感谢原作者！原文传送门
以下是摘录：
1、什么是辛普森悖论？
辛普森悖论是 1951 年由 E.H. 辛普森提出的，简单来讲就是在分组比较中都占优势的一方，有的时候在总评中反而是失势的一方。指局部的结论和整体的结论完全相反。
举个栗子：
解读：女性员工表现，一组好于二组；男性员工表现，一组好于二组。然而，从总体上来说，一组差于二组。
2、为什么会出现辛普森悖论？
从以上例子可以看出，一组和二组的性别比重差异大，即分组样本不均衡。一组的主要成员男性的表现（30%）低于二组主要成员女性的表现（70%）。
我们通常会讲到“质量”这个词，而且是一起出现，但实际上，“质”与“量”是两个不同的方面，我们在考虑质的时候，一定要注意量的影响，我们如果把这两者揉成一个“质”，就会出现辛普森悖论。
延申：①从绩效考评角度看，由于样本不均衡，二组因有更多声音甜美温柔耐心的女员工而拥有性别优势；一组已经输在了起跑线，不是输给了能力，而是输在了性别劣势。②从统计学上来讲，一组和二组不具有可比性，当我们设计对照组和实验组的时候，要确保非控制变量（性别）是均衡的，统计归因（控制变量）才有效。
3、在工作中的指导意义
【栗子1】公司的一位数据分析同事的竞品分析报告里提到：“我们客户的平均客单价是 100元钱，竞争对手的只有 50 元，我们的客户比对方的高端多了。所以我们产品要走高端路线”这些结论可信吗？还真不一定。
【栗子2】某游戏公司做了款游戏，有 Android 和 iOS 版本。一个数据分析师看完用户的付费数据后，发现整体上 iOS 付费率比较高。他就直接告诉老板说，“我们 iOS的用户付费率要高于Android的用户付费率，我们应该集中资源开发iOS客户端！”这个结论可信么？还真不一定。
因为很有可能出现这样一种情况：Android最大的优势（男性用户）没有比过iOS最大的优势（女性用户），这是决定最终整体走向的关键。
4、总体与局部，我们信哪个？
只要细分的用户群体足够大，有统计学意义上的显著性，那一定是以细分结论为准，因为真理都是需要抽丝剥茧，藏在细节处。
但是如果细分的群体太小，比如上面的例子中，细分以后各组的用户数都很小，不具统计学意义，那细分的结论就不可信了。
所以还是那句话，无论是整体还是细分，在看“质”的同时，一定要兼顾“量”的影响，这是理解辛普森悖论最重要的一点。
