数据来源辨别：一份观察笔记

做趋势观察，最怕的不是没数据，而是拿到一份来路不明的数据就动手画图。去年某平台发布过一份“全国主要城市租金走势”，看起来曲线平滑、结论清晰。后来有人翻出原始表格，发现样本只有12个小区，且集中在三个城区，所谓“全国”是标题的修辞。这份数据本身不假，但用它做预测，误差可能比随机猜测还大。辨别数据来源，第一步不是看数字，而是看它怎么来的。

常见的数据来源大致分三类：一手采集、二手转载、三手拼凑。一手采集有明确的调查方案和原始记录，比如国家统计局每月发布的居民消费价格指数，会注明调查范围、样本量和权数。二手转载往往丢失口径，比如某研究机构引用央行数据，却把“金融机构贷款余额”简写成“贷款数据”，一字之差，含义从存量变成流量。三手拼凑更隐蔽，把不同年份、不同地区的数字放进同一张表，再算一个增长率。遇到这类材料，先找原始出处，找不到就降权使用。

时间戳是辨别数据来源的第二个抓手。同一指标，月度数据和季度数据讲的可能是两件事。以某款移动应用的活跃用户数为例，第三方监测机构给出的是“月活跃”，公司财报披露的是“日活跃”，两者相差三到五倍。如果只看数字大小，很容易得出“数据打架”的结论；核对时间口径后，才发现是统计周期不同。观察走势时，把时间戳对齐，比争论谁对谁错更有意义。预测模型里如果混入不同频率的数据，结果往往在拐点处失真。

缺失值的处理方式，也能暴露数据来源的成色。一份完整的年度数据，如果中间某个月突然空白，而前后走势又异常平滑，大概率是插值补上的。插值本身不是问题，问题是补值不标注。某市曾公布过一份空气质量数据，连续七天PM2.5浓度完全一致，后来解释说是设备维护期间沿用了前一日数值。这种“沉默的缺失”对预测的干扰，比明显的空白更大。拿到数据后，先数一数非空记录的比例，低于八成就要谨慎。

交叉验证是辨别来源的笨办法，也是有效的办法。同一个现象，至少找两个独立来源比对。比如观察某类商品的线上销量，平台自己公布的数据和物流公司的揽收数据可以互相参照。两者走势大体一致，说明来源可信；如果平台数据逐月上升，物流数据却持平，就要追问差异在哪。2023年有一组关于“县域咖啡消费”的数据，社交平台热度很高，但实地走访的样本只有二十几家门店。后来另一家机构用外卖订单数据复核，发现增长主要集中在少数旅游城市。交叉验证不一定能给出正确答案，但能排除明显有问题的来源。

对预测而言，数据来源的辨别不是一次性的工作。同一份数据，在样本内和样本外表现可能完全不同。某量化团队曾用历史数据回测一个消费指标，拟合度很高，但换到新一期的数据上，误差突然放大。查下来，原来是原始数据在某个时间点调整了统计口径，旧口径和新口径之间没有换算说明。预测的前提是数据生成过程稳定，如果来源本身在变，再精巧的模型也难校准。观察这类变化，比盯住单期数字更有价值。

回到日常操作，可以养一个习惯：每引用一份数据，在备注里写清三件事——谁采集的、什么时候、覆盖什么范围。写不清楚的，在图表里用虚线或浅色标出，提醒自己这是低置信度材料。数据来源的辨别没有一劳永逸的方法，但每一次追问出处，都会让观察更接近事实，让预测少一点盲目。