数据科学家的推断统计实战指南：从样本到业务决策

1. 这不是统计学课本，而是一份数据科学家每天都在用的推理工具包

“推断统计”这四个字听起来像大学期末考前临时抱佛脚翻的那本厚书——公式密布、符号狰狞、假设检验像闯关游戏，每一步都得念咒般写下H₀和H₁。但现实是：你在凌晨两点调试完模型，发现A/B测试组的点击率差了0.8%，老板微信弹出一句“这个差异到底靠不靠谱？”，你不会打开《概率论与数理统计》第237页，而是要立刻判断——这0.8%是真实业务信号，还是随机波动在跟你开玩笑？Inferential Statistics for Data Science: Explained，这个标题里藏着的不是理论考试大纲，而是一套被压缩进Jupyter Notebook、嵌入在SQL查询结果旁、写在模型评估报告脚注里的实战决策逻辑。它解决的核心问题非常朴素：当手头只有样本（比如今天采集的1万条用户行为日志），如何有底气地说出总体（比如全平台5000万用户的长期偏好）的真实情况？关键词“Data Science”已经划清了边界——这里不讲如何严格证明中心极限定理的δ-ε语言，而是聚焦于当你面对pandas DataFrame时，哪些检验该用、参数怎么调、结果怎么看、结论怎么写进周报。适合刚从Python基础爬出来、正被业务方追问“为什么”的初级数据分析师；也适合做了三年建模、突然被要求解释“特征重要性排序是否稳定”的中级算法工程师；甚至适合那个总在会议里问“这个置信区间95%到底意味着什么”的产品经理。它不替代数学功底，但能让你把数学功底变成可交付的业务判断力。我带过的实习生里，有人花两周啃完《All of Statistics》，却在第一次做漏斗归因时，把t检验误用在非正态分布的停留时长上，导致整个渠道优化方案被推翻重来。真正的门槛从来不在公式本身，而在理解“为什么此刻必须用这个工具，而不是那个”。

2. 内容整体设计与思路拆解：从“证明对错”到“量化不确定”

2.1 为什么数据科学场景下，传统统计教学路径会失效？

教科书常把推断统计讲成一条单向逻辑链：抽样→估计→假设检验→回归推断。这条链在理想实验室里成立，但在真实数据科学流水线中，它被反复打断、倒置、甚至并行运行。举个典型场景：你正在为电商大促设计个性化推荐策略。业务方给你的原始需求是“提升GMV”，你拆解出关键指标是“人均加购商品数”。于是你拿到过去30天的用户加购日志（样本），想推断“全量用户在大促期间的平均加购数是否会超过基准值3.2”。按课本流程，你会先检查数据分布、再选检验方法、最后下结论。但实际操作中，你可能同时在做三件事：

• 一边跑t检验看均值差异是否显著（回答“有没有效果”）；
• 一边用Bootstrap重采样计算95%置信区间（回答“效果大概多大”）；
• 一边用置换检验（Permutation Test）验证模型特征选择的稳定性（回答“这个特征真的重要，还是只是偶然撞上？”）。

这种多线程推断，源于数据科学工作的三个本质约束：

1. 数据永远不完美：用户行为日志存在埋点丢失、设备识别误差、冷启动用户标签缺失。课本假设的“独立同分布随机样本”在现实中是奢侈品。因此，我们更依赖非参数方法（如Wilcoxon秩和检验、K-S检验），它们对分布形态要求低，鲁棒性更强。
2. 决策时效性压倒理论严谨性：业务方需要“明天早会前给出结论”，没时间等你做完所有正态性、方差齐性检验。这时，中心极限定理（CLT）成为最常用的安全网——只要样本量n≥30，均值的抽样分布就近似正态，t检验就可用。我见过最极端的案例：某社交App用n=12的AB测试组（因灰度发布限制），硬是靠CLT+自助法把结论塞进了产品排期表，后续全量上线后效果偏差仅±0.3%，原因正是他们用历史数据验证过：该指标在n=12时，抽样分布偏度<0.5，CLT已足够可靠。
3. 结论必须可解释、可行动：统计学教授可能满意于“p=0.039 < 0.05，拒绝原假设”，但业务方需要的是“如果上线这个功能，预计每月多带来230万GMV，误差范围±45万”。因此，参数估计（点估计+区间估计）的地位远高于假设检验。一个置信区间能同时回答“效应是否存在”（是否包含0）和“效应有多大”（区间宽度），而p值只回答前者。这也是为什么我在团队内部培训中，把“如何计算和解读置信区间”放在第一课，而非“如何写H₀/H₁”。

