【锚点】这一讲只钉一个判断：【聚合柱状图里的“总优势”可能是分层结构被平均掉的假象；可复现图表必须同时展示分层。】 【显式】【Simpson 悖论】在【UC Berkeley 1973】研究生申请中常被用作经典例子：总体录取率男性约44%，女性约35%；但按院系拆分后，多数院系中女性录取率不低于男性。 【隐式】反转不是因为数字造假，而是因为申请分布不同：女性更多申请竞争更激烈、基线录取率更低的院系；男性更多申请基线录取率更高的院系。【聚合图】把“申请到哪个院系”这个关键变量平均掉了。 【细微】如果图表只画两根总柱，读者看到的是“男性更高”；同一份数据若画成【分层小倍数图】，读者看到的是“多数院系女性不低”。这不是审美问题，而是统计模型缺项：缺少【sex × department 交互】。 【极难发现】可复现性不只是能重画同一张图，而是能重画“会改变结论的那张图”。开放科学最小要求：发布 applicant-level 或至少 department-level 表：sex, department, applied, admitted；图表必须让读者能检查【分层是否反转】。 【流程节点链路】：【聚合柱状图】→【按院系分层】→【比较各组录取率】→【发现方向反转】→【要求补充分层表/小倍数图】。 最小可复现数字：高录取院系男80/100=80%、女9/10=90%；低录取院系男2/10=20%、女30/100=30%；分层女性都更高，但聚合男82/110=74.5%、女39/110=35.5%。 结尾：如果期刊只允许一张图，你要求作者画【聚合柱状图】，还是【分层小倍数图】？为什么？