最后三周收官，节奏放缓但阅读量上来。W10 教时间序列预测和误差评估，W11 讲四种数据存储格式的选型口诀，W12 教数据采集和分析伦理四透镜：Privacy、Bias、Accountability、Power。讲义标注四透镜论述题是期末高频考点。

🔄 同一套工具，问题换了一层

同一套 dplyr 和 ggplot2，做出来的东西完全不同。W5 问的是「ASX 200 各行业 ROIC 怎么排」，你跑一遍 group_by 加 summarise 就有答案，结果算出来就完了；W9 问的是「改了一句分享文案，分享率提高了 0.7 个百分点，能说是这句话导致的吗」，同样的代码算出同样精确的数字，但这次你还得回答这个数字到底能不能当真。

工具层面的变化其实很小。dplyr 的几个动词、ggplot2 的分层语法、pivot 和 join，这些 W4-6 练过的东西在 W7-9 继续用，写法几乎一样。变的是你开始追问更多东西：结果背后可能还有其他解释，换一批实验对象结论未必成立，某个变量可能被漏掉了。

📌 你会发现一个有意思的变化：前半学期担心的是代码报错怎么办，后半学期担心的变成了代码跑出来了、结论靠谱吗。

所以后半学期感觉更密集。工具负担没增加多少，思维负担明显上来了。

🎯 一句话换来成千上万次分享

顺着这个「能不能信」的问题，W9 讲的 DonorsChoose 田野实验是整门课里特别有意思的一个案例。DonorsChoose 是一个美国教育众筹平台，老师在上面发帖列出教室需要的物资，捐赠者小额捐款直接送达。平台想解决一个很实际的运营问题：怎样让捐完钱的人把项目分享给朋友，带来更多捐赠。2020 年做了一个田野实验，测试两句分享文案：Control 组看到「Share this classroom with family and friends」，分享率 14.4%；Treatment 组看到「Your donation can start a chain reaction, but only if you tell others about the cause」，分享率 15.1%。绝对差 0.7 个百分点，相对变化 4.9%。这个数字看起来很小。但放到整个平台的规模上，0.7pp 意味着成千上万额外的分享和后续捐赠。而这是一个随机化实验得到的因果估计，两组人之间变化的只有那句话。

同一周还用了一个虚构经济体做反面演示。五千人，染棕发收入高 10%，有学位收入高 20%，没上大学的人 40% 会去染棕发。你直接拿棕发和非棕发的人比收入，结果发现棕发者收入反而低 1%，方向完全反了。原因是「学历」同时驱动了染发和收入两件事，成了一个典型的遗漏变量。控制学历以后，估计值修正到 +12.2%，接近真实设定的 +10%。

两个案例串起来体验很直接：先看到一句话能改变人的行为，再看到一个明明方向设定好的关系被遗漏变量搅成相反结论。以后你再遇到数据里的关联，下意识就会多追一句「还有什么别的原因」，而这个反应从这里一直用到期末。

🔑 一个能用到期末的判断习惯

每次在数据里看到一个模式，比如 A 涨 B 也涨，或者某个群体表现更好，先停下来追问：还有哪两三个其他原因也能产生同样的结果？

这个习惯从 W4 就开始适用。Datasaurus 告诉你统计数字完全相同的数据集画出来可能完全不同，数据里藏着肉眼看不见的结构。W8 的遗漏变量偏差告诉你，忘了控制一个变量就能把结论方向搞反。W9 的反事实框架把这件事讲清楚了：只有排除了其他解释，才能说因果。到 W12 的伦理四透镜，同一个习惯还在用。比如 Apple Card 2019 年被指性别歧视，算法里没有「性别」这个输入变量，但通过职业和收入模式间接代理了性别，同等条件下男性拿到的额度更高。你要判断这个算法有没有偏差，前提是能区分关联和因果。

• Quiz 测概念识别，每周跟着走就行
• Mid-term 测数据处理基本功，W4-6 的代码练熟就够
• Group Assignment 测从数据获取到管理建议的全链路
• 期末考测因果判断和伦理论述，W7 起的思维积累在这里兑现

💡 **看到关联先找其他解释。**期末考遇到「这个分析能证明因果关系吗」这类题，默认思路就是找还没被排除的其他原因。