线性模型
- 核心思想：用一个直线方程（y = mx + b）来描述两个变量的关系，自变量变化一单位，因变量就固定变化m单位。
- 书里怎么解释的：通过线性回归，我们可以找出效应的符号（正相关还是负相关）、显著性（p值，看是不是巧合）和大小（系数m）。但书里特别强调：相关不等于因果。数据挖掘很容易找到虚假相关（比如名字长的公司利润高），必须用训练集和检验集来验证，最好做实验才能确认因果。
- 书里的例子：
- 实力-运气方程：成功 = a×实力 + (1-a)×运气。在竞争极其激烈的领域（如奥运会游泳），选手实力差距极小，所以运气（触壁时机）往往决定金牌归属，这叫“实力悖论”。董事会发奖金时，应奖励实力，而不应为运气买单（比如石油公司盈利是因为油价涨，不是CEO厉害）。
- 大系数与新现实：我们往往倾向于改进数据回归中系数最大的那个变量（比如提高驾驶年龄来减少事故），这能带来边际改善，但可能扼杀真正的创新。更好的做法是构思“新现实”政策（比如用手机自动监控青少年驾驶），尽管这些新政策在现有数据里可能不显著，但可能带来巨大飞跃。
启示：
- 永远记住“相关不等于因果”。书里强调，数据挖掘很容易发现虚假相关（比如住在比萨店附近的人更容易得流感，但真正原因是外卖小哥传播病毒）。生活中，不要因为“我喝了这个茶就瘦了”就认定茶有效，可能是你同时减少了吃零食。做判断前，先问问：有没有第三个变量在捣鬼？
- 别死盯着“系数最大”的变量。书里批评了“大系数至上”思维：比如回归发现“年龄”对交通事故影响最大，你就想提高驾驶年龄，这只能带来边际改善。更好的做法是构思“新现实”政策（比如用手机监控青少年驾驶）。启示是：在工作和生活中，不要只优化报表上数字最大的那项，要敢于跳出框架，想一些全新的路径。
- “实力悖论”让你看淡短期成败。书中说，在顶尖比赛（奥运会）中，实力差距极小，所以运气决定金牌。普通人职场上，如果你们团队竞争非常激烈（大家都差不多强），某个同事升职了，不代表他比你强多少，很可能只是随机波动。不必因此内耗，长期看均值回归。