Skip to content

CSlawyer1985/legal-skillhub / skills/anythingbutlaw

AnythingButLaw

Verified

法外功夫 — Non-legal business skills for lawyers. Decision analysis, game theory, contract design, accounting, finance, microeconomics, law & economics, statistics, and regression analysis distilled into deep, actionable frameworks for legal practice. Each domain includes formulas with LaTeX notation, worked examples, adversarial checklists, and book-aligned structure. | 律师必备的非法律商业技能深度参考:决策分析、博弈论、合同设计、会计、金融、微观经济学、法经济学、统计分析、多元回归。每章都包含完整公式推导、worked examples、对抗清单与经典判例。当用户涉及和解谈判、合同激励、财务尽调、企业估值、损害赔偿计算、反垄断分析、统计证据评估、歧视诉讼回归分析、hold-up、效率违约、Daubert 动议等场景时触发。

references/multivariate-statistics.md

View on GitHub
# 多元统计 Multivariate Statistics

> 歧视诉讼中,被告说"我们不是因为性别,是因为经验不同"。你怎么检验这个说法?答案是 **多元回归**——控制其他变量后,看性别是否仍然显著影响薪酬。这是律师在现代诉讼中最常遇到的统计工具,也是对方专家证人最常攻击的靶子。这一章教你 **怎么读懂回归输出、怎么挑战回归、怎么问正确的问题**。

## 1. 为什么律师需要多元统计

- **歧视诉讼**(薪酬、晋升、录用):隔离受保护特征的纯效应
- **反垄断**:价格效应的实证估计
- **证券诉讼**:事件研究的市场模型(见 `finance.md`)
- **损害赔偿**:基于回归的收入损失预测
- **环境诉讼**:暴露与疾病的关联分析
- **政策评估**:新规则的因果效应
- **政治诉讼**:选区划分、种族投票分析

## 2. 从散点图开始

### 2.1 散点图 Scatterplots

**探索两个变量关系的第一步**。

绘制方法:
1. X 轴 = 解释变量 (independent / explanatory variable)
2. Y 轴 = 响应变量 (dependent / response variable)
3. 每个观测一个点

**揭示**:线性、非线性、无关系、异常值、异方差。

**律师习惯**:**先画图再回归**。很多错误的回归能被一张散点图预警。

### 2.2 Anscombe's Quartet

著名的教学例子:**四个数据集** 有完全相同的均值、方差、相关系数、回归直线——但散点图截然不同。一个是线性关系、一个是抛物线、一个是有一个极端异常点的线性关系、一个是 X 的一个值加几个点。

**教训**:**数字统计量不能代替可视化**。对方专家只给你数字不给你图?那就自己画。

## 3. 相关 Correlation

### 3.1 Pearson 相关系数 $r$

衡量 **线性关系** 的方向和强度:

$$r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \sum (y_i - \bar{y})^2}}$$

- $r \in [-1, 1]$
- $r > 0$:正相关;$r < 0$:负相关;$r = 0$:无线性相关
- $|r|$ 越大,线性关系越强

| $\|r\|$ | 强度 |
|---|---|
| $< 0.1$ | 几乎无关 |
| $0.1$–$0.3$ | 弱 |
| $0.3$–$0.5$ | 中 |
| $\geq 0.5$ | 强 |

### 3.2 其他相关系数

- **Spearman 秩相关 $\rho$**:基于排序,**不需要线性假设**。对单调但非线性的关系更稳健。
- **Kendall's $\tau$**:另一种秩相关
- **Point-biserial**:连续变量 vs 二元变量

### 3.3 关键警告

- **$r$ 只捕捉线性关系**。$r = 0$ 不等于"无关"——可能是非线性关系(U 形、倒 U 形)
- **对异常值极敏感**:一个离群点可以把 $r$ 从 $0$ 拉到 $0.5$
- **相关不是因果**(§4 详述)

## 4. 相关 ≠ 因果

**这是统计学中最重要、律师最需要牢记的原则**。两个变量一起变动,不代表一个导致了另一个。

### 4.1 相关但无因果的四种情况

1. **巧合 (spurious correlation)**:纯巧合——足够大的数据集里总能找到
2. **反向因果 (reverse causation)**:Y 导致 X 而不是 X 导致 Y
3. **共同原因 (common cause / confounding)**:Z 同时导致 X 和 Y
4. **选择效应 (selection effect)**:样本被系统性地选择

