回归与相关：数据故事的两条线

前阵子看一份消费数据，有人问：冰淇淋销量和空调销量相关系数0.89，是不是说明冰淇淋卖得好，空调就能多卖？这个问题恰好卡在相关与回归的分界线上。相关回答的是“两个变量是否同步变动”，回归回答的是“给定一个变量，另一个变量的条件均值是多少”。前者像看两个人是否总一起出现，后者像问其中一个人来了，另一个人大概几点到。

先看相关。常用的皮尔逊相关系数r，取值在-1到1之间。r=0.89意味着冰淇淋和空调销量呈较强的正向同步。但这个数字不包含方向，也不包含谁因谁果。更关键的是，它对非线性关系不敏感。比如施肥量和产量，在低施肥区间几乎线性上升，过了某个阈值反而下降，整体散点图呈倒U形，算出来的r可能只有0.3左右，但你不能说两者没关系。数据里这种“有关联但相关弱”的情形，比教科书例子多得多。

再来看回归。简单线性回归写出来是y=a+bx，b是斜率，表示x每增加一个单位，y平均变化多少。注意“平均”两个字。回归线穿过的是条件均值，不是每个点。拿冰淇淋和空调的数据跑一下，假设b=2.3，意思是冰淇淋销量每多1000支，空调销量平均多230台。但如果你真拿这个方程去预测某一天，误差可能很大。因为回归只用了x的信息，而空调销量还受气温、促销、安装排期影响。这些没进模型的变量，都会变成残差里的噪声。

一个常见的误用，是把高相关直接当成预测能力强。统计上有个说法叫“相关系数平方等于解释比例”。r=0.89，r²约0.79，说明x能解释y约79%的变异。剩下21%去哪了？被其他因素和随机波动吃掉了。如果这21%恰好包含一个强影响变量，那预测就会系统性偏。我见过一组门店数据，客流量和销售额的r高达0.92，但用客流预测销售额时，周末的预测值总是偏低。原因是周末客单价明显更高，这个变量没放进模型。相关没骗人，回归也没算错，只是观察的维度少了一层。

从预测的角度看，回归比相关多走了一步：它给出了一个可以计算的具体数值。但这也意味着它更容易被误用。常见的坑有三个。一是外推，用x=10的数据拟合的线去预测x=100，除非有明确机制支撑，否则斜率是否稳定存疑。二是忽略置信区间，b=2.3后面通常跟着标准误，可能意味着真实斜率在1.1到3.5之间，这个范围对应的业务含义差别很大。三是把回归当因果，看到b显著就认为x是y的原因。实际上，冰淇淋和空调可能同时被气温驱动，回归系数再大也改不了这个事实。

那实际分析中怎么配合使用？一个相对稳妥的流程是：先看散点图和相关矩阵，判断有没有非线性、离群点、分组结构；再决定是否做回归、要不要加交互项或分段。比如刚才的施肥量数据，如果直接线性回归，斜率可能不显著，但分段回归后，低施肥区间的斜率显著为正，高施肥区间显著为负，这就比一个笼统的r有用得多。走势图在这里的作用是提供时间维度的线索，比如两个变量在过去一年同步上升，但最近三个月开始背离，这种变化相关和回归都容易漏掉，需要肉眼观察。

回到开头的问题。冰淇淋和空调的r=0.89，只说明它们在这个数据集里同步变动。如果要做预测，还得看回归的残差分布、外部变量、时间稳定性。相关是发现线索的第一步，回归是把线索变成可计算关系的一步，而预测是第三步，需要不断用新数据检验误差。三步之间隔着模型假设和现实复杂性。把相关当回归用，或者把回归当因果用，都会让数据故事讲得太满。留一点余地，反而更接近真实。