附录 C · 数据素养:别被数字骗了
数据素养:三个最容易踩的统计坑
你会算数、会做表、会汇报——但"会算"不等于"算对"。这份附录只讲三件事,全部用你自己的台账、光伏、违章数据举例:什么叫"这个数不正常"、为什么"相关不等于因果"、样本小的时候为什么别下结论。读完它,你的监控预警会少很多"瞎报警",汇报时也少很多被一句话问住的地方。
C.1 分布与异常:什么叫"这个数不正常"
先看一个你每天都会遇到的场景:
单看这个数,你没法回答。8% 高不高,取决于别人是多少、这家公司平时是多少。如果全公司平均是 6%,那 8% 只是略高;如果平均是 2%,那 8% 就很扎眼了。
这就是第一条:判断"异常"不能只看一个数,要看它在一群数里的位置。专业上把这个"一群数"叫分布。
C.1.1 三个够用的概念:均值、中位数、分位数
| 概念 | 人话 | 你的场景 |
|---|---|---|
| 均值(平均) | 所有数加起来除以个数 | 全公司平均违章率 |
| 中位数 | 从小到大排,正中间那个 | 一半公司比它高、一半比它低 |
| 分位数 | 排在百分之几的位置 | "超过 90% 的公司"就是 90 分位 |
假设 10 家公司,9 家违章率都是 2%,只有 1 家是 50%(比如那家这个月只报了 2 次作业、出了 1 次违章)。
均值 = (2×9 + 50) ÷ 10 = 6.8%——看起来"平均违章率不低",但这完全是被那一个极端值拉上去的。中位数是 2%,才真实反映"大多数公司什么样"。
结论:报"平均水平"时,均值和中位数都要看;只要两者差很多,就说明有极端值在捣乱,这时该去查那个极端值,而不是拿均值说事。
C.1.2 你其实早就在用这套方法
你不会看到某个瞬时电流超过额定值就喊"过载"——你会看它在历史负荷曲线里的位置:是持续偏高,还是尖峰一闪?是全年最高,还是夏季常态?
判断"某公司违章率异常"是同一件事:把它放到同类公司的分布里,看它排在第几档。你在电力上早就会了,只是没把它搬到数据上。
体检报告不会只写"你转氨酶 45",它会标出正常参考区间,还会告诉你"偏高/正常/偏低"。没有参考区间的数字,等于没有信息。
别拍脑袋定"超过 5% 就报警"。更靠谱的做法是:① 先算出历史分布 → ② 看 90 分位、95 分位在哪 → ③ 把阈值定在分位数上,比如"超过 95 分位才预警"。这样报警天然就是"百里挑一",误报会少很多。
注意:不同对象不能用同一把尺子量——作业量 10 次和 1000 次的公司,违章率不可直接比,原因见 C.3。
C.2 相关 ≠ 因果:最容易踩的坑
第二个坑更隐蔽,也更贵——因为它会让你整改错方向。
两个数一起动,能不能直接说"考勤乱导致违章"?不能。至少还有三种解释,而且它们往往更接近真相。
C.2.1 两个数一起动,有三种可能
图 C-1 "考勤差"和"违章多"同时出现,可能只是"管理松散"这一个原因的两个表现
第 ③ 种最容易被忽略,也最常见:两个现象同时出现,很可能是因为背后有同一个原因,而不是谁导致谁。这时候你去抓考勤,违章一点不会少。
数据会告诉你:冰淇淋销量越高,溺水人数越多——高度相关。但吃冰淇淋当然不会导致溺水。真正的第三个原因是夏天:天热→大家买冰淇淋,天热→大家去游泳。
"找第三个原因"这个动作,是数据素养里最值钱的一招。
C.2.2 一个能马上用的动作
- 会不会是反的?(违章多 → 抢工 → 考勤乱)
- 有没有第三个共同原因?(管理松散 / 项目集中交付 / 人员流动大)
- 会不会只是巧合?(样本太小,见 C.3)
三个问题都排除不掉,再谈"因果关系"和整改措施。这不是让你变谨慎,而是让你别把力气花错地方。
"变压器油温高"和"负荷高"高度相关。但如果你把油温当成原因去修冷却系统,而真正的原因是负荷——问题依然在。先分清因果方向,再动手。
