离散选择和事件计数
林澈打开南桥市2021年“青年技能跃迁计划”的教学模拟记录，用0和1标记是否稳定就业。线性概率模型预测0.6，表示给定条件下稳定就业的概率为60%，并不是一个人得到“0.6份工作”。二元结果的条件均值本来就是概率。
林澈意识到，线性回归并非只能用于连续结果。对二元结果，它的局限在于可能预测出0到1之外的数值，并存在异方差；Logit或Probit可约束概率范围，线性概率模型则可在适当用途和稳健推断下使用。
然后她看八周内的面试邀请次数。条件均值0.6次同样有意义，但能取平均并不使线性回归自动更合适；计数模型的选择须考虑非负范围、均值形式、观察时长和误差结构，不能仅凭结果是否可取平均决定。
先看结果形状
林澈没有立刻打开软件菜单，而是先问一行记录最后留下什么。月收入能落在连续刻度上；稳定工作只有发生或未发生；结业去向是互斥类别；面试邀请是非负整数。它们都能反映项目结果，却不能共享一条解释直线。
她在数据字典里写下“谁、何时、什么算 1、什么算缺失”。这个动作看似朴素，却能阻止把失联青年算成未就业，也能阻止把八周的邀请数和两周的邀请数直接并排。变量定义比模型名字更早决定结论能说到哪里。
二元选择
对稳定工作，林澈令 (Y_i=1) 表示第 (i) 位青年在六个月内达标，(Y_i=0) 表示未达标。她需要的是在训练、基线测评、通勤和照护条件给定时的就业概率。线性预测可能跑到负数或超过 1，也默认每一小时训练在任何人身上都带来同样百分点变化。
Logit 和 Probit 先把条件组合放到无边界的刻度，再映回 0 到 1。直觉上，机会居中时曲线较敏感，接近两端时能移动的空间较小。林澈先用这种边界感理解模型，再读下面的 Logit 表达式。
左边把概率换成对数赔率，右边便可累加条件；反向换回后，(p_i) 不会离开 0 与 1。Probit 使用另一种平滑映射，常给出相近的方向与排序。林澈不拿两种模型的系数大小硬比，而是比较它们在相同情境下的预测与校准。
概率阅读卡
林澈提醒团队：概率、赔率和系数不是同一把尺。概率 0.20 表示约五人中一人达标；它的赔率是 (0.20/0.80=0.25)。概率 0.60 的赔率是 1.5，表示成功与未成功约为 3 比 2；它绝不是 150% 的就业概率。
若完成训练的模拟系数为 0.69，(\exp(0.69)) 约为 1.99。准确的话是“在其他模型条件相同的比较下，完成者的就业赔率约为未完成者的 1.99 倍”。林澈随后仍会给出概率情境，因为同一赔率比从不同起点换回去，会变成不同的百分点差。
例如，原本就业概率为 0.20 的青年与原本为 0.70 的青年，即使面对相同的赔率比，能移动的概率空间也不同。前者可能出现更显眼的百分点变化，后者更接近 1 的边界。于是，林澈不把赔率比当成最终结论，而是先说明模型刻度，再把它翻译成几个与南桥服务场景相符的预测概率和差异。
边际效应
林澈提醒团队，Logit 模型中的系数并不能被直接理解为“概率每增加多少”，尤其是概率的变化受当前条件的位置影响。对于一个连续变量（如通勤距离），概率曲线在不同的基值下斜率可能迥异。她强调，当我们想理解完成训练这种 0/1 条件的影响时，更合理的做法是：保持其余变量不变，先把具体某位青年的“完成训练”设为 0 算一次，再设为 1 再算一次，两者所得概率相减，就是这名青年的边际效应。
她会将这种“切换”方法应用到每一位模拟青年身上，把所有个体的边际效应取平均，得到全体的平均边际效应。这比单纯念系数更贴近业务直觉。林澈通常还会选出几种典型场景，比如基线状态居中、通勤距离较短的人，计算其预测概率如何由 0.31 跳升到 0.47，应解读为提升 16 个百分点。
林澈会提示团队注意，这种边际效应是模型内部的统计关联，只反映在所有其他条件相同的模型设定下，改变 0/1 条件后平均概率的变化。边际效应写法不会让它自动变成因果结论，不能脱离推断策略就主张“实际结果提升了”。
她还强调，在实际汇报中，应将“边际效应”的算法逻辑与具体业务场景结合，向非技术同事描述在何种情境下的预期变化是多少百分点，并同时传递这一结果存在不确定性的含义。这有助于大家以更清晰的概率语言，讨论政策或项目改动的预期影响。
二元模型检查
