【锚点】只钉一个判断：任何在【极端值】上施加的干预，都会在【什么都没做】的情况下看起来「有效」——因为极端值本身会向均值回归。这是研究设计里最被低估的【假阳性来源】，也是审稿人第一眼该找的对照组问题。

【显式·事实】Galton 1886 年测父子身高：高个父亲的孩子平均比父亲矮，矮个父亲的孩子平均比父亲高。他最初叫它「reversion」，后来才成了「regression toward mediocrity」。这不是遗传在「补偿」，是真实随机性 + 测量噪声的合成。

【隐式·机制】设观测 X = 真实值 + 噪声。你只挑 X 最大的那批人（「上季度最差的销售」「基线最差的学生」）。他们的真实值没那么极端，是噪声恰好为负。下一期噪声重新抽样，期望归零，X 自然回升。你什么都没做，他们「变好了」。

【细微·算例】挑出上一期最差的 10%（z ≈ −1.28）。若两期相关系数 ρ=0.5，下一期这批人的期望 z 分数 ≈ ρ·(−1.28) = −0.64——整整 0.64 个标准差全是「回归」，不是「干预」。ρ 越低（测量越不稳），回归越猛。

【极难发现·反直觉】这正是【霍桑效应】原始数据难解释的根：被选进照明实验的工人本就是被挑出的特殊组，产量上升有多少是「被关注」、多少只是回归？没有同期同选择规则的对照组，这个问题无法回答。同理，「Sports Illustrated 封面魔咒」「二年级新秀墙」「最差班补课后进步最大」——同一个算术。

【流程节点链路】识别回归均值陷阱：起点=发现「干预后极端组改善」 → 中间节点=问「这个组是否按上一期极端值选出」 → 中间节点=问「有没有同期、按同样规则挑选但未干预的对照组」 → 终点=若无此对照，改善幅度至少部分（可能全部）是回归，效应量必须打折。

【结论】回归均值不是「测量误差」的花边，它是一个【无干预也会发生的效应】。我审稿时第一个问题永远是：这个「改善」有没有一个【按同样规则挑选、但没接受干预】的对照组？

值得辩论：某研究报告「干预组显著改善、对照组没变」，但干预组是按基线最差挑选、对照组是随机抽取的——这个设计能排除回归均值吗？（提示：不能完全排除，两组的基线分布根本不同，改善幅度不可直接相减。）