20 把结果读成一句人话（以及为什么必须画图）· 九步

实验一：四份统计量完全相同的数据

1973 年，统计学家 F. J. Anscombe 造了四组数据，每组 11 个点。它们的均值、标准差、相关系数、回归线、R² 全部相同。下面这台把它们画出来，并当场算了那些统计量：

数据集	x 均值	y 均值	相关 r	回归线	但它其实是
I	9.00	7.50	0.816	y = 3.0 + 0.5x	正常的线性关系＋噪声
II	9.00	7.50	0.816	y = 3.0 + 0.5x	一条完美的抛物线
III	9.00	7.50	0.816	y = 3.0 + 0.5x	一条完美直线＋一个离群点
IV	9.00	7.50	0.816	y = 3.0 + 0.5x	x 只有两个取值，整条回归线由一个点决定

如果你只报统计量，这四份数据的报告会一字不差：「x 与 y 存在较强正相关（r = 0.816），线性回归显示 x 每增加 1 单位，y 增加 0.5 单位。」

而这句话对第 II、III、IV 组都是错的：II 组的关系是二次的，III 组的相关完全由一个离群点撑起，IV 组更极端——去掉那个 x=19 的点，剩下 10 个点的 x 全是 8，相关系数无法定义。

这就是 Step 8.2 为什么单独占一条（visualize the data, results, models and patterns）：可视化不是给报告配图，它是一种检验手段。你在第 8 章那个散点图里看到「点云是弯的」，就是这种检验的成果——它直接导致了第 11 章的对数变换。

◆ 三个必画的诊断图（画完再写结论）

目标 vs 每个重要特征的散点图。看形状（直线？弯的？分层？），看有没有单点撑起整条关系。
回归的残差图（预测值 vs 残差）。理想是一团没有形状的云。如果呈喇叭形 → 异方差；如果有弯曲趋势 → 你漏了一个非线性项。这一张图能让 8.4 的「结果可靠性」讨论立刻有内容。
分类的概率分布图（按真实类别分开画预测概率的直方图）。两个峰分得开 → 模型有信心；重叠严重 → 阈值怎么定都会有大量错分。它比 ROC 更直观地解释「为什么召回和精确率不能兼得」。

实验二：同一列数据，两个符号

现在换一种被骗的方式。下面这台对示例数据里的每个数值列做了三件事：算它与目标的相关系数、单独放进回归模型看系数、七列一起放进去看系数：

列	与 u5mr 的相关 r	单独入模的系数	七列一起入模的系数	标准化后（每 1 个标准差）
每千人医生数	−0.748	−45.7	+2.496	+0.59
人均 GDP	−0.674	−0.006499	+0.0007032	+1.06
清洁水覆盖率	−0.829	−1.255	−0.4336	−4.17
疫苗覆盖率	−0.778	−1.231	−0.3273	−3.01

看第一行：医生密度与死亡率的相关系数是 −0.748（医生越多，死亡率越低），单独进模型的系数是 −45.7（同一个方向）。但七列一起放进去，它的系数变成了 +2.496 —— 正的。

如果你照着这个系数写解释，会写出：「模型显示增加医生密度会提高儿童死亡率。」这句话会毁掉整份报告的可信度，而它完全是「照着输出写」的结果。

为什么会这样：共线性

第 12 章已经给出了线索：七个特征的第一主成分独占 70% 的方差，说明它们讲的是同一件事——人均 GDP 高的地方，医生多、水干净、识字率高。相关矩阵里这些列之间普遍在 0.7 以上。

当 GDP、清洁水、识字率、城镇化率已经把「发展水平」这件事解释掉之后，剩给医生密度的只是残差里的一点边角——而那点边角的方向可以是任意的。它甚至可能捕捉到一个反向机制：医生多的地方也可能是因为那里病人多、疾病负担重。

正确的写法：

8.3 解释（节选）

在单变量层面，医生密度与 5 岁以下死亡率呈显著负相关
（r = −0.748）。但在纳入全部七个特征的多元回归中，其偏回归
系数变为正（+2.50）。这一符号反转是共线性的典型表现：七个
特征的第一主成分已解释 70.0% 的总方差（见 4.1），说明它们
共同刻画同一潜在维度「综合发展水平」。当经济与基础设施变量
已进入模型后，医生密度的偏效应不再具有独立的解释意义。

因此本报告的解释限定如下：
· 本模型用于预测与排序，不用于因果推断；
· 单变量层面的相关性可用于描述（「医生稀少的地区风险更高」），
  但不可解读为「增加医生将降低死亡率」这一因果主张；
· 若需回答后者，应采用第 14 章所述的增量响应建模或准实验设计
  （见 9.4 未来增强）。

