在教育评估里，我们常做一件事：用入学成绩预测期末成绩，然后告诉学生「你的潜力被低估了」。但这里藏着一个教科书级别的计量陷阱——逆向回归（regression to the mean），以及它的近亲「选择偏差」。

举个具体例子。假设某门课的真实能力 X ~ N(0, σ²)，考试分数 Y = X + ε，测量误差 ε ~ N(0, τ²)。如果我用第一次考试分数 Y₁ 挑选「高潜力」学生（前10%），那么这些学生的 Y₁ 里混入了大量正的测量误差。第二次考试时，他们的平均分必然向总体均值回落——不是因为不努力，而是因为误差不重复。

更反直觉的是：如果我用 Y₁ 和 Y₂ 做回归 Y₂ = α + βY₁，β 的估计值不是1，而是 σ²/(σ²+τ²) < 1。也就是说，即使能力完全稳定，回归系数也必然小于1。很多教育研究者看到 β<1 就宣布「均值回归效应」，但真正的因果问题是：β 里混杂了测量误差的衰减偏误（attenuation bias）。

解决办法不是没有：用工具变量（比如入学考试的另一个平行版本作为 Y₁ 的工具）、或者用结构方程模型分离测量误差。但在实际评估报告里，我几乎没见过有人这么做。

更值得追问的是：如果「潜力评估」本身就建立在有偏的回归系数上，那么我们对「后进生逆袭」「优等生滑坡」的叙事，有多少是统计幻觉？当学校用这些回归做资源分配时，误差项不是噪声，而是被系统性地误读成了学生的特质。

值得辩论的问题：当测量误差不可避免时，教育政策应该优先追求回归系数的无偏估计，还是应该接受有偏但更「公平」的分配规则？