### 4.2 经典例子

**冰淇淋销量与溺水事故**:正相关——**共同原因** 是气温。不是冰淇淋导致溺水。

**警察数量与犯罪率**:正相关——因为高犯罪率的城市派驻更多警察。**反向因果**。不控制这一点会得出"警察增加犯罪"的荒谬结论。

**就业与教育**:高学历者失业率低——但可能因为 **能力(未观察)** 同时导致高学历和低失业。**混杂变量**。

**酗酒与离婚**:都相关——但可能都受 **婚姻不幸福、经济压力** 影响。

### 4.3 因果推断的黄金标准:随机对照试验 (RCT)

随机分配处理 → 消除 **选择偏差** 和 **混杂变量**。但在法律问题中,RCT 往往不可行(伦理、实际、成本)。所以需要 **准实验方法**(§13)。

## 5. 简单线性回归 Simple Linear Regression

### 5.1 模型

$$Y = \alpha + \beta X + \epsilon$$

- $\alpha$ = 截距 (intercept):当 $X = 0$ 时 $Y$ 的期望值
- $\beta$ = 斜率 (slope):$X$ 每增加一单位,$Y$ 的期望变化
- $\epsilon$ = 误差项:无法被 $X$ 解释的部分

### 5.2 最小二乘估计 OLS

选择 $\hat{\alpha}, \hat{\beta}$ 使 **残差平方和** 最小:

$$\min \sum_{i=1}^{n} (y_i - \hat{\alpha} - \hat{\beta} x_i)^2$$

闭式解:

$$\hat{\beta} = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2} = r \cdot \frac{s_y}{s_x}$$

$$\hat{\alpha} = \bar{y} - \hat{\beta} \bar{x}$$

### 5.3 Gauss-Markov 定理

**OLS 是 BLUE (Best Linear Unbiased Estimator)**——在几个假设下方差最小:
1. **线性关系** (linearity)
2. **误差均值为零** ($E[\epsilon] = 0$)
3. **同方差** (homoscedasticity):误差方差恒定
4. **无自相关** (no autocorrelation):$\text{Cov}(\epsilon_i, \epsilon_j) = 0$
5. **$X$ 是非随机的 / 与 $\epsilon$ 不相关**
6. **(可选)正态性**:假设检验时需要

**假设失败会怎样**?见 §10。

## 6. $R^2$ 决定系数

$$R^2 = 1 - \frac{\text{SSR}}{\text{TSS}} = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}$$

- **TSS** = Total Sum of Squares = $Y$ 的总变异
- **SSR / RSS** = Residual Sum of Squares = 模型无法解释的变异
- **ESS** = Explained Sum of Squares = 模型解释的变异

$R^2$ 的解读:**模型解释了 $Y$ 变异的多大比例**。

- $R^2 = 0.80$ → $80\%$ 的 $Y$ 变异被模型解释,$20\%$ 是噪声或遗漏变量
- $R^2 = 0.20$ → 模型只解释 $20\%$

**经济 / 社会数据**:$R^2 = 0.3$–$0.6$ 常见
**物理学数据**:$R^2 > 0.9$ 常见

**关键警告**:**高 $R^2$ 不等于好模型**。你可以通过加入无关变量人为提高 $R^2$。**低 $R^2$ 也不等于回归系数不显著**——关心的是系数本身。

### 6.1 调整 $R^2$

惩罚加入更多变量:

$$\bar{R}^2 = 1 - (1 - R^2) \cdot \frac{n - 1}{n - k - 1}$$

($k$ = 解释变量个数)

