辛普森悖论：分组A更优汇总却反转，数据分析如何应对？

这次我们来看一个统计分析里特别反直觉的现象：两组数据分别对比，明明是 A 更好，结果把两组数据合并到一起，反而是 B 胜出。如果你做数据分析时遇到过“分组结论和汇总结论打架”的情况，而且怀疑是自己算错了，那多半就是碰上了辛普森悖论。

这类问题在 AB 实验评估、广告转化分析、用户留存对比、医疗效果回溯中都可能出现。分维度看一个结论，汇总看却是另一个结论，这不是 Excel 公式写错，也不是 SQL 查错，而是数据本身的结构在“捣乱”。这篇文章会把辛普森悖论的定义、数学原理、Python 复现、真实案例和应对方法讲清楚，看完之后你能直接拿这套思路去检查自己的报表和实验结论。

1. 辛普森悖论核心速览

在正式展开之前，先把关键信息放在前面，方便快速判断这篇文章是否解决你的问题。

一句话先记住：辛普森悖论不是数据造假，也不是计算错误，而是“组间样本量结构”和“混淆变量”共同作用的结果。

2. 一个让结果反转的经典案例

直接用案例来感受一下这个悖论。

假设你是一家在线教育平台的数据分析师，平台在两种首页推荐策略之间做对比：策略 A 和策略 B。策略的评估指标是“课程报名转化率”，也就是用户看到推荐后点击报名的人数占比。

按照直觉，如果策略 A 在每一类用户里转化率都比策略 B 高，那么整体上策略 A 应该更好。但现实数据不一定会按直觉走。

2.1 分两组看，A 确实更好

把用户按照访问设备分成“新用户”和“老用户”两个群体，得到下面这组数据：

先看新用户。策略 A 的转化率是 10.0%，策略 B 是 15.0%，AB 两组对比，B 更好。

再看老用户。策略 A 的转化率是 40.0%，策略 B 是 15.0%，AB 两组对比，仍然是 A 更好。

注意，这里每组内都是 A 更好。标题说“两组数据都显示 A 更好”。

2.2 汇总后，B 反而赢了

现在把所有用户合并到一起，计算总体转化率：

策略 A 总曝光人数是 1000 + 100 = 1100，总报名人数是 100 + 40 = 140，总体转化率为 140 ÷ 1100 ≈ 12.73%。

策略 B 总曝光人数是 100 + 1000 = 1100，总报名人数是 15 + 150 = 165，总体转化率为 165 ÷ 1100 = 15.00%。

汇总结果显示，策略 B 的整体转化率 15.00% 高于策略 A 的 12.73%。

这就是辛普森悖论的典型表现：分组比较，A 在两个人群里都占优；汇总比较，B 反而赢。如果你只看汇总数字，就会得出“策略 B 更有效”的结论，从而误判实验。

3. 数学解释：为什么汇总结果会反转

要解开这个悖论，关键是理解汇总转化率不是“两组转化率的简单平均”，而是“按曝光人数加权的平均”。

3.1 加权平均视角

先看新用户群体。策略 A 的 10% 转化率是在 1000 人的曝光基础上计算出来的，策略 B 的 15% 转化率是在 100 人的曝光基础上计算出来的。策略 A 的高权重人群是低转化率的新用户，策略 B 的高权重人群是高转化率的老用户（这里 15% 相对老用户来说不高，但是权重极大）。

汇总时，计算方式变成：

策略 A 整体转化率 = (10% × 1000 + 40% × 100) ÷ (1000 + 100)

策略 B 整体转化率 = (15% × 100 + 15% × 1000) ÷ (100 + 1000)

权重不同，导致最终数值发生反转。

3.2 权重是隐藏的“裁判”

分组比较时，我们固定了人群类别，只比较策略差异。汇总比较时，人群结构差异被混进了结果里。

策略 A 的曝光用户主要集中在新用户，而新用户本身就是低转化率群体；策略 B 的曝光用户主要集中在中高转化的老用户，虽然老用户里 A 更好，但老用户的绝对数量在策略 B 里占据主导，把整体转化率拉高了。