⚠ 顺带说：原始系数不能互相比大小

上表第三列里，人均 GDP 的系数是 +0.0007，医生密度是 +2.496。看起来医生密度的影响大了三千倍——其实完全没有可比性，因为一个的单位是「每 1 美元」，另一个是「每 1 人／千人」。

要比大小，就看标准化系数（第四列：系数 × 该列标准差，含义是「该列变化 1 个标准差时目标变化多少」）。这时才看得出真正最有力的两列是清洁水覆盖率（−4.17）和疫苗覆盖率（−3.01）。

报告里给标准化系数还有一个额外好处：它天然对应「相对重要性」，可以和决策树的特征重要度并排比较——两个来自完全不同算法的排序如果一致，你的结论就有了双重证据。

8.3 的四句话模板

把 Step 8.3 写成四句话，每句一个层次。这个结构能防住绝大多数解释错误：

层次	句式	本例
① 事实	模型输出是什么	「模型在测试集上召回 0.967、精确率 0.678（阈值 0.15）；前 20% 名单覆盖 45.9% 的未达标地区，提升度 2.36。」
② 模式	它抓到了什么结构	「风险主要由人均 GDP 划出的一条门槛决定（约 1 200 美元）；门槛之上，疫苗覆盖率是否达到 71% 成为区分因素。」
③ 业务含义	决策者该怎么做	「贫困地区需基础投入，仅提高疫苗覆盖不足以达标；中等收入地区的边际收益集中在疫苗服务上。名额建议全部投向前两个等分，第三等分起停止。」
④ 边界	这个结论在哪里不成立	「本模型不支持因果推断（共线性见上）；训练数据为 2015–2023 年 6 个地区，外推至未观测地区需按地区分组交叉验证重估；若统计口径变化，需重新校准阈值。」

第 ④ 句是很多人不敢写的，但它恰恰是加分项。「Critical Thinking」那条毕业生能力（LO 里 4、5 都指向它）要的就是这个：你知道自己的结论到哪里为止。一份没有局限性讨论的报告，读起来像推销；有局限性讨论的，读起来像研究。

8.5 迭代：把回头的痕迹留下来

第 2 章已经讲过这一节的价值，这里给一个具体的、可以照抄的写法——它把这本书前面几章的发现串成了一条链：

8.5 Iteration

本项目在解释阶段共触发三次回溯：

第一次（→ Step 3.1）：2.3 的相关矩阵显示 rate_reported 与目标
相关系数达 0.9998。返回 3.1 核对其定义，确认为目标变量的同源
记录，予以排除。排除前的模型准确率为 0.986、AUC 0.999，属
目标泄漏所致的虚高。

第二次（→ Step 3.2）：首轮采用全局中位数填补 literacy，模型
在低识字率地区的召回偏低。检查发现该列缺失非随机（缺失组的
人均 GDP 系统性更低），改为按 region 分组填补，RMSE 由 6.42
降至 6.40，召回改善（见表 8.4-2）。

第三次（→ Step 6.3）：初始树深度取默认值，训练准确率 0.905
而测试准确率仅 0.799。扫描深度 1–8 后发现深度 2 已达最佳测试
表现（0.861），深度 3 起开始过拟合（树在与目标近乎无关的
spend 列上分裂）。最终采用深度 2。

本报告呈现的是第三轮结果；前两轮指标见附录 B。

这一段有三个特点值得模仿：每次回溯都写清「谁触发的 → 回到哪一步 → 改了什么 → 指标怎么变」；三次回溯覆盖了三个不同的步骤（3.1、3.2、6.3）；并且诚实地把第一轮那个更好看的 0.986 写出来并解释为什么不要它。

▣ 本章交付物 —— 报告里放什么

1. Step 8.2：三张诊断图（特征散点、残差图或概率分布图、ROC 或增益图），每张配「观察 + 因此」的图注。

2. Step 8.3：四句话模板（事实 → 模式 → 业务含义 → 边界），约 250 字。

3. 共线性声明（若出现符号翻转）：上面那段模板。附标准化系数表，并与树的特征重要度并排比较。

4. Step 8.4：基线对比、指标选择理由（第 18 章）、代价敏感性（第 18 章）、稳定性检查（第 17 章的方差）、局限性清单。

5. Step 8.5：迭代记录，每次一段四要素。至少写一次，最好三次。

这一章的一句话

四份统计量完全相同的数据长得完全不同（所以必须画图），而同一列数据单独入模系数 −45.7、七列一起入模变成 +2.5（所以不能照着系数写因果）——Step 8.3 按「事实 → 模式 → 业务含义 → 边界」四句话写，第四句最不敢写，也最值分。

下一章是 Step 9：假设这个模型真的要用起来。谁来用、多久重训、怎么发现它坏了——而「坏了」的方式可能会让你意外：准确率几乎没掉，精确率掉了 12.7 个百分点。