**用法**:比较不同变量数的模型时用 $\bar{R}^2$,不要用原始 $R^2$。

## 7. 多元线性回归 Multiple Linear Regression

### 7.1 模型

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k + \epsilon$$

**核心优势**:**控制其他变量后** 隔离某个变量的独立效应。

### 7.2 系数的解读

$\beta_j$ = **在保持其他所有变量不变的情况下**,$X_j$ 每增加一单位,$Y$ 的期望变化。

**这就是回归在歧视诉讼中的作用**:控制学历、工龄、职位后,**性别** 还有没有显著效应?

### 7.3 Worked Example:薪酬歧视(简化版)

**模型**:

$$\text{Salary}_i = \beta_0 + \beta_1 \text{Gender}_i + \beta_2 \text{Education}_i + \beta_3 \text{Experience}_i + \beta_4 \text{Department}_i + \epsilon_i$$

(Gender: 男 = 1, 女 = 0;虚拟编码)

**假设结果**:
- $\hat{\beta}_1 = 5{,}200$,标准误 $= 1{,}100$
- $t = 5{,}200 / 1{,}100 = 4.73$
- $p < 0.001$

**解读**:**控制学历、经验、部门后,男性平均年薪比女性高 $\$5{,}200$**,高度显著。

**原告 (plaintiff)**:这是歧视的 prima facie 证据。
**被告 (defendant)**:反驳方向——**遗漏变量** (§10.1),比如"工作兴趣"、"可用时间"、"特定技能"。

## 8. 虚拟变量 Dummy Variables

### 8.1 基本用法

**分类变量** 不能直接进回归。用 **虚拟变量 (dummy / indicator variable)** 编码:

| 分类 | $D_1$ | $D_2$ | $D_3$ |
|---|---|---|---|
| 男性 | 1 | 0 | 0 |
| 女性 | 0 | 1 | 0 |
| 其他 | 0 | 0 | 1 |

**陷阱**:**虚拟变量陷阱 (dummy variable trap)**。如果 $k$ 个类别都加进去,它们加起来恒等于 1,与截距项 **完全共线**——回归矩阵不满秩,无解。

**解法**:去掉一个类别作为 **基准 (reference group)**,剩下 $k - 1$ 个虚拟变量。系数解读为"与基准的差距"。

### 8.2 交互项 Interaction Terms

**基本交互项**:

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 (X_1 \cdot X_2) + \epsilon$$

$\beta_3 > 0$ 表示 $X_1$ 的效应 **随 $X_2$ 增加而增加**。

**在歧视诉讼中**:**性别 $\times$ 经验** 可以检验"是否经验对女性的回报更低"——这是比单独性别系数更微妙的歧视形式。

## 9. 假设检验 in Regression

### 9.1 t 检验(单个系数)

$$t = \frac{\hat{\beta}_j - 0}{SE(\hat{\beta}_j)}$$

自由度 $df = n - k - 1$。

**显著性判断**:
- $|t| > 1.96$(近似)→ $p < 0.05$(双尾)
- $|t| > 2.58$ → $p < 0.01$
- $|t| > 3.29$ → $p < 0.001$

### 9.2 F 检验(联合显著性)

检验 **一组系数同时为零** 的假设:

$$H_0: \beta_1 = \beta_2 = \cdots = \beta_k = 0$$

$$F = \frac{R^2 / k}{(1 - R^2) / (n - k - 1)}$$

**应用**:测试整个模型是否有解释力;测试一组虚拟变量(比如所有部门)是否联合显著。

## 10. OLS 假设失败及后果

### 10.1 遗漏变量偏误 Omitted Variable Bias

**这是歧视诉讼中最常见、最致命的问题**。

如果真实模型是:

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \epsilon$$

但你只跑:

$$Y = \gamma_0 + \gamma_1 X_1 + u$$

则 $\hat{\gamma}_1$ 的期望是:

$$E[\hat{\gamma}_1] = \beta_1 + \beta_2 \cdot \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$$