2.2 方案选型背后的底层逻辑：不是“哪个检验更高级”，而是“哪个错误代价更低”

选择推断工具的本质，是在控制两类错误（Type I & Type II）之间做权衡。数据科学场景中，这两类错误的业务代价天差地别：

• I类错误（弃真）：说有差异，其实没有。比如，你宣称新推荐算法提升了转化率，推动全量上线，结果发现是假阳性，白白浪费了两周的工程资源和用户曝光。
• II类错误（取伪）：说没差异，其实有。比如，你因p值=0.062未达0.05阈值，否决了一个真正有效的策略，错失季度增长目标。

在大多数互联网业务中，II类错误的代价远高于I类错误。因为市场窗口期短，竞品迭代快，一次“错过”可能意味着份额永久流失。因此，我们的默认策略是：

• 放宽α（显著性水平）：不用教科书惯用的0.05，而用0.1甚至0.2（需提前与业务方对齐），优先降低漏检风险；
• 强化统计功效（Power）：通过增大样本量、选择更敏感的检验方法（如配对t检验优于独立t检验）、或使用效应量（Cohen's d）辅助判断，确保能捕捉到业务上真正重要的差异。

提示：效应量（Effect Size）是数据科学家最容易忽略的救命稻草。p值告诉你“是否显著”，效应量告诉你“是否重要”。比如，一个百万级用户APP，t检验显示新按钮颜色使点击率提升0.001%（p<0.001），但Cohen's d=0.02，属于微小效应——投入开发资源上线，ROI几乎为零。我坚持在所有AB测试报告中强制并列呈现p值和Cohen's d，就是防止团队陷入“统计显著，业务无感”的陷阱。

2.3 架构设计：以“问题驱动”替代“方法驱动”，构建四层推断能力栈

我把数据科学中的推断统计能力，拆解为一个自底向上的四层栈，每一层解决一类具体问题，且上层依赖下层基础：

这个分层不是学术划分，而是来自血泪教训。曾有个团队把L3层的回归系数p值当成L2层的AB测试结论，直接宣布“用户年龄每增加1岁，付费意愿下降0.5%”，却忽略了年龄与收入强相关，未做混杂变量控制，导致后续用户分层运营策略全线失效。分层的意义在于：先确认“有没有差异”（L2），再探究“为什么有差异”（L3），最后评估“这个结论能撑多久”（L4）。本文后续内容，将严格按此栈结构展开，确保每一步推断都有明确的业务锚点。

3. 核心细节解析与实操要点：避开90%新手踩过的坑

3.1 置信区间：不是“95%概率包含真值”，而是“95%的区间会包含真值”

这是推断统计中最反直觉、也最常被误解的概念。几乎所有新人第一次看到“95%置信区间[2.1, 2.9]”时，都会脱口而出：“真值有95%概率落在2.1到2.9之间。” 错。大错特错。

正确理解是：如果你重复抽样100次，每次计算一个95%置信区间，那么大约95个区间会包含真实的总体均值，5个不会。而你手头这一个区间，要么包含真值，要么不包含——它没有概率属性。

为什么这个区别至关重要？因为它决定了你如何向业务方沟通风险。

• 错误说法：“我们有95%把握，用户平均停留时长在2.1-2.9分钟。”（暗示本次区间大概率是对的）
• 正确说法：“如果我们用同样方法抽样100次，约95次得到的区间会覆盖真实均值。本次结果是[2.1, 2.9]，它可能是那95个之一，也可能是那5个之一。”

