先把问题画出来

回归分析经常从一个看似简单的问题开始：当一个变量变化时，另一个变量是否也呈现稳定变化。表格里的两列数字很难让人直观看出结构，散点图却能立即暴露趋势、离群点、分组和非线性。若点云呈弯曲、扇形或明显分成两群，直接套一条直线会把这些信息压成一个系数。模型虽然能计算，解释却可能从一开始就偏离问题。

绘图之前还要确认每个点代表什么。它可能是一名用户、一个城市、一天的记录，也可能是同一对象重复测量。重复测量如果被当作独立样本，会让模型误以为掌握了更多信息。真正可靠的第一步不是寻找显著结果，而是明确观察单位、时间范围和数据生成方式。

变量名称背后藏着测量方式

“使用时长”“连接质量”“收入”这些名称听起来明确，实际测量可能完全不同。使用时长可以是登录到退出的时间，也可以是前台活跃时间；连接质量可以是平均延迟、任务完成率或用户评分。名称相同而口径不同，回归系数就没有可比性。

建立模型前应写下一份变量说明：单位、取值范围、缺失值含义、测量时间和转换方式。若对数转换、标准化或分组是在分析中途才决定，还要保留原始字段和处理理由。这样做不是增加文书工作，而是让未来的自己能够回答“这个数字究竟怎么算出来”。

直线表达的是什么

简单线性回归用一条直线概括自变量与因变量的平均关系。截距表示自变量为零时模型给出的平均预测，斜率表示自变量增加一个单位时，预测值平均改变多少。这个解释只在变量单位、样本范围和模型形式保持不变时成立。若零点不在实际观测范围内，截距通常只是数学定位，不应被包装成现实结论。

斜率也不是“每个人都会发生同样变化”。它描述的是样本中的平均关系。有人高于预测线，有人低于预测线，差值就是残差。模型的价值不只在那条线，还在残差告诉我们哪些变化没有被当前变量解释。

残差图比漂亮的拟合线更诚实

如果残差在零附近随机分布，直线至少没有遗漏明显的系统形状。若残差随着预测值越来越分散，误差可能具有异方差；若残差形成弧线，变量关系可能不是线性的；若连续时间点的残差方向相近，则独立性假设可能不成立。只报告决定系数而不看残差，相当于只看成绩而不看错题。

离群点也应在残差图中单独检查。离群不等于错误，它可能是录入问题、罕见但真实的对象，或模型遗漏了重要分组。合理处理是回到来源确认，再分别比较保留与排除该点的结果。若结论因此翻转，报告中必须说明模型对该观察值敏感。

相关关系为什么不能直接写成因果

两个变量一起变化，可能因为A影响B、B影响A、第三个变量同时影响二者，或者只是样本选择造成。比如设备较新的用户任务完成率更高，原因未必是硬件本身；这群用户可能同时使用更新的软件、更稳定的网络并拥有不同任务。把这些因素全部归因于设备，会把关联误写成因果。

因果判断需要研究设计支持。随机分配、自然实验、时间先后、合理对照和机制证据都比单一回归系数更重要。观察性数据可以帮助发现关系、评估预测与提出问题，但结论应使用“相关”“伴随变化”或“在控制已测变量后仍有关联”等准确表达。

加入更多变量并不自动更可靠

多元回归可以同时考虑多个因素，却也会引入新的困难。高度相关的自变量可能导致系数不稳定；把结果发生之后才出现的变量放进模型，可能阻断真正的因果路径；为了提高拟合度不断添加字段，则容易过拟合当前样本。变量选择应来自问题结构，而不是让软件替我们试遍所有组合。

一个实用做法是先画出变量之间可能的关系，再决定哪些是混杂因素、哪些可能是中介、哪些只是结果的另一种表达。随后用基础模型、调整模型和敏感性模型逐步比较。模型之间的差异本身就是信息，它能显示结论依赖哪些假设。

显著性不等于实际重要

p值回答的是：在特定模型和零假设成立时，观察到当前或更极端数据的概率有多大。它不表示结论为真的概率，也不衡量影响是否重要。样本很大时，极小差异也可能显著；样本很小时，具有实际意义的差异可能因为不确定性较大而未达到阈值。

阅读结果时应同时看效应大小、置信区间、样本规模和现实单位。一个缩短0.2秒的变化对后台批处理可能无关紧要，对高频交互却可能明显。实际意义必须回到使用场景，而不是由星号数量决定。

预测需要面对样本之外的数据

模型在训练数据上表现良好，不代表它能处理新数据。评估预测能力时，应保留未参与拟合的数据，或采用交叉验证观察误差是否稳定。若随机拆分会破坏时间顺序、用户分组或地区结构，就应使用按时间、对象或地区划分的验证方式。

还要警惕外推。样本只覆盖20至50岁人群，就不能凭一条直线断言70岁会如何；观测延迟集中在20至100毫秒，也不应预测极端拥塞。模型最可靠的范围通常接近已有数据，离得越远，假设承担的工作越多。

把分析过程保存成可复核记录

一份完整记录至少包括原始数据位置、变量字典、清理规则、分析脚本或操作步骤、软件版本、模型公式、图表和解释边界。结果更新时不要覆盖旧文件，而应保留版本与修改原因。这样才能区分数据变化、处理变化和模型变化。

在多设备环境中，最危险的不是文件没同步，而是多个看似相同的副本各自被修改。工作区应明确主版本、只读原始数据和输出目录，并让文件名或版本记录反映变更。WestData的数据工作方法把登录、客户端和统计知识放在一起，目的正是让分析从文件移动延伸到可复核的过程。

最后回到研究问题

模型可以很复杂，但最终仍应回答最初的问题。结论中要写明对象是谁、数据来自哪里、观察时间多长、主要关系多大、不确定性如何，以及哪些因素没有测量。若结果只能用于描述样本，就不要把它扩展成普遍规律；若模型只是预测工具，也不必强行赋予每个系数因果故事。

好的回归分析不是让数据说出一个确定答案，而是用清楚假设把可回答与不可回答的部分分开。散点图帮助看见结构，残差帮助发现遗漏，验证集帮助测试泛化，版本记录则让整个推论能够被再次检查。