**偏误方向**:$\beta_2$ 与 $X_1, X_2$ 的相关性决定偏误方向。

**例 (Sears 案)**:Sears 的原告模型没包含"对该工作的兴趣"。如果男性对销售佣金工作兴趣更大,而兴趣也影响薪酬,那么 **性别系数** 就被偏误——把"兴趣效应"归给了"性别"。

**律师策略**:
- **原告**:论证所有"合理"的控制变量都已包含;遗漏的变量不太可能与性别相关
- **被告**:提出未控制的"合法"变量;说明它们与性别相关

### 10.2 多重共线性 Multicollinearity

**定义**:两个或多个解释变量 **高度相关**。

**症状**:
- 单个系数的 $t$ 不显著,但 F 检验显著
- 系数的符号与预期相反
- 系数对加 / 减一个变量极敏感
- 标准误非常大

**诊断**:
- **相关矩阵**:变量间相关系数
- **VIF (Variance Inflation Factor)**:$\text{VIF}_j = 1 / (1 - R_j^2)$,$R_j^2$ 是 $X_j$ 对其他解释变量回归的 $R^2$
- **VIF > 10** 通常被视为严重问题

**例**:同时包含 **年龄** 和 **工龄**——高度相关,难以分离独立效应。

**解法**:
- 去掉一个
- 合并为一个(如平均值)
- 主成分分析 (PCA)
- 用更大样本(有时能减轻,但不总是)
- **接受宽置信区间**(有时这就是真相)

### 10.3 异方差 Heteroscedasticity

**定义**:误差的方差 **不恒定**($\text{Var}(\epsilon_i)$ 随 $X_i$ 变化)。

**例**:薪酬的方差随经验增加而增加(高级岗位的薪酬差距大)。

**后果**:
- OLS 系数仍然 **无偏**
- 但 **标准误不正确**——导致假设检验 **无效**(可能误判显著性)

**诊断**:
- **Breusch-Pagan 检验**
- **White 检验**
- **残差对 $\hat{Y}$ 的散点图**:扇形、漏斗形是症状

**解法**:
- **稳健标准误 (robust / Huber-White SE)**:现代标准做法
- **加权最小二乘 (WLS)**
- **变换变量**(取对数常常有效)

### 10.4 自相关 Autocorrelation

**定义**:误差之间相关($\text{Cov}(\epsilon_i, \epsilon_j) \neq 0$)。

**常见场景**:时间序列数据(今天的误差与昨天相关)、聚类数据(同一公司内员工误差相关)。

**诊断**:
- **Durbin-Watson 检验**(时间序列)
- **残差自相关图**

**解法**:
- **Cochrane-Orcutt 变换**
- **Newey-West 标准误**
- **聚类稳健标准误**(cluster-robust SE)

### 10.5 双向因果 / 内生性 Endogeneity

**$X$ 与 $\epsilon$ 相关** → OLS 系数 **有偏**。

**来源**:
1. **反向因果**($Y$ 影响 $X$)
2. **遗漏变量** 同时影响 $X$ 和 $Y$
3. **测量误差** 在 $X$ 中

**警察与犯罪** 是经典例子。简单回归:

$$\text{犯罪率} = \alpha + \beta \cdot \text{警察数} + \epsilon$$

会发现 $\hat{\beta} > 0$ —— 但这不代表 **警察增加犯罪**,而是因为高犯罪率的地方 **部署** 更多警察。

**解法**:工具变量 (§13.1)

### 10.6 异常值 Outliers & Influential Points

- **异常值 (outlier)**:残差特别大
- **高杠杆点 (high leverage)**:$X$ 值特别极端
- **影响点 (influential point)**:同时异常 + 高杠杆,拉动回归直线

