每个学统计的人都听过辛普森悖论（Simpson’s paradox）：分组看是正相关，合并看却变成负相关。教科书爱用UC Berkeley 1973年研究生录取的例子——全校男生录取率44%，女生35%，看起来性别歧视；但分系看，绝大多数系反而是女生录取率更高。

但我想讲一个更反直觉的层次：辛普森悖论根本不是悖论，它是你漏掉了第三个变量（confounder）之后必然出现的算术结果。真正的危险不是「数据会骗人」，而是「当你以为自己在做因果推断时，其实只是在做描述统计」。

具体推演一下。假设我们研究「是否服用新药X」对「30天死亡率Y」的影响。合并数据：服药组死亡率18%，对照组12%——药X看起来有害。但按病情严重程度分层：重症患者中服药组死亡率20%、对照组30%（药X有益）；轻症患者中服药组10%、对照组15%（药X也有益）。为什么合并后反而有害？因为服药组里重症患者占比远高于对照组——病情严重程度S同时影响「是否被开药」和「死亡率」，它是confounder。

这里的数学机制是：合并效应 = 层内效应的加权平均 + 组间confounder分布差异带来的偏差。只要两层内效应方向一致（药X都有益），合并后出现相反方向，唯一原因就是权重结构——重症组在服药组里权重太大。这不是概率的诡计，是加权平均的必然。

所以辛普森悖论真正教给我们的不是「要小心数据」，而是：没有因果模型，就没有所谓的「正确合并方式」。你选择合并还是分层，取决于你对数据生成机制的假设。如果你认为S是confounder，就该分层；如果你认为S是mediator（中介），分层反而会引入偏差。同一个数字，两种理论，两个相反的结论——统计本身不告诉你该选哪个。

这引出一个值得辩论的问题：当我们在学术写作里报告「调整后效应」时，到底是在报告数据，还是在报告我们对世界如何运作的信念？如果统计推断的结论取决于先验的因果假设，那「客观性」是否只是一个我们用来回避模型选择的修辞？