从不确定性到决策

南桥市“青年技能跃迁计划”自 2021 年启动，持续为当地青年提供技能课程、求职辅导与企业见习等多元支持。项目设计旨在帮助青年群体缩小与岗位要求之间的技能差距，提升就业竞争力。计划的实施离不开政策制定者、用人单位与项目团队的多方合作，共同优化培养方案和资源配置。

在 2023 年扩招讨论会上，项目负责人林澈并未直接依据统计表做出决策，而是连续追问：当前证据为哪些行动提供了支持？数据中存在哪些关键不确定性？如果下一步要收集和分析数据，怎样的设计更能帮助我们做出更有把握的选择？这种追问追溯到决策的核心，不仅要看整体结论，还要理解背后的局限性与优化空间。

本章所有数据为教学用数据。以 360 名符合条件的青年为例，分为 180 人参加计划、180 人为可比未参加者。六个月后，参加者中有 120 人达成“稳定就业”，而未参加者有 99 人达成。这里“稳定就业”是指连续三个月有正式工作并且社保记录不断档，以保障就业质量而非仅用岗数作为衡量。

---

决策起点

林澈先让大家只看比较本身：参加组就业率为 66.7%，非参加组为 55.0%，样本差为 11.7 个百分点。多出 21 人是一个值得追问的信号，却不是培训必然造成的 21 人；报名意愿、照料压力和当地岗位也可能同时影响参加与就业。

她把问题改写成决策语言：若南桥市只有在稳定就业至少提高 8 个百分点时才扩招，会议需要知道的就不只是方向，而是合理的效果范围是否跨过 8。先定主要结局、比较对象和最小实际重要差异，才能避免结局出来后再挑最顺眼的指标。

---

估计与区间

点估计告诉你样本中的落点，标准误告诉你这个落点在重复抽样中会怎样摇摆。两个独立比例的差异为 $\widehat{\Delta}=0.667-0.550=0.117$；它是会议的起点，而不是一项已经精确固定的项目收益。

$$SE(\widehat{\Delta})= \sqrt{\frac{\hat p_1(1-\hat p_1)}{n_1}+ \frac{\hat p_0(1-\hat p_0)}{n_0}} \approx0.051。$$

把标准误想成抽样噪声的刻度，95% 区间便是落点两侧可接受的范围：$0.117\pm1.96\times0.051\approx[0.017,\ 0.217]$。它排除零差异，却仍覆盖从微小改善到较大改善；若政策门槛是 8 个百分点，当前资料还不能确认下限已经越过门槛。

---

检验承诺

检验是决策前明确行动标准的一种承诺，需要在看到结果前先写明判断规则。例如，如果项目既可能提高也可能降低就业，则应采取双侧检验，假设 $H_0:\Delta=0$、$H_A:\Delta\ne0$，这确保无论结果正负都有同等被关注的机会。只有当政策讨论事先明确只关心一种方向、且相关制度后果已被充分讨论，才可以正当使用单侧检验；切记不能在数据已知后根据结果方向随意更改检验类型。

检验的核心思想是事先承诺“观测到多大的偏离基准值才采取行动”。以单个系数为例，我们通过标准误来衡量这个偏离是否显著：$t=(\widehat\beta_j-\beta_{j,0})/SE(\widehat\beta_j)$。比如，调整模型后某项计划的回归系数为 ，标准误为 ，计算得 。在这里， 表示参与计划后与未参与者相比就业概率增加约 8.7 个百分点，这只是相关性估计，不直接等于因果效应。

要注意检验结果的解释范围和局限。统计检验能帮助我们规范化决策和陈述证据强度，但并不能单凭“显著”标签就下定论。实际决策还需结合效应估计值、置信区间、实际意义和政策目标等多重因素综合判断，从而避免“为了通过检验而检验”的陷阱，让检验成为合理、透明决策流程的一环。

---

p 值与错误

$p$ 值始终意味着“如果零假设为真，样本或更极端结果出现的机会有多大”。比如，双侧 $p=0.044$ 表示，在实际没有改善的前提下，像这样显著的统计结果并不常见。但 $p$ 值不是零假设成立的概率，更不是“项目有效”的概率，也不意味着效果就值得投入资源。单一$p$值低于0.05，只保证数据下假设难以解释，并不能直接说明改善切实存在。

