同一组数据，两种读法：统计常识对比

同一张折线图，两个人能读出完全相反的结论。这不是谁不诚实，而是统计常识里最常见的分歧：我们盯着的往往是同一个点，却忘了它周围还有一片区间。

先说点估计和区间估计。某市公布上月失业率为5.2%，前一个月是5.0%。如果只看这两个数，很容易写成“失业恶化”。但统计局同时给出抽样误差范围，5.2%的置信区间可能是4.8%到5.6%。两个月的区间大幅重叠，意味着这点变化完全可能是抽样波动。国家统计局每月发布的城镇调查失业率，样本覆盖约12万户，这个规模下0.2个百分点的跳动属于正常范围。把点估计当铁板钉钉的事实，是最常见的误读。

再看走势和预测的区别。走势是已经发生的数据连成的线，预测是从这条线往外推的延长线。很多人看图时把两者混为一谈。比如某平台月活用户从1月的8000万涨到6月的1.1亿，半年增加3000万。如果按这个斜率直接外推，年底就是1.4亿。但真实数据往往不是直线：2023年某短视频应用的月活在上半年增长12%，下半年只增长3%，因为新增用户触顶、获客成本上升。走势告诉你过去发生了什么，预测则依赖假设，而假设会变。看任何带预测的图表，先找那条延长线是用什么模型画的，比看结论更重要。

相关与因果的混淆，是另一个高频陷阱。有观察发现，冰淇淋销量高的月份，溺水事件也多。两个数据确实同步上升，但原因不是冰淇淋导致溺水，而是夏天到了。统计上，这叫遗漏变量。再比如某城市地铁客流与空气质量指数呈负相关：客流越高，空气质量指数越低。听起来像地铁改善了空气，实际更可能是下雨天——下雨压低空气质量指数，同时把更多人赶进地铁。相关系数只能说明两个数据一起动，不能说明谁推动谁。要判断因果，至少需要控制变量、找自然实验，或者看时间先后。

口径和基期同样能改变结论。2023年某省公布GDP增长5.5%，用的是不变价；如果换成现价，可能只有3%出头。同一份数据，按可比口径和按公布口径能差出两个百分点。基期选择更微妙：2022年基数低，2023年增速自然好看；把基期换成2019年，曲线立刻平缓。看任何同比数据，先问一句“跟谁比”。国家统计局在发布CPI时同时给出同比和环比，就是因为单看一个会失真。

这些常识落到日常看图，可以变成三个习惯。第一，看到点估计先找误差范围，没有区间就默认它不精确。第二，看到走势先问拐点在哪，别把最近三个月的斜率当永久趋势。第三，看到两个数据同步，先列出可能的第三种解释，再决定要不要说“导致”。

统计不是给结论盖章，而是给不确定性标价。同一组数据，读法不同，结论不同。把区间、口径、基期和因果这四件事放在手边，很多看似惊人的发现，会回到它本来的大小。