实操要点：

• 计算时，永远明确标注方法：是基于t分布（小样本）、z分布（大样本且σ已知）、还是Bootstrap（任意分布）？不同方法对同一数据给出的区间宽度可能差30%。例如，某短视频App的完播率（比例数据），n=5000，用正态近似（z）计算的95%CI是[0.281, 0.299]，而用精确的Beta分布后验计算（Bayesian思路）是[0.282, 0.300]，差异微小；但若n=50，z近似给出[0.255, 0.325]，而Beta后验是[0.261, 0.318]，宽度差12%。小样本时，方法选择直接影响业务判断。
• 解读时，紧盯区间宽度，而非中心点：一个窄的置信区间（如[2.45, 2.55]）比宽的（如[1.8, 3.2]）更有价值，因为它说明估计精度高。我要求团队在所有报表中，必须同时展示“点估计值”和“区间半宽（Margin of Error）”，后者直接反映数据质量。当半宽超过点估计值的20%，我就知道该去查数据采集链路了。
• 警惕“区间包含0”的陷阱：在比较两组差异时（如AB测试），我们常看“差异的置信区间是否包含0”。但若区间是[-0.05, +0.15]，它包含0，但右端明显偏向正值。此时不能简单说“无显著差异”，而应结合效应量和业务阈值判断：如果业务上认为+0.03的提升就有意义，那么这个区间大部分区域都支持有效果，应建议小流量验证。

3.2 假设检验：p值不是“差异大小”，也不是“结论正确概率”

p值被滥用的程度，在数据科学领域登峰造极。“p=0.001，效果爆炸！”——这种话在周报里出现，基本可以判定汇报人没搞懂p值。

p值的精确定义是：在原假设H₀为真的前提下，观察到当前样本数据（或更极端数据）的概率。它衡量的是数据与H₀的“不兼容程度”，而非H₁为真的概率，更非效应大小。

三大致命误区及破解：

1. 误区：p值越小，效应越大

   • 反例：某搜索广告系统，将关键词匹配模式从“广泛匹配”改为“短语匹配”，n=100万次查询。t检验p<0.0001，但平均点击率仅从1.20%升至1.22%，绝对提升0.02个百分点。p值极小是因为样本巨大，放大了微小差异的统计显著性。
   • 破解：永远报告效应量。此处Cohen's d = (0.0122-0.0120)/σ ≈ 0.03（微小），配合业务成本（改匹配模式需全量索引重建），结论是“统计显著但业务不值得”。

2. 误区：p>0.05就“接受H₀”，认为两组没差异

   • 反例：某金融App测试新风控模型，n=2000笔贷款，坏账率旧模型3.5%，新模型3.8%，p=0.12。若就此下结论“新模型无效”，就忽略了统计功效不足的问题——样本量太小，无法检测到0.5%以内的差异。
   • 破解：计算统计功效（Power）。用statsmodels.stats.power.TTestIndPower，输入预期效应量、α、n，得到Power=0.35。这意味着有65%概率漏掉真实存在的差异！正确做法是：增大样本至n=5000，Power升至0.85，再测。

3. 误区：多重检验不做校正，p值失真

   • 反例：某电商做10个不同页面模块的AB测试，每个用α=0.05。即使所有模块都无效，纯随机下至少有一个p<0.05的概率是1-(0.95)¹⁰≈40%！这就是“假阳性洪水”。
   • 破解：根据场景选校正方法：
     • 探索性分析（如特征筛选）：用Benjamini-Hochberg控制错误发现率（FDR）；
     • 关键业务决策（如主流程改版）：用Bonferroni校正，α_adj = 0.05 / m（m为检验数）；
     • 我的硬性规定：任何含3个以上假设检验的报告，必须在方法论章节注明校正方式，否则不予签字。

3.3 分布假设与检验方法匹配：别让数据“削足适履”

教科书总说“先做正态性检验（Shapiro-Wilk），再决定用t检验还是Wilcoxon”。但在真实世界，这个流程常沦为形式主义。

核心原则：检验方法的选择，应由“业务问题”和“数据生成机制”驱动，而非机械套用分布检验结果。

• 为什么Shapiro-Wilk检验在大数据下失效？
  当n>5000时，Shapiro-Wilk几乎总拒绝正态假设（哪怕分布看起来很光滑），因为它对微小偏度极其敏感。但中心极限定理告诉我们：只要n足够大，均值的抽样分布仍近似正态，t检验依然稳健。所以，对n=10000的用户停留时长数据，即使Shapiro-Wilk p<0.001，我仍用t检验——因为我要推断的是“均值”，而非“单个用户时长”。

• 何时必须放弃参数检验？
  关键看数据的物理意义和业务容忍度：

  • 用户支付金额：右偏严重，含大量0（未付费用户）和少数极高值（大额充值）。此时均值易受异常值扭曲，中位数更代表“典型用户”。应选Wilcoxon秩和检验比较中位数，而非t检验比较均值。
  • 设备在线时长（秒）：n=50，但有2个离群值（服务器故障导致超长连接）。删除离群值？不。因为故障本身是业务风险的一部分。此时用Bootstrap法计算中位数置信区间，它不依赖分布假设，且能自然包含离群值的影响。

