主题：投票【原创】辛普森悖论 -- earthcolor

这个问题比较大，我没有经验。考虑了一会，感觉还是只能胡乱说几句。

先解释一下，在老马丁的例子中，有一个隐含的下一步选择：要不要改变招生政策？如果数据分析显示有性别歧视，就要改变招生政策了。很多数据分析，无论原数据中有无可控变量，都是为下一步选择做准备的。

再说几句体外话：在很多的统计的实验设计中，主要考虑所得到的数据是否能更好地验证给出的假设，实验设计是为假设验证服务的。在假设验证之后（无论接受与否），可以根据假设验证的结果，采取相应的选择或决策。

我自己对假设生成更感兴趣。有了好的假设，才可能在假设验证中发现有数据支持的结论。当然，这不是说假设生成比假设验证更重要。而是想强调，假设生成和假设验证是统一的一个整体中。统计课本中，更强调假设验证。这个现象的原因可能是假设验证已经比较系统化，而假设生成还比较初级。

好了，回到主题。下面完全是个人的理解，没有理论或技术支持。我随便说说，你随便看看。

如果一个公司要有一个全套的D marketing 策略，那么公司一定要建立自己的客户模型：哪一类客户对哪一类广告感兴趣，并会有购买的行为？我想，可能需要多次收集数据，才可能达到这个目标。

如果一次只想验证一个假设，比如一段时间的广告，对产品的销售额有多大的提高？这样的假设验证容易操作一些。但结果不一定可靠，因为可能还有很多因素在起作用。举个例子，如果一个公司在11月做了广告。过了元旦，发现产品的销量比前几个月、比往年都增加了很多。这会不会是广告的效果呢?我认为还更具体的分析：要过圣诞了、过元旦了，所有同类的消费都增加了；可能当年的经济好，所有同类的消费都增加了。

我的建议是：1）尽量建立一个整体模型，根据整体模型，选择每次要进行的假设检验。

2）如果能有同类公司的同时期的数据，可能比较更有效果