点估计隐藏了区间信息
别名: 点估计 · 均值误导
概念解释
任何一个从数据计算出来的单一数字（均值、转化率、预测值）都是对某个潜在分布或未知参数的点估计——它回答"最可能的值是多少"，但不回答"真实值有多大的可能偏离这个估计"。屏幕上显示"转化率 3.2%"时，读者看到的只是一个点；背后的真实情况可能是"2.8% 到 3.6% 之间的某个值"，而这个区间的宽度决定了 3.2% 这个数字可以被信任到什么程度。点估计把区间压缩为一个点的同时，也把"这个数字有多不确定"的信息丢弃了。
机制
丢弃发生在一个习惯性的数据管道里：原始数据带有噪声，统计计算产出点估计与置信区间，但展示层只取了点估计——因为"一个数字"比"一个数字加一条区间"在视觉上更简洁，且大多数图表类型没有内置表达区间的方式。压缩的代价取决于决策对不确定性的敏感度：如果 3.2% 和 2.8% 的行动含义相同（都要继续优化），压缩没有损失；如果行动分界线落在区间内（3.0% 是"达标"线，点估计 3.2% 但区间跨到 2.8%），压缩直接导致错误决策——读者无法区分"稳定地超过阈值"和"可能超过也可能没超过"。点估计的另一个隐藏效应是精确度的虚假暗示："3.2%"这个呈现暗示读者准确到小数点后一位，但真实的不确定度可能在小数点前一位。样本量越小、噪声越大，点估计与真实值的偏离越远，压缩的代价越高。
怎么研究
研究点估计对决策的影响的实验范式是决策任务：给被试呈现相同点估计但不同区间宽度的信息，测量他们的决策置信度、行动选择（如是否投资）随区间宽度的变化。理想的结果是决策随区间宽度系统变化——这证明被试确实在利用区间信息；如果没有变化，说明区间被忽略或被误读。在可视化领域，比较不同不确定性编码方式（误差棒、区间带、小提琴图、颜色渐变）对读者提取区间信息准确度的影响也是活跃方向。方法论的注意点：实验室里被试被告知区间的含义，真实用户可能从未学过如何解读置信区间——实验条件下的理解率高估了真实用户的理解率。
边界
点估计并非在所有场景下都是坏的：当决策对不确定性的敏感度低（行动阈值离点估计很远且区间不跨越它）或者不确定性本身足够小（样本量大、噪声低）时，点估计就够用。呈现区间也有代价——视觉复杂度增加、多序列图上区间带可能重叠而不可读、以及读者可能误解读区间含义（把 95% 置信区间误读为"真实值有 95% 的概率在这里"是常见错误，严格来说这个解读在频率学派框架下不成立）。当不确定性信息会引发决策瘫痪（所有选项看起来都不确定）时，省略区间有时是合理的简化。
怎么落地
- 关键指标默认附带区间信息（误差棒、区间带或文字标注"±0.4"），除非样本量足够大使得区间窄于视觉可辨的宽度。
- 当点估计的行动含义依赖于它与阈值的距离时，区间必须显示——这时压缩的代价最高。
- 验证：从仪表盘上选一个有决策阈值的指标，计算其点估计的置信区间；如果区间跨越阈值而界面上只显示点估计，就是一个隐藏区间导致误判的实例。