回归与相关：两把尺子量数据

做数据观察时，经常碰到一个问题：两个变量摆在一起，到底该算相关系数，还是跑回归？很多人随手选一个，结果解释起来别扭。其实这两把尺子量的是不同东西——相关看的是同步程度，回归看的是变化关系。

先看一个常被引用的例子。某城市统计了十年居民人均可支配收入和人均消费支出，算出来相关系数0.98。这个数说明两者高度同步：收入高的年份，消费也高。但相关系数不会告诉你，收入每增加1元，消费平均增加多少。要回答这个问题，就得做回归。用简单线性回归拟合，斜率大约是0.7，意思是收入每多1元，消费平均多0.7元。相关给方向感，回归给具体刻度。

两者的计算逻辑也不一样。相关系数对变量一视同仁，把x和y互换，结果不变。回归则分自变量和因变量，互换后方程完全不同。比如气温和用电量，相关系数能告诉你两者负相关——气温越高，用电越少（取暖需求下降）。但如果你想知道气温升高1摄氏度，用电量平均下降多少度，只能靠回归。反过来，把用电量当自变量去预测气温，在统计上也能跑出一个方程，但现实意义为零。这就是回归的“方向性”约束。

另一个容易混淆的点是量纲。相关系数是无量纲的，永远落在-1到1之间，所以适合跨数据集比较。比如你可以说，收入与消费的相关性（0.98）比气温与用电量的相关性（-0.85）更强。但回归系数带量纲，收入用元、消费也用元，斜率0.7就是“元/元”；如果收入换成万元，斜率变成7000，数值变了，含义没变。做数据观察时，比较回归系数大小之前，先确认单位是否一致。

在实际的走势解读中，两者常常配合使用。一个典型流程是：先画散点图，算相关系数，判断有没有线性关联；如果相关系数绝对值够大（比如超过0.7），再跑回归，量化边际影响。但要注意，相关系数低不代表没关系。 Anscombe四组数据是经典反例：四组数据的相关系数都是0.816，回归线也几乎相同，但散点图形态截然不同——一组是线性，一组是曲线，一组有离群点，一组是垂直线加一个远点。只看数字不做图，容易得出错误结论。

更隐蔽的陷阱是把相关当因果。某研究发现，冰淇淋销量和溺水人数相关系数达到0.9。回归一下，冰淇淋销量每增加1万支，溺水人数增加约3人。但这显然不是冰淇淋导致溺水，而是夏季气温同时推高了两者。做预测时，如果忽略这种共同驱动因素，回归方程在样本外就会失效。一个实用的检查方法是：加入控制变量（比如气温）后，看原变量的回归系数是否大幅缩小甚至变得不显著。

回到开头的收入消费例子。如果只用相关系数，你能说“收入与消费高度同步”，但不能说“收入增长会带动消费增长”。后者需要回归，而且最好用面板数据控制个体效应，或者用工具变量处理内生性。数据观察的价值不在于给出一个万能答案，而在于根据问题选对工具。相关回答“是否一起动”，回归回答“动多少、往哪动”。两者不是替代关系，而是先后关系。

最后提一个操作建议：下次拿到两个变量的时间序列，先算差分后的相关系数，再跑差分后的回归。因为原始数据往往有共同趋势，直接算相关会虚高。比如两个独立的随机游走序列，相关系数经常超过0.8，但差分后接近0。这一步能帮你避开不少伪回归的坑。