**诊断**:
- **标准化残差**:> $|3|$ 是异常
- **Cook's distance**:> $4/n$ 值得检查
- **Leverage statistic (hat value)**

**处理**:
- 调查原因(数据录入错误?真实但罕见?)
- 报告 **有和没有** 异常值的结果
- 不能仅因"不好看"就剔除

## 11. 非线性与变量变换

### 11.1 对数变换 Log Transformation

**对数-线性模型 (log-linear)**:

$$\ln Y = \beta_0 + \beta_1 X + \epsilon$$

系数解读:**$X$ 每增加一单位,$Y$ 增加 $100 \beta_1\%$**(近似)。

**对数-对数模型 (log-log / elasticity)**:

$$\ln Y = \beta_0 + \beta_1 \ln X + \epsilon$$

系数解读:**弹性**——$X$ 变化 $1\%$,$Y$ 变化 $\beta_1\%$。

**律师应用**:
- 薪酬回归常用 $\log(\text{salary})$——因为薪酬分布右偏
- 价格弹性估计用 log-log
- 企业规模效应用 log(revenue)

### 11.2 多项式项 Polynomial Terms

$$Y = \beta_0 + \beta_1 X + \beta_2 X^2 + \epsilon$$

捕捉 **U 形** 或 **倒 U 形** 关系。例:经验与薪酬——起初快速增长,然后趋于平缓甚至下降(退休前)。

### 11.3 分段线性 / 样条 Piecewise / Splines

在不同区间用不同斜率。适合阈值效应。

## 12. Logistic 回归 Logistic Regression

### 12.1 为什么需要

OLS 不适合 **二元结果**($Y = 0$ 或 $1$)——预测值可能 < 0 或 > 1,误差不是正态。

### 12.2 模型

$$P(Y = 1 \mid X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \cdots)}}$$

等价于:

$$\ln \left( \frac{P}{1 - P} \right) = \beta_0 + \beta_1 X_1 + \cdots$$

**左边** 叫 **对数几率 (log odds / logit)**。

### 12.3 Odds Ratio 的解读

$$\text{OR} = e^{\beta_j}$$

**OR** = 2 表示 $X_j$ 增加一单位,$Y = 1$ 的 **几率(odds)** 翻倍——**不是概率翻倍**。

### 12.4 法律应用

- **录用 / 晋升**:$Y$ = 是否录用
- **刑事量刑**:$Y$ = 是否判监禁
- **破产预测**:$Y$ = 是否破产
- **疾病诊断**:$Y$ = 是否患病

## 13. 因果推断工具箱 Causal Inference Toolkit

当无法做 RCT 时,现代准实验方法:

### 13.1 工具变量 Instrumental Variables (IV)

**问题**:$X$ 与 $\epsilon$ 相关(内生),OLS 有偏。

**解法**:找一个 **工具 $Z$**,满足:
1. **相关性 (relevance)**:$Z$ 与 $X$ 相关
2. **外生性 (exogeneity)**:$Z$ 与 $\epsilon$ 无关($Z$ 只通过 $X$ 影响 $Y$)

**两阶段最小二乘 (2SLS)**:
- 第一阶段:$X = \pi_0 + \pi_1 Z + v$ → 得 $\hat{X}$
- 第二阶段:$Y = \beta_0 + \beta_1 \hat{X} + u$

**经典例子**:
- **Angrist-Krueger (1991)**:出生季节作为受教育年数的工具(影响入学年龄 → 影响受教育年数,但对成年收入无直接影响)
- **Levitt (1996)**:监狱人口上限诉讼作为监狱人口的工具,估计监禁对犯罪的因果效应
- **Acemoglu-Johnson-Robinson (2001)**:殖民者死亡率作为制度质量的工具

**律师应用**:当对方的回归存在明显内生性时,问 **"为什么不用 IV?找不到合适的工具吗?"**

### 13.2 Difference-in-Differences (DiD)

**场景**:某项政策在 $t$ 时刻实施于某组(处理组),另一组未受影响(对照组)。

**DiD 估计量**:

$$\text{DiD} = (Y_{\text{post, treated}} - Y_{\text{pre, treated}}) - (Y_{\text{post, control}} - Y_{\text{pre, control}})$$

