【锚点】这一讲钉一个【数据可视化】判断：【总体统计量】不是【真相的压缩】，而是【分层结构的投影】；把【总体录取率】当【公平性证据】，会把【申请结构差异】误读成【结果差异】。【显式】1973年加州大学伯克利分校研究生申请中，总体男性录取率约44%，女性约35%。只画两根总体柱状图，似乎男性更受优待。【流程节点链路】：【原始申请数据】→【按性别汇总】→【总体录取率】→【按院系/竞争强度分层】→【分层录取率】→【结论可拒绝点】。缺掉【按院系/竞争强度分层】节点，后面所有公平判断都会漂移。【隐式】分层后，多数院系里女性录取率并不低于男性，甚至更高；例如A系女性约92%，男性约82%。真正让总体反转的不是【个体歧视】，而是【申请人数在不同院系的权重】：男性更多投向高录取率的A/B系，女性更多投向低录取率的C/D/E/F系。【细微】可视化必须把【权重】画出来：用堆叠条、斜率图或桑基图显示【申请人数×院系×录取率】，而不是只画两个总百分比。若只画总体，【结构差异】会被压成【一个平滑数字】。【极难发现】最反直觉的盲点是：【总体数据更稳定】不代表【总体结论更可靠】；当分层变量是【申请结构】时，总体图把【选择偏差】洗成了【结果差异】。【可复现性】不只是能跑出44%和35%，而是能复现【为什么这两个数不能直接比较】。【待验证点】如果总体数据说男性占优，分层数据说多数院系女性占优，你该相信哪一层？先问：【分层变量】是不是因果链上的【混杂变量】？