所以，表面上是“A 更好还是 B 更好”的问题，实际上是“两组用户结构是否相同”的问题。结构不一样，汇总结果就会失真。

3.3 符号化拆解

如果觉得数字不够直观，可以用公式来看。

假设有两个分组：第一组和第二组。策略 A 在第一组和第二组的转化率分别是 a1、a2，策略 B 分别是 b1、b2。已知 a1 > b1，a2 > b2。

策略 A 的总体转化率为：

R_A = (a1 × N_A1 + a2 × N_A2) / (N_A1 + N_A2)

策略 B 的总体转化率为：

R_B = (b1 × N_B1 + b2 × N_B2) / (N_B1 + N_B2)

其中 N_A1 表示策略 A 在第一组的曝光人数，N_B1 表示策略 B 在第一组的曝光人数。即使 a1 > b1 且 a2 > b2，只要 N_A1 和 N_B2 在各自群体中的占比相差足够大，R_A 就可能小于 R_B。

这就是辛普森悖论的全部数学秘密：分子上每一组的率乘以本组权重，而权重是各自样本量占比。分组结论比的是“组内的率”，汇总结论比的是“加权后的率”，这两个指标不是一回事。

4. 用 Python 复现辛普森悖论

下面的例子用 Python 把前面那个案例复现一遍，顺便给出一套可以复用到自己数据的检查思路。

4.1 构造数据

假设我们有 2200 条用户曝光记录，包含设备类型、策略和是否报名。这里直接模拟经典案例，核心是让新老用户在两个策略中的数量分布呈相反结构。

import pandas as pd # 新用户: 策略 A 1000 人，策略 B 100 人 new_a = pd.DataFrame({ "group": ["new"] * 1000, "strategy": ["A"] * 1000, "converted": [1] * 100 + [0] * 900 }) new_b = pd.DataFrame({ "group": ["new"] * 100, "strategy": ["B"] * 100, "converted": [1] * 15 + [0] * 85 }) # 老用户: 策略 A 100 人，策略 B 1000 人 old_a = pd.DataFrame({ "group": ["old"] * 100, "strategy": ["A"] * 100, "converted": [1] * 40 + [0] * 60 }) old_b = pd.DataFrame({ "group": ["old"] * 1000, "strategy": ["B"] * 1000, "converted": [1] * 150 + [0] * 850 }) df = pd.concat([new_a, new_b, old_a, old_b], ignore_index=True) print(df.groupby(["group", "strategy"])["converted"].mean())

这段代码直观模拟了案例中的四类曝光人群。运行后，分组转化率应该和前面表格一致。

4.2 分组与汇总对比

# 分组转化率 group_rate = df.groupby(["group", "strategy"])["converted"].mean().unstack() print("分组转化率:") print(group_rate) # 汇总转化率 summary_rate = df.groupby("strategy")["converted"].mean() print("\n汇总转化率:") print(summary_rate) # 汇总曝光量 summary_count = df.groupby("strategy")["converted"].count() print("\n各策略曝光量:") print(summary_count)

输出结果里，分组维度上“new”和“old”两组都是 A 高于 B，但汇总维度上 B 高于 A。代码逻辑没有问题，问题出在数据内部的结构差异上。

4.3 制造反转的关键要素

[ \text{各策略曝光量分布} ]

策略 A 有九成用户是新用户，新用户转化率天然低；策略 B 有九成用户是老用户，老用户虽然在策略 A 下转化率更高，但 B 的老用户基数很大。两股力量一叠加，B 的整体数字就反超了 A。

用 Python 检查时，重要的一步永远是：同时输出“分组率表”和“每组样本量分布表”。只有率没有量，很容易漏掉权重变化。

5. 真实场景中的辛普森悖论案例

为了让这个概念更有说服力，再看几个统计教学和业务分析中经常出现的经典场景。这些案例在公开统计教材中被反复引用，能帮你建立识别悖论的敏感度。

5.1 大学招生案例

统计教材中有一个经典的大学招生性别偏差案例：某大学按院系分别统计录取率，发现绝大多数院系里女生的录取率不低于男生，甚至许多院系女生录取率更高。可是把所有院系合并统计后，男生的整体录取率反而明显高于女生。

