4、观察性研究中的偏差：选择偏差、混杂偏差、测量偏差，辛普森悖论

好，咱们进入第四章。说实话，这一章是因果推断里最容易踩坑的地方。我见过太多人，模型跑得飞起，结果一上业务就被打脸。为什么？因为数据里的偏差没处理好。

观察性研究不像随机实验，我们不能控制谁进实验组、谁进对照组。数据就摆在那，但背后藏着各种“陷阱”。今天我就把最常见的几种偏差掰开揉碎了讲清楚。

4.1 选择偏差：你的样本不代表总体

选择偏差，说白了就是你选的数据“有毛病”。样本不能代表你想研究的总体。

我遇到过的一个真实案例： 某产品要做用户留存分析，只看了“活跃用户”的数据。结果发现留存率高达90%。但一算全量用户，留存率只有30%。为什么？因为那些已经流失的用户根本没出现在活跃用户名单里。这就是典型的选择偏差。

常见的几种选择偏差：

• 幸存者偏差： 只看到“幸存”下来的样本，忽略了“阵亡”的。比如只分析成功案例，不看失败案例。
• 自选择偏差： 用户自己决定是否参与。比如愿意填问卷的用户，本身就和不愿意填的用户不一样。
• 剔除偏差： 处理数据时，不小心把某些关键群体删掉了。比如只保留“完整数据”的记录，可能把缺失值多的用户全扔了。

4.2 混杂偏差：第三变量的干扰

混杂偏差是因果推断的头号敌人。它指的是存在一个第三变量，同时影响原因和结果，导致我们误以为两者有因果关系。

举个例子：冰淇淋销量和溺水人数正相关。难道吃冰淇淋会导致溺水？当然不是。背后的混杂变量是“天气”——天热了，大家既爱吃冰淇淋，又爱去游泳，游泳的人多了，溺水自然就多了。

我个人习惯用“因果图”来识别混杂变量。 画一个简单的有向无环图（DAG），把变量之间的关系标出来。如果某个变量同时指向“处理变量”和“结果变量”，那它大概率是混杂变量。

处理混杂偏差的常见方法：

• 分层分析： 按混杂变量分层，每层内分别分析。比如按年龄分层，看不同年龄段的效果。
• 多变量回归： 把混杂变量作为协变量加入模型。
• 倾向性评分匹配： 用倾向性评分把实验组和对照组匹配起来，模拟随机实验。
• 工具变量法： 找一个只影响处理变量、不影响结果变量的工具变量。

4.3 测量偏差：数据不准，一切白搭

测量偏差，就是数据本身有问题。你测量到的和真实情况不一样。

我举个例子：用户满意度调查。用户填的分数是5分，但实际体验可能只有3分。为什么？因为用户可能碍于面子，或者懒得认真填。这就是测量偏差。

常见的测量偏差类型：

• 回忆偏差： 用户记不清过去的事。比如“你上个月买了什么？”——大概率记不全。
• 社会期望偏差： 用户倾向于给出“社会认可”的回答。比如问“你读书多吗？”大部分人都会往高了说。
• 测量工具偏差： 测量工具本身不准。比如用不同版本的埋点代码，统计出来的数据可能不一致。

4.4 辛普森悖论：数据会骗人

辛普森悖论，是我觉得最反直觉的一个现象。它说的是：整体趋势和分组趋势完全相反。

举个经典的例子：

你看，在小医院和大医院里，治疗B的成功率都更高（90% vs 80%，50% vs 20%）。但合起来看，治疗A的成功率反而更高（60% vs 53.6%）。为什么会这样？

因为样本量分布不均匀。治疗A在小医院做了100例（小医院成功率高），治疗B在大医院做了100例（大医院成功率低）。合起来时，大医院的低成功率把治疗B的整体数据拉低了。

怎么避免辛普森悖论？

• 先分层，再汇总： 不要只看整体数据，先按可能的混杂变量分层分析。
• 理解数据生成过程： 搞清楚数据是怎么来的，哪些因素会影响分组和结果。
• 使用因果推断方法： 比如用倾向性评分匹配，消除混杂变量的影响。

知识体系总览

下面这张图，我把本章的核心逻辑画出来了。你一看就明白：

这张图把四种偏差的关系理清了。你想想看，选择偏差、混杂偏差、测量偏差是三种独立的偏差类型，而辛普森悖论其实是混杂偏差的一种特殊表现形式。搞懂了这些，你在做用户增长归因时，至少能避开80%的坑。