实证研究常见误区(13)：为什么数据结构会影响回归结果
为什么数据结构会影响回归结果？
很多人做回归分析时，满脑子都是变量选择、显著性检验、R²够不够高——却忽略了一个更根本的问题：你的数据，是什么结构？
数据结构不对，回归结果就会出错。不是"误差大一点"的错误，而是系数方向都可能反过来的那种错误。
01先说一个真实的困惑
假设你在研究“班级规模对学生成绩的影响”。你收集了100所学校、每所学校若干个班级、每个班级若干名学生的数据，然后跑了一个普通线性回归。
结果出来了：班级规模越大，成绩反而越高？
你对结果一定是怀疑的，因为直觉告诉你应该是反的，文献也说是反的，但你的回归偏偏不这么说。
问题出在哪里？出在数据结构上。
02数据是有“层次”的
你的数据并不是一堆独立的学生观测值。这些学生嵌套在班级里，班级嵌套在学校里。同一个学校的学生，共享相同的校长、校风、资源；同一个班的学生，共享相同的老师和教学节奏。
他们之间是相关的，不是独立的。
但普通OLS回归有一个前提假设：残差之间相互独立。一旦数据存在嵌套结构，这个假设就被打破了。强行用OLS，后果是：
- 标准误被低估：因为把相关观测当成了独立观测，样本量被"虚增"了；
- 显著性虚高：本来不显著的结果，p值看起来很小；
- 系数估计有偏：群体层面的效应和个体层面的效应混在一起，产生混淆。
这最后一条，正是"辛普森悖论"能在回归中出现的根源之一——汇总数据时看到的趋势，在分组之后完全反转。
03三种常见的"结构陷阱"
1. 嵌套结构（层次结构）
学生嵌套在班级里，员工嵌套在部门里，患者嵌套在医院里。这类数据需要用“多层线性模型（HLM / 混合效应模型）”来处理，明确区分组内效应和组间效应。
2. 面板结构（纵向重复测量）
同一个体在不同时间点被反复测量。比如追踪同一批患者三年的血压变化。这时个体内部的观测是相关的，需要用固定效应模型或随机效应模型，否则会把个体差异误认为处理效果。
3. 空间/网络结构
相邻地区的经济数据、社交网络中互相认识的个体——他们的残差存在空间自相关。忽略这一点，会让模型以为自己发现了规律，其实只是在拟合地理上的聚集性。
04“数据结构”是分析的起点
很多研究者的习惯是：先跑回归，结果不好看再回头找原因。这个顺序是反的。正确的顺序是：数据从哪里来，怎么来的，就决定了应该用什么模型。
- 数据是横截面还是纵向的？
- 有没有嵌套关系？
- 抽样是不是分层的？
- 个体之间有没有网络连接？
这些问题，在打开SPSS或Python之前就应该想清楚。数据结构是分析框架的地基，地基不对，楼盖得越高越危险。
05一个检查数据结构的清单（请收藏）
在跑回归之前，问自己这几个问题：
- 我的观测单位是什么？（个人、班级、机构、地区？）
- 这些观测单位之间有没有自然的分组或嵌套？
- 我有没有对同一对象进行多次测量？
- 数据的收集方式是简单随机抽样，还是分层/整群抽样？
- 我的结果变量是连续的、二分的，还是计数的？
把这五个问题回答清楚，你就已经避开了大多数初学者会踩的坑。
最后说一句
统计软件越来越强大，操作越来越简单，但这恰恰让"数据结构"这件事更容易被忽视——因为软件不会提醒你，它只会给你一个结果。