实操清单：快速匹配检验方法

1. 问题类型：是单样本 vs 总体？两独立样本？配对样本？（决定t/Wilcoxon/McNemar等大类）
2. 数据类型：连续型（停留时长）？有序分类（满意度1-5分）？名义分类（渠道来源）？（决定t/U/卡方等）
3. 样本量与分布：
   • n≥30，且无极端离群值 → 默认t检验（均值）或z检验（比例）；
   • n<30，或存在明显偏态/离群值 → Wilcoxon（连续）、Sign Test（配对）、Fisher精确检验（小样本分类）；
   • 比例数据（如点击率）且np(1-p)<5 → 用二项检验或Fisher精确检验，而非z检验。
4. 业务敏感点：是否关注“典型值”（用中位数+Wilcoxon）？还是“总量影响”（用均值+t检验）？

注意：我严禁团队在代码中硬编码if shapiro_test_p < 0.05: use_wilcoxon()。这会让分析失去灵魂。正确做法是：在分析文档开头，用1句话写明选择依据，例如：“因用户付费金额呈严重右偏（偏度=4.2），且业务关注‘典型用户’付费能力，故采用Wilcoxon秩和检验比较中位数。”

4. 实操过程与核心环节实现：从Jupyter到生产环境的完整链路

4.1 单样本推断实战：用Bootstrap计算DAU预测置信区间

业务场景：某新闻App需向投资方提交下月DAU预测报告。历史30天DAU数据如下（单位：万）：
[124.3, 128.7, 125.1, 130.2, 127.8, 126.5, 129.0, 124.8, 127.3, 128.1, 125.9, 126.7, 128.4, 127.2, 125.5, 129.6, 126.8, 127.9, 124.5, 128.3, 126.1, 127.4, 125.7, 128.9, 126.3, 127.6, 124.9, 128.2, 125.4, 127.1]

目标：给出下月DAU预测值的95%置信区间，要求方法鲁棒，不依赖正态假设。

步骤详解（Python实现）：

import numpy as np import pandas as pd from scipy import stats import matplotlib.pyplot as plt # 1. 加载数据 dau_data = np.array([124.3, 128.7, 125.1, 130.2, 127.8, 126.5, 129.0, 124.8, 127.3, 128.1, 125.9, 126.7, 128.4, 127.2, 125.5, 129.6, 126.8, 127.9, 124.5, 128.3, 126.1, 127.4, 125.7, 128.9, 126.3, 127.6, 124.9, 128.2, 125.4, 127.1]) # 2. 基础统计（检查数据健康度） print(f"样本量: {len(dau_data)}") print(f"均值: {dau_data.mean():.2f}万") print(f"标准差: {dau_data.std(ddof=1):.2f}万") print(f"偏度: {pd.Series(dau_data).skew():.3f}") # 输出: 0.123，接近对称 # 3. Bootstrap重采样（核心步骤） np.random.seed(42) # 确保可重现 n_bootstrap = 10000 bootstrap_means = np.zeros(n_bootstrap) for i in range(n_bootstrap): # 有放回随机抽样30个数据点 sample = np.random.choice(dau_data, size=len(dau_data), replace=True) bootstrap_means[i] = sample.mean() # 4. 计算95%置信区间（百分位数法） ci_lower = np.percentile(bootstrap_means, 2.5) ci_upper = np.percentile(bootstrap_means, 97.5) print(f"Bootstrap 95% CI: [{ci_lower:.2f}, {ci_upper:.2f}]万") # 5. 可视化结果 plt.figure(figsize=(10, 6)) plt.hist(bootstrap_means, bins=50, alpha=0.7, density=True, label='Bootstrap均值分布') plt.axvline(dau_data.mean(), color='red', linestyle='--', label=f'样本均值: {dau_data.mean():.2f}') plt.axvline(ci_lower, color='green', linestyle='-.', label=f'CI下限: {ci_lower:.2f}') plt.axvline(ci_upper, color='green', linestyle='-.', label=f'CI上限: {ci_upper:.2f}') plt.xlabel('DAU (万)') plt.ylabel('密度') plt.title('DAU预测值Bootstrap置信区间') plt.legend() plt.show()

