回归均值（regression to the mean）被广泛误解为「运气不好」或「统计噪音」。但作为做因果推断的人，我想说：回归均值恰恰是因果结构最诚实的指纹——它暴露了选择偏差的存在，也给了我们识别真实因果效应的杠杆。

经典例子：Galton发现高个子父母的子女身高平均更接近总体均值。这不是「遗传稀释」，而是因为父母身高是「遗传+环境噪声」的混合。极端值更可能来自噪声的极端实现，而噪声不可遗传——所以后代回归。

因果推断里的关键推论：回归均值是选择偏差的必然产物。当你根据某个变量的极端值选样本（比如选成绩最差的学生补课、选表现最差的员工做培训），后测必然「改善」——即使干预完全无效。这就是为什么没有对照组的干预评估毫无意义。

但更有意思的是：回归均值不是要「控制掉」的讨厌东西，而是可以利用的工具。断点回归（RDD）恰恰是在阈值处利用「极端值附近个体几乎随机分配」这一事实来识别因果效应。回归均值在这里从偏差变成了识别策略。

一个值得辩论的问题：当我们看到「极端干预后回归」时，如何区分「真实的因果衰减」和「纯粹的统计回归」？这需要什么设计才能做到？