1. 一个具体问题

选出本月投诉最多的门店进行谈话，下个月大部分门店的投诉下降了。谈话可能有效，但仅凭前后对比就把下降全部归功于管理，也可能误判。被选中的门店既可能管理较差，也可能恰好赶上异常繁忙或偶发事件。

2. 一句话解释

因一次极端表现被选中的对象，再次测量时往往没有那么极端，前提是两次测量并非完全相关。

3. 出处与原意

“回归”一词的统计历史与 Galton 对亲子身高的研究有关。现代研究设计更关心：按极端值选择样本，如何造成看似存在的改善或恶化。Bland 与 Altman 的统计札记说明了这一现象在重复测量中的重要性。

4. 原理与机制

一次观测可粗略拆成稳定水平与暂时波动。挑选极端值时，常同时选中了稳定水平偏离和同方向波动；下一次的暂时波动未必重复，因此整体较不极端。在标准化的线性预测中，相关系数为 r 时，一次偏离均值 z 个标准差的观测，对下一次的预测偏离为 rz。这里描述的是条件平均，不是每个个体的必然轨迹。

识别它的方法之一，是找出为什么对象会被选中：是因为稳定特征，还是因为上一次表现极端？如果专门给成绩最低的一组人做干预，之后成绩回升可能包含自然回归。要估计干预作用，更好的办法是在相同入选规则下设置可比对照，并观察两组变化的差别。

5. 一个完整案例

假设案例：一批门店平均每月有 20 次投诉。某店本月 40 次，其中较高的稳定水平可能贡献 10 次额外投诉，偶然集中事件又贡献 10 次。若下月稳定问题未变但偶发事件消失，投诉可能回到约 30 次。管理者看到下降四分之一，仍不能据此估计谈话的因果效果。更好的比较是对同样高投诉的门店随机安排干预，观察两组改善幅度之差。

6. 适用条件与反例

它常出现在按成绩、销量、症状或错误率的极端值选择对象的场景。并非所有反转都属于均值回归：系统发生结构性变化、竞争环境改变，也能使水平持续迁移。更不能把统计现象理解为“涨多了必跌”的交易法则；价格过程的均值与稳定性本来就需要检验。

7. 今天可以尝试的行动

回看一次“改善显著”的行动，查明参与者是否因为异常差的一次表现入选。增加行动前的多期记录，并寻找同样入选规则下的对照，重新判断有多少变化可能只是自然波动。

8. 参考资料与关联条目