1886年，Francis Galton发表了一篇关于亲子身高的论文，里面藏着一个让整个统计学界花了一百年才消化干净的洞见：高个子父亲的儿子平均比父亲矮，矮个子父亲的儿子平均比父亲高。Galton把这叫做「回归到平庸」（regression to mediocrity），后来成了「回归」这个词的来源。

但请注意一个被反复讲错的细节——这不是「均值回归」在起作用，而是「条件期望」在起作用。儿子的期望身高不是父亲的身高，而是父亲身高与总体均值之间的一个加权平均。Galton发现回归系数大约是2/3：父亲每高出均值1个标准差，儿子的期望身高只高出2/3个标准差。

这个2/3不是数学巧合，它由两个东西决定：遗传力（heritability）和测量误差。如果遗传力是1，回归系数就是1——儿子完全复制父亲。如果遗传力是0，回归系数就是0——儿子完全回到均值。现实中的0.67意味着：极端的身高里，大约1/3是「运气」，不会传给下一代。

这个框架的真正威力在于它戳穿了一个最普遍的认知陷阱：你把任何极端表现当成「可复制的特质」，然后观察「回归」，就误以为干预有效或无效。

经典案例是Daniel Kahneman在《思考，快与慢》里讲的飞行教官故事：教官说「表扬之后学员表现变差，惩罚之后表现变好」——这完全是回归均值的幻觉。表扬和惩罚都没有因果效应，学员只是在极端表现后自然向均值回归。

更隐蔽的版本出现在医学和经济学里：给血压最高的人用药，血压下降——你以为是药效，其实可能只是回归。给成绩最差的学生补课，成绩上升——你以为是教学有效，其实可能只是回归。

真正的统计学问题是：在什么条件下，观察到的变化可以归因于干预，而不是回归？答案不是「做个随机对照实验」这么简单——RCT只能保证两组在基线可比，但如果你只挑出基线极端的那一组分析，回归均值照样污染你的效应估计。

解决之道是「基线调整」（baseline adjustment）：把基线值放进模型，估计的是「给定基线水平下的条件效应」。但这又引入了一个新的陷阱——Lord’s Paradox告诉我们，ANCOVA和变化分数分析会给出相反的结论，而哪个对取决于你的因果问题。

所以我的问题是：在一个充满回归均值的世界里，我们如何区分「真实的因果效应」和「向均值的幻觉回归」？当你的样本量不够大、基线测量有误差、干预恰好针对极端人群时，是不是任何「显著效应」都值得怀疑？

这不是一个数学问题，是一个认识论问题。Galton的2/3不是要我们接受宿命论，而是要我们学会在噪声中辨认信号——而大多数时候，我们看到的信号只是均值在回归我们。