决策者常需关注两类错误：

1. 第一类错误（false positive），即实际上没有效果却因为小 $p$ 值而扩招，这一风险大小可由预先设置的 $\alpha$ 水平（如 0.05）进行控制；
2. 第二类错误（false negative），即实际上有改善但未拒绝零假设，导致本可扩招时因样本量或噪声等原因未采取行动。

每种错误都意味着不同的社会和政策成本。因此，林澈建议每次报告$p$值时应同时呈现效应估计值、置信区间及预设的决策门槛，让政策讨论不仅停留在“有没有意义”，更要关注实质效果大小、证据区间范围和容错成本，实现有据可依、可控风险的理性决策。

---

功效与比较

功效是某个指定的真实改善存在时，研究拒绝零假设的概率，即 $1-\beta$。它不能脱离效果大小而报告：相同的 360 人对 15 个百分点提升可能足够敏感，对 5 个百分点提升却可能不够。先问最小实际重要差异，样本量规划才有决策含义。

同一轮若检查许多结局、人群和月份，偶然出现一个小 $p$ 值的机会会上升。林澈把稳定就业预先列为主要结局，把收入和职业匹配列为关键次要结局，把课程与人群差异留作探索；探索结果可以启发下一轮，但必须说明比较数量并在新样本中复核。

以下为基线稳定就业率约 55%、两组等大、双侧 $\alpha=0.05$、目标功效约 80%、个体近似独立且暂未计失访时的粗略规划；基线、聚类和流失都会改变所需人数。

若 12 项独立检验每项使用 0.05，家族风险约为 $1-(1-0.05)^{12}\approx46\%$；相关时数值会变，但事前分层、校正与复核不可省略。

当置信区间虽然“不显著”，但范围仍然很宽、从负面跨越到很大的正面时，正确的解读并不是“项目已被证明无效”，而是现有数据尚不足以给出明确判断。这种情况下，区间之所以跨越了零和重要提升，并不能说明没有作用，而是表明当前证据还不够精确，风险和收益都存在较高的不确定性。

遇到这种情况，应优先考虑如何提升证据质量，比如努力减小测量误差、控制样本流失、在研究前就清晰界定主要结局变量，以及增加有效样本量。这些措施更有助于获得可靠且有解释力的结果，避免事后“翻找”显著性结果，从而更诚实地为决策提供依据。

---

单项与联合

模型把“其他已观测条件相同”的比较写成结构。以稳定就业为例，$Y_i=\beta_0+\beta_1D_i+\beta_2\text{年龄}_i+\beta_3\text{基线技能}_i+\beta_4\text{行业经验}_i+u_i$； 是参加状态， 描述的是在所列条件下的关联，而非未经设计支持的个人承诺。

单项问题检验 $H_0:\beta_1=0$；一组限制可写为 $H_0:R\boldsymbol\beta=\boldsymbol r$。课程与见习的边际关联比例（理论预设）可检验 ，即课程每增加一单位的关联是否为见习每增加一单位关联的 0.5 倍；联合统计量问的是整组限制能否与数据相容。

---

嵌套模型

基础模型若能由扩展模型把若干系数设为零得到，二者就是嵌套的。此时比较的重点不是“复杂模型是否更酷”，而是删去一组变量所失去的拟合，是否大到超过扩展模型尚未解释的随机波动。

$$F=\frac{(SSE_R-SSE_U)/q}{SSE_U/(n-k_U)}。$$

这一经典 $F$ 的参考分布在给定解释变量、误差独立同方差且正态等经典条件下具有精确的有限样本形式。稳定就业是二元结果，实务应采用与方法相符的稳健联合/Wald 或适当似然比检验，不能直接套经典 $F$。

