是数据上的瑕疵；它不改变真效应，只改变你看到的那个数，而且再多的数据也不会让它自己消失。

下一章看一个更过分的版本：不是数字偏了，是方向整个翻过来。1973 年伯克利研究生院的录取数据，全校男性录取率 44.5%、女性 30.4%，差了 14.2 个百分点；而分系去看，六个系里有四个系女性的录取率反而更高。两句话都是从同一张表算出来的。