原因在于，女生申请人数更集中在录取率低的热门院系，男生申请人数更集中在录取率高的冷门院系。每个院系内部，录取标准并不偏向某一性别；汇总后，院系之间的录取率差异被误读成了性别差异。

这个案例讨论的是统计结构问题，不涉及个体判断。它说明在评估政策或制度公平性时，分层分析比汇总数据更可靠。

5.2 药物治疗案例

医学研究中也经常出现类似情况。假设一项回溯性研究比较两种治疗方案的康复率。按病情严重程度分组，轻症患者用方案 A 的康复率高于方案 B，重症患者用方案 A 的康复率也高于方案 B。但合并全部患者后，方案 B 的整体康复率可能更高。

原因是，方案 A 被更多应用于重症患者，而重症患者的整体康复率天然偏低；方案 B 被更多应用于轻症患者，轻症患者整体康复率天然偏高。此时汇总数据会受到病情分布的影响，直接比较整体康复率，得出“方案 B 更好”的结论很可能具有误导性。

5.3 业务分析中的常见变体

在互联网业务里，辛普森悖论最常见的变体是渠道分析。某产品同时投放多个渠道，按渠道对比付费转化率，渠道 A 在每个渠道都优于渠道 B，但按整体转化率汇总，渠道 B 反而胜出。

还有一种情况是时间维度。按周看，方案 A 每周的留存率都高于方案 B，但按月汇总后方案 B 的留存率更高。这里面的关键往往是流量结构在不同时间段的波动，或者是新老用户占比发生了变化。

业务数据越复杂，混淆变量就越多。设备类型、用户活跃度、城市等级、访问时段、内容偏好，都可能成为隐藏的权重变量。

6. 为什么你会被汇总结果骗到

辛普森悖论之所以令人困惑，是因为它违反了我们最朴素的直觉：既然每一组里 A 都好，那 A 整体也应该好。但现实世界不是简单加总。

6.1 混淆变量

混淆变量是同时影响“分组”和“结果”的变量。用户类型同时影响你看到哪个策略的流量分配，也影响转化率。你不把用户类型放进来分析，只看策略和转化率，就会遗漏真正驱动结果的因素。

年龄、城市、设备、会员等级，都是常见混淆变量。分析时必须先把这些变量纳入分层，才能在更干净的环境下比较策略差异。

6.2 样本量不平衡

样本量不平衡是辛普森悖论的放大器。如果两个策略在不同分层的曝光量比例接近，汇总结果通常不会反转。一旦 A 集中在低转化层，B 集中在高转化层，权重差就会明显扭曲结果。

这也是为什么实验评估不能只看汇总转化率，还需要检查实验组和对照组的用户特征分布是否一致。

6.3 分组变量选择

同一个数据，选择不同的分组变量，可能会得出完全不同的结论。分组变量选得不对，或者漏掉重要分组变量，汇总结果就会失真。分组不是越细越好，但核心的混淆变量必须纳入。

7. 如何检测与避免辛普森悖论

这里给出一套可落地的操作流程，可以直接用在自己日常的数据分析工作中。

7.1 先做分层分析

不管业务方要求看汇总指标，还是你自己习惯直接看整体数字，分析的第一步都应该是分层。至少先按一个最可能的混淆变量分组，然后比较分组结论和汇总结论。

如果分组结论方向和汇总结论方向一致，那么汇总指标基本可信。如果方向不一致，说明存在辛普森悖论，需要继续排查。

def check_simpson(df, group_col, metric_col, target_col, strategy_col): """ 检查是否存在辛普森悖论。 df: 数据框 group_col: 分层变量 metric_col: 结果指标(0/1) target_col: 汇总结果变量(策略) strategy_col: 策略名称列 """ group_table = df.groupby([group_col, strategy_col])[metric_col].mean().unstack() summary_table = df.groupby(strategy_col)[metric_col].mean() # 分组维度是否都是 A 大于 B group_compare = group_table[group_table.columns[0]] > group_table[group_table.columns[1]] summary_compare = summary_table[summary_table.index[0]] > summary_table[summary_table.index[1]] if group_compare.all() and not summary_compare: return "发现辛普森悖论：分组 A 均占优，但汇总 B 占优" elif not group_compare.all() and summary_compare: return "发现辛普森悖论：分组 B 均占优，但汇总 A 占优" else: return "未发现明显辛普森悖论"

