回归与相关：入门者常踩的三个坑

去年冬天，我翻到一份城市用电数据：某小区连续30天，空调耗电量和室外温度几乎同步涨跌，相关系数0.87。有人马上说，温度每升1度，耗电增加2.3度——这就是典型的把相关当成了回归。相关说的是“一起动”，回归说的是“怎么动、动多少”。两件事挨着，但不是同一件事。

先看相关。它的核心是一个数：相关系数r，取值在-1到1之间。r=0.87，意味着两个变量的走势高度同向；r=-0.6，说明一个涨另一个倾向于跌；r接近0，那基本各走各的。注意，r只捕捉线性关系。我见过一组数据，x是1到10，y是x的平方，画出来是一条漂亮的抛物线，但r算出来是0。因为相关没看到曲线，只认直线。所以拿到一个相关系数，先别急着下结论，把散点图拉出来看一眼，比什么都强。

回归则是另一套动作。它要拟合一条线，常见的是y = a + bx，然后用x去预测y。还是用电那个例子，如果真做回归，会得到截距a和斜率b，b的解读是：其他条件不变时，x每变动一个单位，y平均变动b个单位。但这里有个门槛——回归假设x是自变量、y是因变量。相关是对称的，x和y换位置，r不变；回归不对称，你拿温度预测耗电，和拿耗电预测温度，得到的是两条完全不同的线。

第一个坑，是把相关直接翻译成因果。有份数据我印象很深：某城市冰淇淋销量和溺水人数，相关系数0.79。难道是冰淇淋把人推进水里？显然不是。背后是第三个变量——气温。天热，买冰淇淋的人多，游泳的人也多。做数据观察时，看到两个走势贴合，先问一句：有没有隐藏的共同驱动因素？这一步不做，后面所有解读都可能跑偏。

第二个坑，是只看回归系数，不看R方。R方衡量的是模型解释了因变量多少波动。比如用广告费预测销售额，R方=0.15，意味着广告费只解释了15%的销售变化，剩下85%来自定价、季节、竞品等。这时候哪怕回归系数显著，拿它做预测也心里没底。我一般会盯三个数：R方、样本量、p值。样本少于30，R方再高也得多留个心眼。

第三个坑，是忽略异常值对回归线的拉扯。举个具体数字：10个点的数据，9个点大致沿着y=x走，第10个点是(100, 0)。加上这个点，回归线斜率能从1掉到0.3左右。一条线被一个点带偏，预测自然跟着歪。处理办法不复杂：先画图，标出偏离超过2倍标准差的点，再决定是剔除、分段还是换稳健回归。别小看这一步，很多看起来矛盾的结论，源头就是几个没处理干净的极端值。

那什么时候用相关，什么时候用回归？我的习惯是：如果只是想看两个指标有没有同步的迹象，先算相关，快速筛一遍；如果目标明确是拿一个变量去预测另一个，那就上回归，但同时把R方和残差图一起看。残差图能暴露不少问题——如果残差呈现喇叭形，说明误差方差不恒定，这时候的预测区间会失真。

回到开头那个用电例子。后来我们补了湿度、工作日/周末两个变量，回归的R方从0.61提到0.84。温度依然是显著变量，但单独用温度做预测，误差比多变量模型大了将近一倍。数据观察这件事，往往不是找一个万能指标，而是不断把混杂因素拆开。相关帮你发现线索，回归帮你量化关系，两者配合，预测才不至于变成猜。

最后说一句实在话：相关系数高不代表能预测，回归显著也不代表因果关系成立。拿到任何一组走势，先画图，再算数，最后问一句“还有没有别的解释”。这三步做完，大部分入门级的坑，都能绕过去。