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:

场景:某公司违章率 8%,这算高吗?

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

看分布只需要三个词
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
坑:均值会骗人

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

电力场景对照:判断变压器过载

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。

比喻:体检报告 vs 单看一个数

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。

实操:异常阈值怎么定

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。

场景:数据发现"考勤偏差大的公司,违章率也高"

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。

比喻:冰淇淋与溺水

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

看到"相关",先问三个问题再谈对策
  1. 会不会是反的?(违章多 → 抢工 → 考勤乱)
  2. 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)
  3. 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。

电力场景对照

"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。

特别提醒:大模型也爱编因果

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"。

场景:A 公司违章率 33%,B 公司 5%,A 比 B 差 6 倍?

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。

同样 20% 的违章率,含义完全不同
公司作业数(分母)违章数违章率该怎么报
A 公司5120%报"1 起违章",不要报 20%
B 公司50010020%报"20%",这个数字站得住
电力场景对照:继电保护的采样

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

最小样本量:分母低于这个数,只报绝对数

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"。

比喻:抛 3 次硬币

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。

看到数字先问这三句
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
本附录回顾:读完你应该能回答

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)

读完本附录,问大模型(复制可用)
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。
下一步去哪儿

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。