人体数据的地域与年代差异
别名: 长期趋势 · secular trend · 人体测量数据代表性 · ANSUR
概念解释
人体测量数据是特定人群、特定年代采集的产物，不是放之四海皆准的常数。人体尺寸存在长期趋势（secular trend）——同一地区人群的平均身高等尺寸会随几十年间的营养与健康水平变化而系统性移动；也存在地域与族群差异——不同国家、不同人种的身体比例本身不同。几十年前采集、或在别国人群上采集的数据，直接拿到今天、拿到另一个地区的用户身上使用，会带来系统性偏差,而不是随机误差。
机制
这个偏差之所以是系统性的而非随机的，是因为它有明确方向：长期趋势多数呈单向变化（多数人群近百年身高呈上升趋势），一份几十年前的数据集会整体低估当代同一人群的尺寸，且低估幅度随数据年代拉长而增大，不是可以忽略的噪音。地域差异则不是单向的，而是结构性的比例差异——同样的身高，不同人群的躯干与四肢比例配置可能不同，不能靠一个整体缩放系数把一份数据集"换算"到另一个人群上。更麻烦的是，最广泛流传、最容易拿到手的经典人体测量数据集，很多源自特定国家某个年代的军队体检调查，采样对象本身是经过体格筛选的青壮年男性士兵，既不代表该国当年的一般人群，也不能不加修正地套到平民、女性、老年或未成年用户身上。
怎么研究
核查一份数据集是否适用，方法是回头看它的采样元信息：采集国家、采集年代、样本人群构成（军用还是民用、性别与年龄覆盖范围），再和实际目标用户群体对照；跨年代、跨地域比较同一机构在不同时期发布的数据集（如同一国家相隔数十年的两版人体测量调查），可以直接观察到长期趋势移动的具体幅度。
边界
即便是采样量很大、方法严谨的数据集，如果采样人群本身有系统性筛选（只测征兵年龄段的健康男性），这种筛选造成的偏差不会因为样本量大而消失——大样本只能降低随机误差，不能修正采样框架本身排除掉的群体。产品面向的实际用户群一旦超出原始采样框架（面向全年龄段、面向女性用户占比高、面向原始数据集所在国以外的地区），就必须假定原始数据集存在未被样本覆盖的偏差。
怎么落地
- 使用任何人体测量数据集前，先核查其采集的国家、年代、样本构成（军用/民用、性别与年龄范围），与产品实际目标用户群体逐项对照，而不是只看数据集的规模或权威程度。
- 目标市场与数据集来源地不一致、或数据集年代过于久远（如面向全球市场却只用某国数十年前的军用数据）时，优先寻找更贴近当代、当地人群的调查数据；确实找不到时，在设计余量上做显式加宽，并明确记录这一假设，而不是默默照搬。
- 验证办法：在真实目标市场与目标年龄段中找出体型上最极端的那部分真实用户，实地做尺寸核对或试配，而不是只核对设计是否满足所引用数据集里给出的极端百分位数值——数据集的极端值本身可能已经不代表当下目标人群的真实极端。