数据分析中与常识相悖的例子 在现实生活中，我们常常会遇到这样一种现象，当尝试研究两个变量是否具有相关性的时候，会分别对此进行分组研究。 然而，在分组比较中都显示非常有优势的一方，在总评时却成了失势的一方。直到 1951 年，英国统计学家 E.H.辛普森发表论文对此现象做了描述解释，后来人们就以他的名字命名该现象，即辛普森悖论。 思考下，辛普森悖论为什么成立？ 辛普森悖论的原理 下面给出辛普森悖论的数学原理： 从数学表达式上，我们可以看出，对 a、b、c、d 四个变量，分成 1 组和 2 组，在 1 组比率占优势的情况下，总体占优势却不成立。 看一个例子：抖音 6 月与 7 月活跃人群得活跃时长对比，发现男性活跃时长上升，女性也上升，但是整体上 7 月活跃时长比 6 月降低是什么原因？ 从数学表达式上，我们可以看出，对 a、b、c、d 四个变量，分成 1 组和 2 组，在 1 组比率占优势的情况下，总体占优势却不成立。 看一个例子：抖音 6 月与 7 月活跃人群得活跃时长对比，发现男性活跃时长上升，女性也上升，但是整体上 7 月活跃时长比 6 月降低是什么原因？ 为了让结果更直观，我做了一个数据图，不是很标准，但是足以解释。 假设 6 月，活跃男生占比 20%，使用平均时长 1.2h；活跃女生占比 80%，使用平均时长 1.5h，则可以计算 6 月整体使用时长为 1.44h。同理，假设 7 月，活跃男生占比 60%，使用平均时长 1.3h；活跃女生占比 40%，使用平均时长 1.6h，则可以计算 7 月整体使用时长为 1.42h。 这样就可以非常清晰地看出，7 月比 6 月男女生的平均观看时长确实增加了，但是整体的反而降低，问题出现在活跃男女生的比例上。 所以，上述抖音案例的解释，应该是 6 月活跃人群女性占比较大，而七月男生占比较大，虽然 7 月男女生观看时长都增长了，但是由于一天 24 小时，除掉工作吃饭睡觉时间，男女生活跃时长的提升幅度并不是很大，这样就导致，虽然 7 月男女生活跃观看时长都有提升，但是整体 7 月的活跃时长低于 6 月，本质还是活跃人群结构男女比例发生变化。 所以在运营的时候，在活跃时长增长幅度有限的条件下，如果想增加整体的时长，先保证人群结构中女生占较大比例，再引导男女行增长活跃时长。 如何避免出现辛普森悖论 关于如何避免出现辛普森悖论，我个人觉得，辛普森悖论无法完全避免的，很多问题，完全依靠统计学推导因果关系无法实现。就拿生产环境数据来说，虽然我们做了各种画像，但是其他分类方式依然存在，理论上的潜在变量会无穷无尽。 我们能做的，就是仔细认真地研究各种影响因素，不要笼统概括地看问题， 本文来源：https://www.wddqw.com/doc/4f9355f33286bceb19e8b8f67c1cfad6195fe92d.html