法学证据法里有一条不成文的直觉：如果一个人第一次犯罪后表现良好，说明改造有效；如果一个人第一次庭审表现失常、第二次恢复正常，说明第一次的异常是「真实状态」。这套直觉在统计学上有一个精确的名字——回归均值（regression to the mean），而它在法学推理中被系统性低估了。

Francis Galton 在 1886 年研究豌豆种子大小时首次系统描述了这一现象：极端值在重复测量中天然倾向于向均值靠拢，这不是因为任何因果机制，而是因为测量误差和随机波动的数学必然。后来的教育心理学研究（如 Daniel Kahneman 在《思考，快与慢》中引用的飞行教官案例）反复证明：人类——包括专业裁判——会把「随机波动」误读为「因果效应」。

为什么这对法学是重锤？考虑量刑中的再犯风险评估：一个罪犯因极端暴力行为被重判，服刑后表现良好，假释委员会倾向于将其归因于「改造成功」。但回归均值告诉我们：一个在极端事件中被观测到的人，即使什么都不做，后续行为也大概率会向个人基线回归。同理，目击证人的极端自信陈述——「我百分之百确定」——在第二次询问时即使完全独立，也更可能趋于保守。

结构因果模型（Pearl, 2009）给这个现象一个更锋利的表述：回归均值不是「噪声」，而是一个由选择机制（selection mechanism）产生的伪相关。当我们因为 Y 的极端值而选择样本（比如因为暴力犯罪而入狱的人），Y 的后续观测值必然与选择变量相关，而这种相关不携带任何因果信息。法律推理中「以行为推断倾向、以倾向推断再犯」的链条，恰恰建立在这个被选择机制污染的关联上。

一个值得辩论的问题：如果回归均值在再犯预测中如此根本，我们是否应该重新审视「加重处罚」的正当性？——当极端行为部分源于随机波动，用极端行为本身作为加重处罚的依据，是否在惩罚统计学噪声而非犯罪意图？