模型跑完后，林澈先看它有没有把较高机会的人大致排在前面，再看它报出的 40% 是否真的对应约四成就业。前者是区分度，后者是校准度；二者都不能被“准确率”取代。若一千名青年中仅七十人就业，永远预测“否”也会显得准确。
她把检查结果带回服务场景，而非只留在输出表中。若一个模型主要靠难以稳定取得的住址预测，或在某些群体中持续失准，它即使排序好也未必适合分配支持。模型可提示需要复核的人，不能替工作人员替当事人作决定。
- 先核对 1 的业务定义、失联记录和随访起止日。
- 再确认解释变量发生在结果之前，没有把项目后果倒灌进模型。
- 用留出时间段检查校准，并按实际服务容量讨论阈值。
- 记录哪些人群、哪些新月份不应直接套用该预测。
多个去向
结业去向若为未就业、短期合同和稳定工作，林澈不能把它们编码为 0、1、2 后当作等距分数。每个人在同一时点只归入一类，模型需要同时给出三类概率，并让它们相加为 1。稳定工作的概率上升时，其他类别必须共同让出份额。
她以未就业作基准，只是为了书写系数，并不表示它不重要。对训练完成、基线居中的青年，模拟预测可能是 0.27、0.31 与 0.42；汇报时应把三项一起展示。若类别有明确顺序，例如证书等级，则应另问有序模型是否更贴近过程。
这里的学习重点是“概率会共同挪动”。若稳定工作概率上升 8 个百分点，短期合同和未就业的份额必须合计让出 8 个百分点，但它们分别让出多少取决于模型和条件。林澈因此避免只挑出一类说“提高了”，而是让读者同时看到三条去向如何重新分配，才能判断变化究竟来自减少未就业，还是只是把短期合同改写成稳定工作。
备选项属性
前面的多项 Logit 和条件 Logit 不是两种可随意互换的编码。前者主要用个人特征解释类别选择；后者利用随备选项改变的属性，例如同一青年到不同班的通勤、上课时段和补贴。数据与识别条件允许时，也可同时纳入选项属性和与类别交互的个人特征。
林澈把训练班整理成“青年—备选项”行：同一青年面对四个班就有四行，其中只有一行是实际选择。她只把当时可见且有资格选择的班放入选择集；满员班或不可见班若被当作正常落选，会把可得性误读成偏好。
事件次数
八周正式面试邀请的次数只能是 0、1、2、3……这些非负整数，不能出现小数或负数。林澈在分析数据时，若只将其归纳为“有没有被邀请”，则会丢失一次和五次之间的重要差别；而如果简单地把它当作连续的分数变量，又会忽略真正没有邀请的人和少数高频被邀请情况的特殊性。面试邀请次数属于在明确时间窗口内统计的离散事件，应采用相应的统计方法来处理。
在这种计数问题中，描述“预期 0.6 次”其实比精确预测某个人收到几次邀请更有意义。这个预期值反映的是很多背景和条件相似的青年，在相同风险窗口下，平均每人将收到大致多少次邀请。它不是对任何单个人的承诺，也不意味着某个人会收到 0.6 次，而只是表示总体水平。
林澈在整理数据前，首先绘制不同次数（如 0、1、2、3、4 次及以上）的频数柱状图，清楚直观地展示整体分布。她特别关注真零（确实未被邀请）、调查中失联不知道实际情况的人，或实际上未进入求职状态者，确保这些情况不会混合进图表分析，并为后续统计建模做好数据清洗。
此外，林澈还会考察事件发生的时间窗口是否一致，有没有人因为周期短而被低估邀请次数。她对“次数”背后隐藏的机会差异保持敏感，并在报告和讨论中明确指出：计数型数据需要针对其离散性、受限性和暴露窗口等特殊因素进行单独考察，不能简单套用连续变量的思路。
暴露量清单
阿宜完整求职八周，得到两次邀请；凯文只被观察两周，得到一次。裸次数看阿宜更多，粗略每周率却分别是 0.25 与 0.50。林澈由此看见一个隐形分母：每个人有多少周真正处于可收到邀请的风险集中。
她把有效求职的周数记作 。当观察窗口翻倍而单位周发生率不变时，预期发生次数也应相应翻倍。因此，在计数率的建模中，会在模型结构中加入 作为固定的“偏移量”来调整暴露机会。其完整的泊松回归模型可表达为：
这里， 表示第 个人在其有效风险窗口内的预期事件发生次数， 是其相关背景变量。若某人的有效求职周数（即暴露量）为零，则说明其并不处于风险集中，这部分人不能直接带入公式，否则 不存在。此时应仔细检查数据收集和纳入标准，明确哪些人应被排除在分析之外。暴露量的设定有助于区分“机会多寡”与“在同等机会下风险高低”，确保后续的比较均建立在单位暴露量的公正基础上。
