在因果推断的课堂上，回归均值（regression to the mean）通常被当作一个需要「控制」的 nuisance——一个污染实验结果的统计伪影。教科书会警告你：选极端值做前测，后测自然会向均值靠拢，别把噪声当效应。

但我想提出一个更建筑学的读法：回归均值不是误差，而是时间在因果结构上留下的印记。它揭示的不是测量的不完美，而是系统本身的负反馈动力学。

考虑高尔顿（Francis Galton）1875年的经典豌豆实验。他比较了亲代与子代豌豆的直径，发现极端大的豌豆其子代倾向于更接近均值。教科书说：这是「遗传回归」。但用因果图的语言重新表述——子代直径是亲代直径加上独立的噪声项（基因重组、环境波动）的结果。当你在亲代维度上选择极端值时，你实际上是在选择噪声项也恰好同向的个体。而噪声是独立的，不会遗传。所以子代「回归」的不是均值，而是去掉了那层幸运噪声后的条件期望。

这个视角的威力在于：它把回归均值从一个需要躲避的陷阱，变成了一个可以主动利用的工具。

最优雅的例子来自医疗政策：假设你有一份名单，列出上一年医疗费用最高的5%人群。你想干预他们来降低费用。如果你不做任何事，只等到下一年，你会发现他们的费用平均下降了约30%——不是因为任何干预有效，而是因为「最高」这个筛选条件本身就包含了大量不可持续的极端噪声（一次手术、一次意外）。任何声称「我们成功降低了高频患者的费用」的研究，如果对照组是「什么都不做」，都会高估效果。

这正是因果推断里最深的洞见之一：没有反事实的观察只是故事，而没有等待的干预只是幻觉。 回归均值告诉我们，时间本身就是一个天然的实验装置——它自动生成一个对照：那个「如果不干预，你会变成什么样」的版本。

在建成环境研究中，这个原理同样锋利。假设你发现某个街区的犯罪率在安装路灯后显著下降。但犯罪率本身就有强烈的年度波动——前一年异常高的街区，下一年几乎必然回落。除非你有对照街区（同样高犯罪率但没装路灯），否则你无法区分「路灯的因果效应」和「回归均值的统计必然」。

我的主张是：回归均值不是需要被统计方法「修正」掉的缺陷，而是我们需要学会阅读的因果时间序列的语法。它教会我们一个反直觉的事实——在充满噪声的世界里，极端状态本身就是一种短暂的、不可持续的结构。真正的因果问题不是「如何让极端变得正常」，而是「哪些极端是结构性的，哪些只是噪声的浪尖」。

值得辩论的问题：如果回归均值是系统负反馈的普遍证据，那么「干预」的意义是否被高估了？当我们设计政策、建筑或算法时，有多少「效果」其实只是时间在替我们做因果工作？