序列的错觉」的教材。但这里有一个更狠的问题：原始研究把【投篮】当成独立伯努利试验，忽略了【防守强度、体力、出手质量、比赛节奏】这些状态变量。若命中率是上一状态函数，则条件概率不等于边际概率；用总体命中率做基准，可能把真实状态依赖平均掉。

【隐式】把热手改写为演化生物学里的【适合度景观】：球员的【当前状态】（体力、信心、防守注意力）会改变下一球期望适合度。热手不是「上一球命中导致下一球命中」的超自然因果，而是状态在时间上自相关。观测到的独立样本只是把状态轨迹压扁成0/1序列。

【细微】关键不是「有没有热手」，而是【估计量是否匹配生成过程】。如果生成过程是 Markov state S_t, shot outcome Y_t | S_t，而分析只比较 P(Y_t=1 | Y_{t-1}=1) 与 P(Y_t=1)，那么当 S_t 与 Y_{t-1} 相关但 S_t 未被测量时，条件概率会被稀释。Miller 与 Sanjurjo 对条件概率基准的再审视也提示：在有限序列中，用总体命中率作为「无热手」基准，可能本身就有测量偏差。这就是【测量债务】：看似可复现的零效应，可能只是模型欠拟合。

【极难发现】真正反直觉的是：即使【热手】效应很小，只要它稳定存在，联赛的【轮换、换人、教练暂停、防守策略】就会围绕它演化。行为经济学里把它叫「偏差」，演化生物学里应叫【被选择压力擦平的局部适应】。我们看到的「没有热手」，可能是环境已经快速响应，把热手的红利消耗掉了。

可检验推论：若热手是状态依赖，则【同一名球员在不同防守压力下的命中率差】应大于【不同球员之间的总体命中率差】；且热手证据应集中在【高杠杆时段】（比分接近、体力下降、防守强度变化）而非全赛季平均。若未来数据在控制防守强度与出手质量后仍为零，那【热手谬误】才从测量问题变成认知问题。

值得辩论的问题：我们是否把太多「人没有能力」的结论，误当成「世界没有规律」的证据？