十个假设全部通过检验，是不是就是一篇好的论文？——SBS瑞士商学院工商管理博士项目《高级定量分析与应用（上）》课程回顾-高顿

十个假设全部通过检验，是不是就是一篇好的论文？——SBS瑞士商学院工商管理博士项目《高级定量分析与应用（上）》课程回顾

高顿教育2026-10-21 08:15小编

　　数据输入软件，操作后窗口里跳出七八张表。有一格里写着"显著性0.000"，另一格里写着0.656，还有一个加粗的0.734。多数人到这里就卡住了：到底该看哪一个，这几个数分别说明了什么，能不能就此在论文里写下一句"A对B有显著影响"？

　　9月12日，SBS瑞士商学院工商管理博士项目的《高级定量分析与应用》（上）课堂上，王教授从统计思维的四条基本常识讲起，依次覆盖描述性统计、T检验与方差分析、相关分析与卡方检验、判别分析、线性回归、曲线估计和逻辑回归，每讲完一种方法，就带着同学们用真实数据在软件里从头跑一遍、把结果逐行读完。

　　对同学们的学术训练来说，它填的是"跑得出来"和"说得清楚"之间的那道缝隙——知道该报告哪个数、这个数凭什么支撑结论、表里没通过的那一行意味着什么；对日常管理来说，它校正的是更隐蔽的一个习惯：一个常年看平均数、看同比增长的人，怎么改掉"数字高一点就等于好一点"的下意识判断。

　　你不擅长数学，这丝毫不影响你把统计学学好

　　课程一开始，王教授先给部分同学卸包袱。不少人有顾虑：数学底子薄，高级定量分析这门课怎么听得下来。他的回答很干脆——数学并不等于统计学。学统计当然会用到数学，但用到的只是很基础的那部分，"你不擅长数学，这丝毫不影响你把统计学学好"。

　　为了让这句话落地，他先抛了一个小学生都能回答的问题：1.000大于0.999吗？

　　在数学里，这是一道送分题。但放到统计学里，答案未必成立。因为这两个数都不是算出来的，是测出来的；一旦把测量过程里必然存在的误差考虑进去，你就无法铁口直断前者一定比后者大。

　　紧接着是"显著性"这个词。他用了体育比赛做比方：同样是快出一秒，马拉松领先一秒，再比十次未必还能领先；男子百米领先一秒，几乎可以断言再比一百次还是他赢。同样的一秒，放在不同场合，分量完全不同。这就是显著性要表达的东西，而它在统计里最终会落到一个具体的数上——P值。P值小于事先设定的显著性水平，说明"两者没有差别"这个前提站不住，差异才算真的存在。

　　十个假设全部成立的那天，恰恰要警惕

　　有了P值，就要有假设。课上反复强调的一条潜规则是：原假设永远设定为"无差异、无效应、无关联"。像法官先假定嫌疑人无罪一样，只有证据足够强，才推翻它、接受备择假设。

　　有同学问：辛辛苦苦收来的数据，跑完发现假设不成立，论文是不是白做了？他的回答正好相反——这恰恰是你出彩的地方。他打了个比方：提出十个假设，十个全部成立，这只是一篇合格的论文；提出十个假设，七个成立三个不成立，而你又能把那三个为什么不成立讲得自圆其说，这才叫和前人不一样的新发现。结果太漂亮，本身就不是好消息。

　　怕同学们概念混用，他又把两类错误拆开讲。假定被告无罪，实际也无罪、判决也无罪，这是正确的判断；被告有罪、判决也有罪，同样正确。错的是另外两种情形：被告其实无罪，法官判他有罪；被告其实有罪，法官判他无罪。前一种是"太敏感"，像厨房里一开火就尖叫的报警器，把没病的人判成有病；后一种是"太迟钝"，火烧起来了报警器还纹丝不动。两类都要避免，但相对而言，更要盯住前者。