**核心假设**:**平行趋势 (parallel trends)**——如果没有政策,两组会以相同速度变化。

**例**:
- **Card-Krueger (1994)**:新泽西最低工资上调对就业的影响(对照组:宾夕法尼亚)——颠覆了"最低工资必然减少就业"的传统观点
- **Ashenfelter (1978)**:培训项目的效果

**律师应用**:评估新规则、新判例的经济效果;损害赔偿中的 but-for 分析。

**陷阱**:平行趋势假设 **不可直接检验**(只能事前看图形)。

### 13.3 断点回归 Regression Discontinuity (RD)

**场景**:处理与否取决于某个阈值(如学生考分 > 70 进入资优班)。

**逻辑**:阈值附近的两组基本相同,**唯一区别** 是处理与否——类似局部 RCT。

**例**:
- **最低投票年龄、饮酒年龄**:年龄 18 岁 ± 1 个月的人"几乎相同",但法律地位完全不同
- **选举政治**:险胜 vs 险败的候选人

### 13.4 倾向得分匹配 Propensity Score Matching (PSM)

**基本想法**:为每个处理组成员找一个 **尽可能相似** 的对照组成员。

**步骤**:
1. 用 logistic 回归估计 **倾向得分** $P(\text{Treated} = 1 \mid X)$
2. 匹配得分相近的个体
3. 比较匹配对的 $Y$

**用途**:处理 **选择偏差**——但不能处理 **未观察的混淆变量**(IV 可以)。

### 13.5 合成控制法 Synthetic Control

**场景**:只有一个处理单元(如一个城市、一个州、一个国家)。

**方法**:用其他单元的加权组合构造一个"合成对照",使其在处理前与真实处理单元相似。

**例**:**Abadie-Gardeazabal (2003)**:巴斯克地区恐怖主义对 GDP 的影响。

## 14. 歧视诉讼中的回归:完整对抗清单

### 14.1 原告的经典步骤

1. 建立 **基准回归**:$Y$ = 薪酬(或 log 薪酬)
2. **关键变量**:受保护特征(性别、种族、年龄)
3. **控制变量**:所有 **合法** 的影响因素(教育、经验、部门、职级)
4. 报告系数、标准误、$t$、$p$、$R^2$
5. **稳健性检验**:不同样本、不同控制集、不同函数形式
6. **交互项**:检验歧视的异质性

### 14.2 被告的经典反驳

1. **遗漏变量**:缺少关键合法变量(工作时数、特定技能、兴趣、客观绩效)
2. **样本选择**:样本不是随机的
3. **多重共线性**:系数估计不稳定
4. **双向因果**:薪酬 → 流动 → 观察到的"经验"(薪酬高的留下来的经验更多)
5. **功能形式**:线性假设错误
6. **异常值驱动**:少数高薪或低薪观察驱动结果
7. **分层效应 / Simpson 悖论**:各部门内部性别差距都不显著,只是部门间分布导致的
8. **比较错误**:应与同职级 / 同部门比较,而非总体

### 14.3 回归质量检查表

1. **样本**:代表性?样本量足够吗?
2. **变量选择**:所有合理控制变量都在吗?
3. **函数形式**:线性合适?对数?多项式?
4. **虚拟变量**:正确编码?基准组合理?
5. **交互项**:检查了异质性吗?
6. **多重共线性**:VIF 检查
7. **异方差**:用了稳健 SE 吗?
8. **异常值**:诊断并处理
9. **遗漏变量**:有没有理论上重要但未包含的变量?
10. **内生性**:有没有反向因果?需要 IV 吗?
11. **模型稳健性**:换规范后结果稳定吗?
12. **预测 vs 因果**:这个回归是做预测还是论证因果?

## 15. Bazemore v. Friday, 478 U.S. 385 (1986)

**最高法院的关键判例**:回归分析在歧视诉讼中 **必须被接受** 作为证据,即使它不包含 **所有** 可能相关的变量。

**Powell 法官**:*"A plaintiff in a Title VII suit need not prove discrimination with scientific certainty; rather, his or her burden is to prove discrimination by a preponderance of the evidence."*

**含义**:
- 被告不能通过"你没控制所有变量"简单击败原告的回归
- 但被告可以通过显示 **具体的、合理的** 遗漏变量扭曲了结果来反驳
- 法官作为 gatekeeper(Daubert 后)决定哪些遗漏变量的挑战是合理的

## 16. 回归 vs 描述:永远分清楚

一个常见混淆:**回归是在做因果推断还是纯预测**?