关键参数解析与经验技巧：

• 重采样次数（n_bootstrap）：10000是黄金标准。少于1000时，CI边界抖动大；超过50000，收益递减。我测试过：n_bootstrap=1000时，CI为[126.42, 127.85]；n_bootstrap=10000时，为[126.45, 127.82]，宽度仅差0.03万，但计算时间增10倍。
• 置信水平选择：95%是惯例，但业务可定制。若投资方要求“高置信”，可用99%CI（对应0.5%和99.5%分位数），但区间会变宽约30%。
• 为什么用百分位数法（Percentile Method）而非标准误法？
  百分位数法不假设Bootstrap均值分布为正态，完全数据驱动。而标准误法（mean ± 1.96*std(bootstrap_means)）在分布偏斜时会失真。本例中，Bootstrap均值分布偏度=0.05，两者结果一致；但若原始数据偏度>1，百分位数法更准。
• 生产环境注意事项：
  • 在Airflow调度任务中，Bootstrap必须设固定seed，确保每日报告结果可复现；
  • 将bootstrap_means数组存入数据库，供后续分析（如监控CI宽度趋势）；
  • 若计算耗时超10秒（大数据量时），改用joblib.Parallel并行化，但需注意内存占用。

4.2 双样本推断实战：AB测试效果评估的全流程

业务场景：某在线教育平台上线新版课程详情页（Test组），与旧版（Control组）进行AB测试。7天数据：

• Control组：n₁=15230，付费转化率p₁=0.0823（1253/15230）
• Test组：n₂=15180，付费转化率p₂=0.0871（1322/15180）
• 差异Δp = 0.0048（0.48个百分点）

目标：判断Test组转化率提升是否统计显著，且业务上是否值得全量。

步骤详解（Python + statsmodels）：

from statsmodels.stats.proportion import proportion_confint, ztest # 1. 计算转化率差异的95%置信区间（推荐首选） # 使用Agresti-Coull方法（比Wald法更稳健） ci_low, ci_up = proportion_confint(count=[1253, 1322], nobs=[15230, 15180], method='agresti_coull') delta_ci = (ci_up[1] - ci_low[0], ci_up[0] - ci_low[1]) # Test-Control区间 print(f"转化率差异95% CI: [{delta_ci[0]:.4f}, {delta_ci[1]:.4f}]") # 2. 双样本Z检验（大样本比例检验） count = np.array([1253, 1322]) nobs = np.array([15230, 15180]) z_stat, p_value = ztest(count, nobs) print(f"Z统计量: {z_stat:.4f}, p值: {p_value:.4f}") # 3. 计算效应量（Cohen's h） from statsmodels.stats.api import proportion h_effect = proportion.effectsize_2proportions(p₁, p₂) print(f"Cohen's h: {h_effect:.4f} (h>0.2为小效应，>0.5为中效应)") # 4. 统计功效分析（验证是否能检测到最小业务增量） from statsmodels.stats.power import zt_ind_solve_power # 设定最小业务增量MDE=0.003（0.3个百分点） mde = 0.003 effect_size = proportion.effectsize_2proportions(p₁, p₁ + mde) power = zt_ind_solve_power(effect_size=effect_size, nobs1=len(control_data), alpha=0.05, ratio=len(test_data)/len(control_data)) print(f"当前样本量下，检测MDE={mde}的统计功效: {power:.3f}")

输出结果与业务解读：

转化率差异95% CI: [0.0012, 0.0084] Z统计量: 2.785, p值: 0.0054 Cohen's h: 0.112 当前样本量下，检测MDE=0.003的统计功效: 0.721

深度解读与决策链：

• CI不包含0（[0.0012, 0.0084] > 0），说明提升真实存在；
• p=0.0054 < 0.05，统计显著；
• Cohen's h=0.112 < 0.2，属微小效应——但需结合业务：0.48个百分点的绝对提升，乘以日均10万访客，意味着每天多500单，年增收可观；
• Power=0.721 < 0.8，略低于理想值，但因CI已明确为正，且p值远小于0.05，结论稳健。

生产环境扩展：

• 实时监控：在AB测试平台中，每小时更新CI，当CI下限连续3小时>0.002（业务阈值），触发自动预警；
• 分层分析：用statsmodels.stats.contingency_tables.Table2x2对新老用户、不同设备做分层卡方检验，避免辛普森悖论；
• 归因权重：若Test组同时上线了多个改动（按钮+文案+图片），用Shapley值分解各因素贡献，并对每个因素单独做Z检验。