　　至于显著性水平，他也给了很务实的口径：管理学论文取0.05就够了，生物医学领域可能要严到0.01。

　　先看清X和Y是哪种变量，再谈用什么方法

　　整门课的骨架，其实是测量"谁对谁的影响"。王教授强调：工商管理博士论文本质上就是在研究谁对谁的影响，将来开题的时候，一定要说清楚自己的变量是什么。

　　而变量的类型决定了方法的选择，王教授解释到：

　　因变量是连续变量、自变量只有两个类别时，用独立样本T检验；类别超过两个，就不要再用T检验了，改用方差分析，它可以先作方差齐性检验、再用事后比较去定位到底哪两组之间不同。自变量和因变量都是类别变量时，用卡方检验，看某个群体的分布与预期或另一群体是否一致。两个连续变量之间的方向与强度，看相关分析。因变量连续、自变量也连续且不止一个，就进入回归的世界。因变量本身是"买或不买""是否逾期"这类二分类变量，线性回归就不再适用，要换逻辑回归或判别分析。

　　而在统计推断之前，最容易被学员忽略的，是看起来平平无奇的描述性统计分析。王教授强调：虽然看起来谁都会，但博士论文恰恰也需要这块东西。原因很简单。假设请一批在校大学生帮忙填问卷，跑完描述性统计分析发现20到25岁占百分之百，30岁以上一个都没有，学历清一色本科在读，那评审一眼就能看出样本偏了。频率分布是别人判断你这份数据到底覆盖了哪些人的唯一依据，它决定了后面所有结论能不能被采信。

　　冰淇淋卖得越多，溺水的人越多——相关不是因果

　　两个变量一起涨，不等于一个引发了另一个。课上用了那个经典例子：冰淇淋销量和海边溺亡人数高度相关，但背后的共同原因是天气炎热。用他的话说，相关系数只能告诉你相不相关，推不出谁因谁果。

　　皮尔森系数衡量的是两个连续变量之间线性关系的方向和强度，取值在负一到一之间。经验上看，0.8以上算极强相关，0.6到0.79是较强，0.4到0.59属中等。相关度高到一定程度，就引出另一个麻烦——共线性。

　　他用员工的年龄和工龄来解释：一个人年纪越大，在公司服务的年限通常也越长，两个变量高度重合，研究其对业绩的影响时保留一个就够了。放到多元回归里，自变量之间的关系被说得更形象：就像给新领导配了十个人，其中有两位的技能高度重叠，完全可以去掉一个。

　　马力单独显著，加进去反而不显著了

　　课程接下来的重头戏是线性回归，而全天最精彩的一段推理，出现在一份汽车数据上。

　　要解释的是每公升汽油能跑多少公里，候选自变量有三个：排气量、马力和车重。先只放车重，它能解释七成多的里程变异。把三个一起放进去，结果出现了有意思的一幕：马力这一行没能通过检验，P值停在0.656。

　　有同学当场糊涂了——单独跑马力的时候它是显著的，怎么放在一起就不行了？王教授的解释是：马力的解释力被排气量和车重稀释掉了。换句话说，有了后两个变量，马力变成了多余的那个。两次结果都没错，错的是把"单独显著"直接等同于"放进模型也一定有用"。

　　这里还有一层顺序不能颠倒：先看整体检验那张表，它显著只说明三个系数里至少有一个不等于零，并不等于三个都成立；再逐个看每个自变量的检验结果，谁通过谁不通过才算清楚。

　　紧跟着是R2。自变量越多，R2只会越来越大，这种"虚胖"需要用调整后的R2来抵消——自变量超过两个时，必须报告调整后的R2。这一例调整后的R2是0.734，剩下约四分之一进到残差里，由模型没能纳入的原因去解释。他的提醒是：显著性没过之前，R2再高也没有意义；过了显著性再比R2，这时候的比较才有价值。

　　变量怎么进模型，也被讲成了三个策略：向前筛选是从最相关的一个开始往里加，向后筛选是把所有变量放进去再逐个剔除，逐步筛选是两者的组合。落到操作层面，他更推荐向前筛选。而残差——预测值和真实值之间的距离——被他反复强调：这条回归线只刻画自变量变化时，因变量的平均水平怎么变，不能凭它说某件事一定导致另一件事。