- **描述**:这些变量之间如何关联
- **预测**:给定 $X$,最好的 $Y$ 预测是什么
- **因果**:如果我们改变 $X$,$Y$ 会如何变化

**OLS 做得好"描述"和"预测"**(在假设满足时),但 **因果推断** 需要额外的识别假设(随机化、自然实验、IV、DiD 等)。

**律师最常见的错误**:把一个描述性回归当成因果证据。**警察数量与犯罪率的回归** 本身只是描述性的;要说"增加警察能减少犯罪"需要因果识别策略。

## 17. 书中与学术经典案例

- **Bazemore v. Friday (1986)**:回归证据的确立
- **McCleskey v. Kemp (1987)**:Baldus 研究——死刑判决中的种族差异,大型回归分析
- **Price Waterhouse v. Hopkins (1989)**:性别成见 + 回归证据
- **Wal-Mart v. Dukes (2011)**:集体诉讼中大样本回归的挑战
- **Sears 案**:历史上"兴趣"作为遗漏变量的经典辩护
- **Shapiro et al., "Regression Analysis in Title VII Cases" (多篇学术论文)**

## 18. 律师的回归对抗清单(速查)

### 当对方给你一个回归

1. **样本**:怎么选的?代表性?
2. **变量选择**:合理控制变量都在吗?**关键:遗漏变量**
3. **系数的显著性**:$t > 2$ 吗?
4. **效应量**:系数大到有实际意义吗?
5. **$R^2$**:模型解释力如何?
6. **稳健性**:不同规范下结果稳定吗?
7. **OLS 假设**:异方差、内生性、共线性?
8. **因果 vs 描述**:这是哪一种?

### 当你需要反驳

9. 提出具体的、有理有据的 **遗漏变量**
10. 指出 **样本选择** 问题
11. 质疑 **因果识别策略**
12. 自己跑一个替代回归,展示结果不稳定
13. 做 **Sensitivity analysis**:系数要变多少才会不显著?

## 19. 常见陷阱速查表

| 陷阱 | 症状 | 修正 |
|---|---|---|
| 相关当因果 | "X 与 Y 相关,所以 X 导致 Y" | 识别策略、因果工具 |
| 遗漏变量 | 系数被偏误 | 加入遗漏变量或用 IV |
| 双向因果 | 警察-犯罪 | IV、DiD、自然实验 |
| 多重共线性 | $t$ 不稳定 | VIF、合并变量 |
| 异方差 | 标准误错误 | 稳健 SE |
| 虚拟变量陷阱 | 矩阵不满秩 | 去掉一个基准组 |
| 异常值驱动 | 结果不稳健 | Cook's D、稳健回归 |
| 高 $R^2$ 自满 | "模型很好" | 检查系数、假设 |
| 线性假设错误 | 残差图有模式 | 对数、多项式、样条 |
| 样本选择 | 只看某类观察 | Heckman 校正 |
| Simpson 悖论 | 总体 vs 分层相反 | 分层回归 |
| 统计显著 ≠ 实际意义 | $p < 0.05$ 就结论 | 效应量 |
| 描述当因果 | "回归说明 X 导致 Y" | 明确识别策略 |

---

**进阶阅读**:Joshua Angrist & Jörn-Steffen Pischke, *Mostly Harmless Econometrics*(现代因果推断的经典);Wooldridge, *Introductory Econometrics*;Imbens & Rubin, *Causal Inference*;Scott Cunningham, *Causal Inference: The Mixtape*(免费、实用)。

**相关参考文件**:
- `statistics.md` — 假设检验、概率、置信区间
- `finance.md` — 事件研究(回归在证券诉讼中的应用)
- `microeconomics.md` — 弹性、需求估计
- `economic-analysis.md` — 法律规则的实证评估
- `examples/discrimination-regression-analysis.md` — 完整 worked example
brainstormingobra/superpowersYou MUST use this before any creative work - creating features, building components, adding functionality, modifying behavior, or planning anything new, in software or out of it (a talk, a business, a renovation).Stars: 323kUpdated Claude CodeCodexVerifiedInstall
brand-guidelinesanthropics/skillsApplies Anthropic's official brand colors and typography to any sort of artifact that may benefit from having Anthropic's look-and-feel. Use it when brand colors or style guidelines, visual formatting, or company design standards apply.Stars: 198kUpdated Claude CodeCodexVerifiedInstall
frontend-designanthropics/skillsGuidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults.Stars: 198kUpdated Claude CodeCodexVerifiedInstall
mcp-builderanthropics/skillsGuide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate external APIs or services, whether in Python (FastMCP) or Node/TypeScript (MCP SDK).Stars: 198kUpdated Claude CodeCodexVerifiedInstall