> ## Documentation Index
> Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 均值迴歸

> 均值迴歸指極端測量之後往往出現更接近平均的結果。它常被誤認為干預奏效。了解起源、案例與邊界，少交「偽因果」學費。

<Info>
  **類別**：效應<br />
  **類型**：統計規律與解釋陷阱<br />
  **來源**：高爾頓家族身高研究（19 世紀 80 年代）；後推廣至多領域<br />
  **別名**：向中庸迴歸（歷史表述）
</Info>

<Note>
  **快速回答** — **均值迴歸**（Regression to the Mean）指異常高或低的分數之後，下一次測量往往更接近總體均值——不一定因為你「做對了什麼」，而是因為極端值裡混有隨機波動。它解釋表揚／懲罰、醫療干預與運動「低潮」之後的錯覺因果。把它與治療真實效果混淆，是管理與政策裡極昂貴的思維錯誤之一。
</Note>

## 什麼是均值迴歸？

**均值迴歸**（Regression to the Mean）是重複測量中的常見模式：**極端結果之後，更容易出現較溫和的結果**，即便世界沒有本質變化。只要極端觀測混合了**真實水準**與**雜訊**，極端裡就有一部分「運氣」，而運氣很難原樣重現。

> 極端常常一半偶然；下一次很少同樣偶然地偏向同一側。

它廣泛見於考試分數、運動表現、企業獲利與臨床症狀。與 [倖存者偏差](/zh-hant/effects/survivorship-bias) 相互作用；與 [賭徒謬誤](/zh-hant/fallacies/gamblers-fallacy) 不同——後者錯誤期待**平衡**，而均值迴歸談的是向總體分佈的**統計性**靠攏。它與 [大數法則](/zh-hant/laws/law-of-large-numbers) 互補：樣本越大，平均越穩；單次極值則不然。

### 均值迴歸的三層理解

* **入門**：特別好或特別糟的一天之後，下一天往往更接近平常——部分因為第一天本就異常。
* **實踐者**：在極端低分之後把「進步」歸功於教練或藥物前，先問：不做任何事，樸素預測會是多少？
* **進階**：建立把極端估計**向先驗均值收縮**的模型——這是「迴歸」思想的統計核心。

## 起源

**高爾頓**研究父母與子女身高：特別高的父母，其子女往往仍偏高，但相對全體人群不如父母那麼極端（「向中庸迴歸」）。這不是道德說教，而是**代際測量之間相關係數小於 1** 的數學結果。

後來推廣到：兩變數相關不完美時，由一個極端值預測另一變數會得到**較不極端**的預測。心理學家強調這會製造**虛假因果**——人們在篩選後的樣本上看到自然回落，卻以為是自己的動作奏效。

## 核心要點

均值迴歸是把訊號與事後篩選雜訊分開的透鏡。

<Steps>
  <Step title="極端混合訊號與雜訊">
    創紀錄月份、發燒峰值或一次考試高分，往往高估或低估穩定水準。
  </Step>

  <Step title="篩選製造錯覺">
    只研究「最差案例」或「最佳表現者」時，即便無效干預也會出現部分回升。
  </Step>

  <Step title="重複測量會有部分回落">
    第二次測量在敘事上並非獨立——數學上常被均值拉回。
  </Step>

  <Step title="對照與基線不可或缺">
    隨機試驗與歷史基線幫助區分真實影響與統計反彈。
  </Step>
</Steps>

## 應用場景

用它審計表揚、責罰與「到底什麼管用」。

<CardGroup cols={2}>
  <Card title="教育與測驗" icon="graduation-cap">
    極低分重測往往會回升一部分——輔導效果要先跑贏這層基線預期。
  </Card>

  <Card title="運動與表現" icon="football">
    新秀爆發與低谷常向聯盟平均移動；敘事卻愛發明「撞牆」與「大心臟」。
  </Card>

  <Card title="醫療與健康" icon="stethoscope">
    人們常在症狀高峰就醫，之後好轉部分源於自然波動——試驗需要對照。
  </Card>

  <Card title="管理與 KPI" icon="chart-column">
    最差季度後懲罰、最好季度後重獎，可能誤讀運氣；要看更長序列與分佈。
  </Card>
</CardGroup>

## 經典案例

高爾頓的家族身高分析是可核查的經典：**中位父母身高極高時，子女身高仍相關，但相對全體人群不如父母極端**——相關係數小於 1.0 的數學事實。現代教科書用同一結構提醒：任何單次極端——血壓、銷量、缺陷率——在重測時若向長期均值移動，並不自動證明你上一週做了什麼神奇的事。

## 邊界與失效場景

均值迴歸解釋的是變化的**一部分**，不是全部。

**邊界一：真實干預存在**\
訓練、治療與流程改進可以提升真實均值——不只是統計反彈。

**邊界二：極端有時意味結構突變**\
持續體制變化時，簡單「回到舊均值」的故事可能失效。

**常見誤用**：把危機後的所有改善都斥為「只是迴歸」——卻不與可信反事實比較。

## 常見誤區

對運氣保持謙遜，是專業素養。

<AccordionGroup>
  <Accordion title="誤區：迴歸表示人人都會變成平均數">
    **事實**：預測是從極端**朝均值方向**移動，不是所有人結果相同。
  </Accordion>

  <Accordion title="誤區：等於賭徒謬誤">
    **事實**：賭徒謬誤誤用獨立序列；迴歸來自測量誤差與不完全相關。
  </Accordion>

  <Accordion title="誤區：前後對比就證明干預有效">
    **事實**：「前測」極端幾乎保證某種變化——實驗設計要處理這一點。
  </Accordion>
</AccordionGroup>

## 相關概念

判斷證據與篩選時，可配合閱讀：

<CardGroup cols={3}>
  <Card title="倖存者偏差" icon="filter" href="/zh-hant/effects/survivorship-bias">
    為何你只看到贏家，看不到完整抽樣。
  </Card>

  <Card title="大數法則" icon="infinity" href="/zh-hant/laws/law-of-large-numbers">
    樣本越大，平均越穩定。
  </Card>

  <Card title="賭徒謬誤" icon="dice" href="/zh-hant/fallacies/gamblers-fallacy">
    關於獨立序列的另一種錯誤直覺。
  </Card>
</CardGroup>

## 一句話總結

<Tip>
  若從一個極端出發，下一個數據點往往更平常——即便你什麼也沒做。
</Tip>