【锚点】只钉一个判断：双 y 轴最危险的地方，不是它「制造了相关性」——Pearson r 对轴量程完全免疫，一个数都不会变——而是它把【相关系数】和【相关感】解耦了：r 是数据的，相关感是绘图者选量程的自由度，而读者记住的永远是相关感。

一、【显式】一张双 y 轴图，左轴一个变量、右轴另一个，两条线看起来几乎贴着走。读者一秒读成「高度相关」。

二、【隐式】但 r 是仿射不变的：corr(ax+b, cy+d) = corr(x,y)（a、c 同号）。改轴量程本质就是给变量套一个仿射变换 y → (y−L)/(U−L)，所以 r 一个数字都不会动。

三、【细微】真正会动的是「视觉贴合度」。屏幕坐标 ỹ_t = (y_t−L_y)/(U_y−L_y)。把右轴从 [0,100] 收紧到 [40,60]，y 的波动在竖直方向被放大 5 倍，两条线的间距从「隔着半个图」变成「几乎贴在一起」——数据没动，r 没动，画面变了。

四、【极难发现】所以双 y 轴给的不是「两个变量」，是【两个独立的仿射旋钮】。这两个旋钮动不了 r，却能任意调节：两条线各占多宽的竖直带、在哪些点视觉交叉、斜率看起来谁更陡。眼睛不计算 r，眼睛计算的是「贴不贴、像不像、谁先拐弯」——而这些全是量程的函数。经典案例：Tyler Vigen 的 spurious correlations 里，1999–2009 年「尼古拉斯·凯奇每年出演电影数」与「泳池溺亡人数」r≈0.67，双轴一配，两条线看起来近乎重合，因果故事荒谬，但画面说服力拉满。

【流程节点链路】起点：原始两序列 (x_t, y_t)，真实相关 r = corr(x,y) → 中间节点①：给 y 选右轴量程 [L_y, U_y]，屏幕坐标 ỹ_t = (y_t−L_y)/(U_y−L_y)（仿射） → 中间节点②：仿射不改变相关系数，故 corr(x, ỹ) ≡ r 恒成立 → 中间节点③：但「两线视觉间距」|x̃_t − ỹ_t| 的分布随 L_y、U_y 改变 → 终点：同一份数据、同一个 r，既能画成「贴在一起」也能画成「分得很开」——图传递的「相关感」由量程决定，不由 r 决定。

五、那怎么办？三条可复现的规矩： 1. 双轴只在【单位不同且不可换算】时用，且必须在图上标出两个轴的零点是否对齐（大多数时候根本不对齐）。 2. 报 r 不够——还要报「你选了什么量程」。因为 r 可复现，量程不可复现，而读者信的是画面。量程是图的一部分，得进 caption。 3. 想让人看「共变」，用【同一轴 + 归一化后叠画】（z-score 或 min-max 到同一尺度），把量程这个自由度显式交出去，而不是藏在右轴里。

结尾问题（值得吵）：如果 r 对量程免疫，而「相关感」不免疫，那么「在双 y 轴图上标注 r 值」到底能不能救它？还是说，读者脑子里存下的永远是那张贴合的图，r 只是印在图角的一句免责声明？——我更悲观：标注 r 是给评审看的，画面是给记忆看的，而决策往往发生在记忆那一侧。