辛普森悖论是指分组比较时各组都占优，合并后总体却处于劣势的统计现象。它在 AB 实验、用户分层分析中频繁出现，是数据解读中最容易踩的坑之一。
经典例子：新方案在男用户和女用户中的转化率都高于旧方案，但总体转化率反而更低。原因在于两组用户的结构比例不同，新方案可能更多落在转化率天然较低的人群上，拉低了总体均值。
推荐场景也常见。某个召回策略在每个品类内的点击率都更高，但整体点击率下降，因为它带来的候选更多集中在低点击品类。若不拆解品类结构，就会误判策略效果。
避免辛普森悖论的关键是分析前先确认混杂变量。分流是否真的随机？各组用户构成是否可比？如果结构不一致，应做分层分析或用加权方法校正，而不是直接比较总体指标。
结论是：总体指标有汇总价值，但下因果结论前必须看分层。分组结论与总体结论冲突时，要找到背后的结构变量，而不是简单选一个相信。