教学模拟中，基础模型的 $SSE_R=79.20$，扩展模型的 $SSE_U=74.58$，新增 3 项、样本量 360、扩展模型估计 7 个参数，得到 $F\approx7.29$。在满足上述经典条件时，该数值表明三项作为一组不宜轻易同时删去。对本二元结局，它只作为 SSE 比较的教学展示；实际是否保留这组变量，应以与模型匹配的稳健联合/Wald 或似然比检验为准。

---

模型选择

非嵌套模型是指无法通过将一组变量的系数设为零，使一个模型转化为另一个模型。例如，一个模型专注于技能、行业经验与岗位供给的影响，另一方面则强调求职历史、家庭支持和预期工资等因素。这两类模型各自关注的变量和机制不同，无法简单包含或排除彼此的变量实现互换。

• 前者（聚焦机制和变量间关联的模型）：更有助于揭示机制和解释变量间的关系，适合分析原因和路径。
• 后者（强调预测的模型）：可能在预测就业结果上表现更优，但高预测准确率不代表对培训效果的因果识别充分，往往只是捕捉到了与结局相关、但受限于数据的表面特征。

因此，模型选择时，不能只看预测能力：

1. 需要明确模型的设计目标，是为了理解机制与变量之间的关系，还是以结局的预测为主。
2. 应注重模型的解释性，不能仅以预测准确率评价模型优劣。
3. 要结合实际需求，清楚地区分机制解释和结局预测的不同定位，从而选择更符合分析目的的模型。

模型分数也只是选择的一部分。调整后的 $R^2$、AIC 和 BIC会惩罚无谓复杂度；它们只应在相同结局、样本和似然定义下比较。下表用同一360人样本、总离差平方和85.6、残差平方和79.20/74.58/73.50、回归参数数k=4/7/10演算；信息准则采用共同的高斯工作似然，K=k+1含方差参数，仅作本二元结局的拟合比较，不把高斯误差当作真实分布。林澈还查看残差是否出现曲线、扇形、机构成团或少数高影响记录，并用留出样本检验模型是否只是记住了训练数据。

$$\bar R^2=1-\frac{(1-R^2)(n-1)}{n-k}, \qquad AIC=-2\log L+2K, \qquad BIC=-2\log L+K\log n。$$

---

验证与边界

残差是观测结局减去模型预测值。残差分布可以帮助我们判断模型的拟合质量和潜在问题。主要关注点包括：

• 是否随机分布：若残差围绕零线随机散布，只表示该诊断图未显示明显模式，不能排除遗漏变量、内生性或系统偏误；OLS残差与已纳入变量的样本正交本身只是代数性质。
• 异方差性迹象：若残差随预测值或某些自变量呈现开口或收缩趋势，可能需要调整模型的方差假设或对变量做变换。
• 聚类或分组现象：若残差明显按机构、分组或区域成团分布，需考虑引入聚类结构或随机效应。
• 极端值或高杠杆点：若少数观测值对残差分布有显著影响，建议核查原始记录，确认数据录入无误，并判断是否需要对异常值做特殊处理。

因此，残差分析不仅仅是画一下散点图，而是在模型选择、函数形式判断、方差处理、乃至数据核查和聚类结构设定上提供重要线索。出现上述问题时，应优先考虑模型诊断与修正，而不是急于宣布某个模型胜出。

观察性比较最大的边界是未观测混杂。控制年龄、基线技能和行业经验只能处理已记录并被合理建模的差异，无法自动消除动机、照料责任或推荐关系的影响。更可信的因果判断需要透明的分配或准实验规则、明确时间零点和可追踪的流失。

---

南桥任务

请你替林澈写出会议结论：教学模拟中稳定就业样本差为 +11.7 个百分点，近似区间为 +1.7 至 +21.7 个百分点；调整模型中的正向关联约为 +8.7 个百分点。它支持继续学习与有条件扩展，却不足以独自证明全面扩招划算，或证明培训造成了全部差异。

下一轮应把稳定就业预先锁定为主要结局，记录成本、就业质量和长期收入，并用更强的比较设计处理可比性。对课程和人群差异，应把探索标签、多重比较和独立复核写进方案；对预测模型，则应保留人工复核，避免把历史机会不足的群体自动排除在服务之外。