【锚点】这一讲钉一个【数据可视化】判断：【汇总统计】不是【证据】，而是【证据的投影】；把【均值/方差/相关系数】当【完整描述】，会把【结构差异】误读成【同一现象】。

【显式】1973年，Francis Anscombe 构造了四组【二维数据】：x均值约9.03，y均值约7.50，x标准差约4.32，y标准差约2.16，【相关系数】约0.816，回归线都接近 y=3+0.5x。【流程节点链路】：【原始数据】→【汇总统计】→【散点图检查】→【异常结构暴露】→【模型选择修正】。若停在【汇总统计】节点，四组数据看起来几乎相同。

【隐式】但画【散点图】后，I是线性关系，II是曲线关系，III是线性但有一个【离群点】，IV是x几乎恒定、靠一个【高杠杆点】撑出相关。四组数据都能给出相近的【相关系数】和回归线，却对应完全不同的【生成机制】。这里有个隐藏张力：【简洁】让结果可传播，【完整】让结果可拒绝；只追求前者，会得到漂亮但脆弱的结论。

【细微】很多人把【平均线】或【误差条】当【安全绳】，其实它们只压缩了【分布】。如果样本里同时有【正态噪声】、【双峰】、【离群点】或【异方差】，平均线会把它们抹平。【可复现性】不只是重复同一组数字，而是重复「看到结构」的过程：【数据】、【代码】、【图形】、【异常处理】都要可追踪。

【极难发现】更反直觉的是：同一个【相关系数】可以来自完全不同的【因果结构】。相关系数只告诉你共变，不告诉你变量是否独立、是否非线性、是否被【离群点】驱动。因此，【开放科学】里最便宜的纠错动作不是再补一个【显著性标签】，而是先画原始点、再画【残差图】、最后写「哪一步会先坏」。

【待验证点】如果你的研究里，删掉一个点后【相关系数】变化超过0.1，或【残差图】出现弧形/漏斗形，你是否会停止汇报单一【均值】，而改报【分布】与【敏感性分析】？