当我们在A/B测试中发现B渠道在每一项细分收入上都占优，但总人均收入却落后时，这并非简单的数据错误，而是辛普森悖论正在悄无声息地扭曲我们的判断。
你是否也曾被一组看似确凿的汇总数据所误导？就像当年伯克利大学，因为女生报考热门专业的结构性差异，而被冤枉存在性别歧视。
一、辛普森悖论原版经典故事：伯克利招生“性别歧视”冤案
辛普森悖论的经典真实案例，来自 1973 年美国加州伯克利大学招生事件。
学校对外公布录取数据一出，舆论瞬间哗然：全校男生整体录取率显著高于女生，媒体立刻发文指责校方存在严重性别歧视。
为自证清白，校方把数据按各个院系拆分重新统计，结果彻底反转：几乎每一个独立院系内，女生的录取比例都高于男生。
矛盾的核心根源，就是分层人群结构失衡：女生大多扎堆报考招生名额少、淘汰门槛极高的人文社科专业；男生则集中选择招生名额充足、录取宽松的理工科。海量女生聚集在低录取率院系，直接拉低了全校女生的整体平均录取率，凭空制造出 “歧视” 的虚假结论。 1951 年统计学家辛普森正式归纳定义该现象：拆分到细分维度，每组内表现更优的群体，全部数据合并汇总后，整体表现反而更差。
二、田忌赛马：古人提前 2000 年演绎悖论核心逻辑
大家读《田忌赛马》只当是孙膑的博弈论，做过A/B 实验复盘后才明白：这个千年典故和辛普森悖论底层逻辑完全同源，也是数据分析时最容易踩的致命误区。
我们把赛马套入统计视角就能一眼看懂：
细分分层（同档次马匹一对一单挑）：齐王上等、中等、下等马，全部强于田忌对应档位马匹，单独看每一层，齐王全方位碾压；
全局汇总（三局对战总结果）：孙膑主动调换对战匹配规则，用己方最弱下等马消耗对方最强上等马，再用上、中等马赢得后两局，最终 2 胜 1 负拿下全局胜利。
二者底层规律完全相通：分层局部结论和合并后的整体结论彻底撕裂。
唯一本质区别：
田忌赛马是主动利用分层矛盾、调整分组规则，主动创造优势达成目标；
辛普森悖论是数据天然自带分层结构，各组样本体量权重失衡，不做分层拆解就会被大盘数据误导，做出错误判断。
三、互联网实战案例：小说 APP 渠道数据陷阱
以某小说应用为例：
辛普森悖论其收入由充值收入和广告收入两部分构成（简化假设为两类用户不重合）。B 渠道用户的人均充值收入（0.57）高于 A 渠道（0.50），且人均广告收入（0.41）也高于 A 渠道（0.25）。但汇总计算后，B 渠道的总人均收入反而低于 A 渠道。原因是两个渠道的用户结构存在本质差异——B 渠道新增用户占比高、整体付费意愿低，两个渠道直接比较是不成立的。
辛普森悖论从另一个角度表明：A/B 分流的同质性是不可妥协的前提条件，不同质的样本不能直接对比。
所以我们应该严格遵循分流的同质性和同时性：