“偏移量”（offset）的作用是把“机会多少”与“在同样机会下发生得多不多”分开。若某个班的青年只被观察两周，较少邀请未必意味着服务无效；若直接把周数当作普通自变量，模型又会让它像培训完成一样拥有可自由解释的系数。林澈把它固定为暴露量，是为了让比较始终落在单位求职周的率上。
- 写清事件口径，例如是否排除线上初筛和重复邮件。
- 写清风险窗口何时开始、何时因失联或资格变化而结束。
- 用时间、青年人周或课时等实际机会量构造暴露量。
- 把机械机会量作为 offset，而非把它误读成普通自变量。
泊松与负二项
泊松回归是林澈分析面试邀请次数的起点。假设在所有观测条件已知的情况下，用 表示第 个人的预期邀请次数。泊松模型的基本假定是，条件下的均值和方差相等，即
这种“方差随均值同步增长”的特性很适合捕捉相对均匀、偶然性的计数事件，但现实数据常因信息未观察到、青年相互影响、行业景气波动或重复推荐等原因出现更大波动。
泊松回归采用对数连接确保预期次数为正，模型公式为
其中 表示观测的相关背景变量， 为对应系数。若模型包含暴露量 作为 offset（无系数固定纳入，防止解释错位），则
在此结构下， 表示单位暴露量下预期事件次数（即率）的比值。
如果控制模型中的解释变量后，条件方差仍显著大于条件均值（系统性超出泊松假定），则称为“过度离散”。这时可改用负二项回归来建立更加灵活的波动结构，即允许
这里 代表额外波动。但使用负二项前，务必先核查观察窗口设定、遗漏变量和重复记录等问题，确保额外波动不是数据和流程的误差，而是真正的现象。
计数结果检查
项目团队问“要准备多少跟进资源”时，林澈给预期次数；问“谁可能一封邀请也没有”时，她给零次概率；问某条件关联多少时，她给率比和情境差。不同输出回答不同问题，不能用一个显著性标记代替所有沟通。
她把实际与预测的 0、1、2、3、4 次及以上放在一起看。若平均值相近，模型却低估零次和高次数，说明它把人群差异压平了。遇到八周十二次的记录，她先核对时间戳、去重规则和招聘周背景，而不是为了好看而删除真实记录。
诊断结果还会反过来改变资源安排问题。若模型持续低估零次邀请，团队需要查的是哪些青年根本没有进入有效的求职渠道；若只低估右尾，则可能是少数青年获得重复推荐、行业招聘潮或记录重复造成的集中。先说清偏离出现在哪一端，才能决定是补充变量、调整分布，还是回到数据流程核查。
南桥求职任务
林澈有六百名模拟结业青年，想比较是否参加模拟面试工作坊与邀请次数的条件关联。基线测评、既往求职月数和照护负担都在工作坊前记录；有效求职周数来自联系日志。她不把八周后才知道的就业结果放进邀请次数模型。
她的研究句子是：在相同基线测评、既往求职月数和照护负担下，以有效求职周数为暴露量并纳入其对数 offset，参加工作坊者的单位求职周邀请率及对应八周预期次数是否不同？这是一句关联问题；它明确了比较对象、分母和窗口，却没有伪装成随机试验。
- 交付数据字典，列明邀请口径、风险窗口和有效周数的来源。
- 先报告零次比例、均值、方差与有效周数，再诊断条件均值和条件离散程度；原始方差大于均值本身不能判定泊松回归错误。
- 给出完整八周、条件相同情境下两种工作坊状态的率与预期次数。
- 报告频数拟合、时间外校准和高次数记录的复核结果。
- 在结论中保留遗漏求职动机等混杂风险。
带走的判断
林澈最后不再问“哪种回归最厉害”，而是先问结果是什么形状、谁在风险集中、窗口有多长。0/1 需要受边界约束的概率；无序去向需要一整组共同变化的概率；次数需要均值、波动与暴露量一起解释。
你也可以沿着同一条短路线工作：定义一行记录与结果，再选择尊重其形状的模型；把输出译成概率、类别份额、率或预期次数；最后检查校准、频数和适用范围。这样，模型帮助解释南桥青年的机会，而不是用一条方便的直线盖住差异。
当你面对一个新变量时，不妨先停在模型之前：它是一次状态、几种互斥去向，还是一段窗口中的累计事件？这个问题会决定分母、预测范围和最值得检查的偏差。选对结果形状并不能自动获得因果结论，但它让后续的比较至少从一个与资料相称的起点出发。