统计学的经典结论，在测量误差面前可能彻底失效。一篇最新研究展示了这样一个极端案例：同一份字节完全相同的数据，在一种假设下，95%置信区间覆盖真实值的概率是95.3%；而在另一种假设下，这个数字直接跌到0.0%。

问题出在预测变量的可靠性上

打开网易新闻 查看精彩图片

研究聚焦于线性回归中的测量误差问题。核心变量是：你对预测变量（自变量）的测量精度有多大的信心。这个看似技术性的假设，直接决定了置信区间能否兑现它的名义覆盖概率。

当研究者假设预测变量测量误差较小时，置信区间表现正常，覆盖概率接近理论值95%。但当假设测量误差较大时，同样的数据、同样的回归模型，置信区间的实际覆盖概率竟然归零——意味着区间一次都没能罩住真实值。

对实证研究的警示

这个结果对依赖回归分析做结论的研究者是个提醒：置信区间的可信度，不仅取决于数据本身，还取决于你对数据质量的假设。如果测量误差的设定与实际情况偏差过大，再漂亮的置信区间也可能只是数字游戏。

研究没有给出"如何正确设定误差"的万能答案，但它用极端对比说明了一个容易被忽视的事实：统计推断的结论，永远建立在假设之上。假设错了，结论的可靠性就要打上问号。