你问大模型"为什么违章率上升",它大概率会给你一段听起来很有道理的因果解释——但那是它"编"出来的叙事,不是从你的数据里推出来的。这也是一种幻觉。
正确用法:让它帮你列出可能的原因清单,然后你用自己的数据去逐个验证,而不是直接采纳它的结论。
C.3 抽样与不确定性:样本小的时候别下结论
第三个坑,专门坑"排行榜"。
先看分母:A 公司这个月只有 3 次作业、出了 1 次违章 → 33%。B 公司有 1000 次作业、出了 50 次违章 → 5%。
能说 A 比 B 差吗?不能。A 只是"运气不好",多做几次作业,这个数字大概率会掉下来。
C.3.1 分母太小,比率就没有意义
这是最反直觉、也最容易出错的一条:同一个比率,分母是 3 还是 1000,可信度天差地别。
| 公司 | 作业数(分母) | 违章数 | 违章率 | 该怎么报 |
|---|---|---|---|---|
| A 公司 | 5 | 1 | 20% | 报"1 起违章",不要报 20% |
| B 公司 | 500 | 100 | 20% | 报"20%",这个数字站得住 |
继电保护判断故障,靠的是一段时间内的多个采样点。采样点太少,判据就不可靠,容易误动或拒动。
用 3 次作业算出的"33% 违章率"去通报,就是拿一个采样点去下判断——大概率误动。
C.3.2 一条能落地的规则
给自己定一条硬规则,比如 分母小于 30 时,只报"几起",不报"百分之几"。要报比率,就加一句限定:
1/3 起(样本过少,仅供参考) —— 比干巴巴一个"33%"诚实得多,也不会误伤一个其实没问题的小公司。
这条规则值得直接写进你的口径字典(见 8.6.5 节):指标定义里除了"公式、统计范围、豁免规则",再加一条"最小样本量"。
抛 3 次硬币,出现 2 次正面,你不会下结论说"这枚硬币有问题"。抛 1000 次出现 667 次正面,那才真有问题。次数少的时候,结果只是噪声。
C.4 一页自查清单
三个坑其实有一个共同点:都是"太快下结论"。下次看到一个数、一个比率、一个"发现",先过一遍下面这张表。
| 你看到的 | 先问自己 | 对应 |
|---|---|---|
| 一个数字("违章率 8%") | 跟谁比?分布长什么样?均值还是中位数? | C.1 |
| 两个数一起动("考勤差的公司违章也多") | 会不会是反的?有没有第三个原因?会不会只是巧合? | C.2 |
| 一个比率("33% 违章率") | 分母多大?够不够下结论?要不要只报绝对数? | C.3 |
① 为什么"均值"和"中位数"差很多时,要先去查极端值?② "考勤差"和"违章多"同时出现,除了因果还有哪两种解释?③ 分母只有 3 的时候,为什么不该报百分比?④ 这三条的共同点是什么?(都是太快下结论)
背景:电力工程师,数学生疏——公式照给、每式配一句直觉;工作涉及台账/违章/光伏/业财/监控。 我刚学完"数据素养:分布与异常、相关与因果、抽样不确定性",请: 1. 用"违章率"当例子,讲清为什么"看分布比看单个数字"更靠谱,并说明均值和中位数什么时候会差很多; 2. 给我一个"相关不等于因果"的电力/台账场景例子,列出至少两种其他解释; 3. 出 3 道题考我:一道考均值与中位数的差别,一道考"分母太小",一道考"第三个变量",先别给答案。 我答完后,请:① 逐题判对错并说明理由;② 指出我理解里的偏差或漏洞;③ 延伸一个我没问到但很重要的点。
这份附录是"读数字的方法"。要把它用起来,还需要两样东西:数据本身(把台账搬进数据库,见 第 8.6 章)和统一的口径(指标定义 + 统计范围 + 最小样本量,见 8.6.5 节口径字典)。三样凑齐,你的监控预警才算真正可靠。