在统计学里，有一个概念被误解得最深，却又在因果推断中扮演着最隐蔽的角色：回归到均值（regression to the mean）。

1886年，弗朗西斯·高尔顿（Francis Galton）测量了父母与子女的身高，发现了一个反直觉的现象：高个子父母的子女，平均身高比父母矮；矮个子父母的子女，平均身高比父母高。他称之为「回归到平庸」（regression to mediocrity）。这不是生物学在起作用，而是纯粹的统计现象：测量值由「真实值」加「随机误差」构成，极端观测往往包含了较大的误差成分，因此下一次观测会趋向中心。

这个统计事实的因果推断后果是灾难性的。最经典的案例是「体育画报诅咒」：登上《体育画报》封面的运动员，下一个赛季表现往往下滑。媒体喜欢把它归因于「自满」或「分心」，但真相是：封面运动员之所以上封面，是因为他们刚打出了生涯最佳赛季——而生涯最佳赛季本身就包含了运气成分。回归到均值解释了这一切，不需要任何心理机制。

更隐蔽的版本出现在医学和公共政策中。1970年代，美国联邦政府推行了「安全带立法」，随后交通事故死亡率下降。立法者宣称这是政策的功劳。但批评者指出：死亡率在立法前已经在下降，立法只是恰好发生在回归的路径上。要区分「政策效应」和「回归效应」，你需要对照组的反事实——这正是因果推断的核心难题。

我见过太多「效果评估」把回归到均值误认为干预效应。一个班级在标准化考试中垫底，校长引入新教学法，下次考试班级成绩提升——这是「教学法有效」还是「回归到均值」？如果你只看前后测差异，你永远无法区分。

这里有一个值得辩论的问题：当回归到均值的效应量（Cohen’s d）可以高达0.3-0.5时，有多少发表在顶刊上的「干预效果」其实只是统计幻觉？如果我们要求所有干预研究都报告「安慰剂组」或「回归对照」的效应量，有多少结论会崩塌？