4.3 多变量关系推断实战：线性回归系数的可信度验证

业务场景：某外卖平台建立“配送时长预测模型”，核心特征包括：订单距离（km）、餐厅出餐时间（min）、骑手实时位置（km）、天气指数（0-10）。训练后，距离系数β₁=1.82（单位：分钟/km），p<0.001。业务方质疑：“这个1.82是真实物理关系，还是数据噪声？”

目标：验证β₁的统计可靠性，并量化其不确定性。

步骤详解（使用statsmodels + Bootstrap）：

import statsmodels.api as sm from sklearn.model_selection import train_test_split # 假设X为特征矩阵（含截距项），y为实际配送时长 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 1. 标准OLS回归（获取初始系数和p值） model = sm.OLS(y_train, X_train).fit() print(model.summary()) # 查看β₁的p值和标准误 # 2. Bootstrap验证系数稳定性（更鲁棒） np.random.seed(42) n_bootstrap = 5000 bootstrap_coefs = np.zeros((n_bootstrap, X_train.shape[1])) for i in range(n_bootstrap): idx = np.random.choice(len(X_train), size=len(X_train), replace=True) X_boot, y_boot = X_train.iloc[idx], y_train.iloc[idx] boot_model = sm.OLS(y_boot, X_boot).fit() bootstrap_coefs[i, :] = boot_model.params # 3. 提取距离系数的Bootstrap分布 dist_coef_boot = bootstrap_coefs[:, 1] # 假设距离是第2列 ci_dist = np.percentile(dist_coef_boot, [2.5, 97.5]) print(f"距离系数Bootstrap 95% CI: [{ci_dist[0]:.3f}, {ci_dist[1]:.3f}]") # 4. 检查系数分布形状（诊断模型假设） plt.figure(figsize=(12, 4)) plt.subplot(1, 3, 1) plt.hist(dist_coef_boot, bins=30, alpha=0.7) plt.axvline(model.params[1], color='red', linestyle='--') plt.title('Bootstrap系数分布') plt.subplot(1, 3, 2) sm.qqplot(dist_coef_boot, line='s') # Q-Q图检验正态性 plt.title('Q-Q图') plt.subplot(1, 3, 3) plt.scatter(bootstrap_coefs[:, 1], bootstrap_coefs[:, 2]) # 距离vs出餐时间系数 plt.xlabel('距离系数') plt.ylabel('出餐时间系数') plt.title('系数相关性') plt.show()

关键洞察与避坑指南：

• Bootstrap CI vs 标准误CI：若模型假设（如残差正态）成立，两者应接近。若Bootstrap CI（[1.75, 1.89]）比标准误CI（[1.78, 1.86]）宽，说明残差存在异方差，需用robust标准误（cov_type='HC3'）；
• Q-Q图诊断：若Bootstrap系数分布明显偏离直线，表明OLS假设严重违反，应考虑非线性模型（如GBDT）或变换（如log(时长)）；
• 系数相关性图：若距离与出餐时间系数呈强负相关（散点图左上-右下），说明存在共线性，单一系数解释需谨慎——可能实际是“距离长时，餐厅会加速出餐”，而非距离本身导致时长增加。

实操心得：我要求所有回归模型报告，必须包含Bootstrap系数分布直方图。有一次，某团队的配送模型β₁=1.82，但Bootstrap分布双峰（峰值在1.2和2.4），经查是未区分“堂食订单”（距离近但出餐慢）和“外卖订单”（距离远但出餐快），模型在混合数据上学习到了虚假关联。加入订单类型交互项后，双峰消失，β₁稳定在1.65。

5. 常见问题与排查技巧实录：那些没人告诉你的“幽灵错误”

5.1 问题：p值忽高忽低，同一批数据多次运行结果不一致

现象：在Jupyter中运行t检验，第一次p=0.032，第二次p=0.041，第三次p=0.055——刚好跨过0.05阈值，结论从“显著”变成“不显著”。

根本原因：

• 随机种子未固定：某些检验（如Permutation Test、Bootstrap）内部使用随机抽样，未设seed会导致结果漂移；
• 数值精度误差：在极小p值（<1e-15）计算中，浮点运算误差累积；
• 数据预处理未固化：如缺失值填充方式（均值/中位数/前向填充