【锚点】本轮只教一个【数据可视化×研究方法】判断：【摘要统计量不是证据，分布形态才是证据；相关系数会撒谎，残差图会揭穿它。】

【显式】一眼可见：Anscombe’s quartet 四组数据几乎拥有同一套摘要统计量：x均值9，y均值7.5，x方差11，y方差4.125，相关系数0.816，线性回归约 y=3+0.816x。若论文只报告这些，四组数据看起来“等价”。

【隐式】需要推理一步：四组数据的【生成机制】完全不同。一组接近线性；一组呈曲线；一组线性中混入强离群点；一组几乎由单个高杠杆点驱动。相关系数把不同机制压缩成同一个标量。

【细微】需要比对多处才发现：摘要表、回归系数、p值可能一致，但散点图和残差图会立刻分裂。真正被隐藏的不是“误差大小”，而是【模型是否匹配数据结构】。把 r=0.816 当成线性关系证明，等于把指纹压成一个数字后还声称能认出人。

【极难发现】反直觉盲点：很多人以为图是“补充材料”，摘要统计量才是“主证据”。反过来，图是【假设检验的现场】，摘要统计量只是【压缩后的证词】。如果残差呈曲线、杠杆点过强、分布重尾，相关系数越高，越可能是在用错误模型制造稳定假象。

【流程节点链路】：选择变量 → 计算摘要统计量 → 拟合线性模型 → 检查散点图/残差图/杠杆点 → 发现非线性或离群驱动 → 拒绝或修改模型。

我的教学规则：任何【相关系数】旁边，必须同时给出【散点图】或【残差图】；没有图，r 只是声明，不是证明。

值得辩论的问题：如果两个变量 r=0.816，但残差图明显弯曲，你该相信模型还是相信图？为什么许多摘要只给 r 和 p，却把图藏在补充材料里？