是什么
在某个条件下的两组数据，分组研究时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论
出现原因
分组和整体看时，受到分组群体权重系数 (样本量) 的影响。
具体解释就是：分组后其中的主要群组的影响权重更大，
样本相对较小的群组单个看，虽然可能在数据指标上表现更高，
但放在一起看，对于总体指标表现影响较小，即话语权较小，从而形成了辛普森悖论。
出现场景
尤其在拆解比例型指标中常见
异常定位
eg：对于某页面在9月份，男性女性用户点击率同比8月均增长，为何用户总体点击率下降？
相关性分析
eg：想知道APP中某个频道的用户浏览次数与APP使用时长的关系，直觉上呈正相关，结果做回归模型发现相关关系为负，为什么
AB实验
eg：上新了产品策略，在灰度环境中效果显著，到了全量效果对全站影响为负
如何避免
分析前问自己
- 分析的问题是否有必要拆分维度？当数据与业务sense不一致时，再决定下钻拆分
- 如果细分维度，如何选取维度？结合业务理解，判断哪些维度拆解具有实际业务指导意义
分析中
辛普深悖论和各组样本量大小有关系，可以结合实际问题，定义个别分组的权重，用以消除基数差异影响。这里，可以套用全概率的知识点来做具体分析：
同时，辛普森悖论常常跟混淆变量有关，要注意频率统计无法直接揭示因果关系。要从数据背后，结合 业务实际目标及含义，找到根因、发现异常。
工作中注意，普适性数据（算数平均）是否有参考意义？