这段代码提供了一种通用的检测思路，实际使用时需要根据列名调整。

7.2 计算加权调和结果

当发现分层结论和汇总结论不一致时，可以使用标准化方法消除权重影响。例如，把两个策略的权重统一到相同的用户结构上重新计算。

一种简单的做法是使用全部用户的混合结构作为标准权重：

def weighted_adjust(df, group_col, metric_col, strategy_col): """ 使用全量数据的混合占比作为标准权重，重新计算每个策略的调整转化率。 """ total_counts = df.groupby(group_col)[metric_col].count() weights = total_counts / total_counts.sum() rates = df.groupby([group_col, strategy_col])[metric_col].mean().unstack() adjusted = {} for strategy in rates.columns: adjusted[strategy] = (rates[strategy] * weights).sum() return adjusted

标准化后的结果，反映的是“在相同用户结构下，每个策略的表现差异”。业务上更关注哪个策略能贡献更高转化，看标准化结果更合理。

7.3 敏感性检查

敏感性检查的目的是验证结论的稳健性。换一个分组变量，或者多加入一个分层维度，结论是否还成立。如果结论随分组方式改变而剧烈变化，说明当前结论不够稳健，需要谨慎。

7.4 实验设计与因果推断

要真正避免辛普森悖论，最主动的解法是从实验设计阶段就控制混淆变量。AB 实验开始前，通过随机分组让实验组和对照组的用户特征分布接近，这就是随机化的价值。观测数据无法随机化时，则需要使用分层分析、倾向性得分匹配等方法做校正。

8. 辛普森悖论的工程化应对

数据分析师遇到辛普森悖论不是一次性的问题，而是一个高频出现、容易重复踩坑的结构性风险。在工程层面，可以考虑建立一些流程防线。

8.1 指标口径规范

团队内部需要统一指标的计算口径。转化率这种比率型指标，在报表系统里至少同时展示分子、分母和占比结构，不要只展示一个汇总比例。没有分子分母作为上下文，任何汇总比例都容易被误读。

8.2 自动检测规则

对核心业务指标，可以写一个定时任务，每日自动做分层检测。如果发现“分组方向一致但汇总方向相反”的情况，告警通知分析团队。规则可以相对简单，核心是让辛普森悖论在产出报表前就被发现，而不是等业务方质疑再回头排查。

8.3 AB 实验中的注意事项

AB 实验评估阶段，除了看总体显著性，还要检查实验组和对照组在各分层中的样本量占比差异。如果两个组的层间占比差异较大，建议先按层评估，再汇总，或者使用协变量调整模型。实验结论的最终口径，最好同时附上分层结果供复核。

9. 常见问题与排查方法

排查时第一件事不是换模型，而是确认分组维度和汇总维度各自的结果。分组结果和汇总结果方向一致，再往下做假设检验；方向不一致，先解决结构问题。

10. 总结与第一步

辛普森悖论的本质是权重带来的伪装。分组结果和汇总结果哪个更可信，没有固定答案，但原则是清楚的：当分组结论与汇总结论冲突时，优先理解数据产生的过程，而不是直接相信汇总数字。

最先要做的测试，是把自己当前报表里最核心的比率指标，按新老用户或渠道拆一层，对比分组结论和汇总结论是否一致。这一步成本很低，但能暴露很多质量问题。

最容易踩的坑是在可视化图表里只画了一条汇总折线，或者只展示了全局转化率。建议所有比率型报表都增加一个“样本量分布”的辅助展示，避免单一数字误导决策。

后续可以继续扩展的方向包括：倾向性得分匹配、协变量均衡性检验、多维度分层分析和因果推断方法。掌握了辛普森悖论，你已经具备识别这类伪规律的最基本能力。