📊 رگرسیون به میانگین
چرا بهترین‌ها افت می‌کنن — و تقصیر هیچ‌کس نیست

━━━━━━━━━━━━━━
بهترین بازیکن فصل، فصل بعد ضعیف‌تر می‌شه.
بهترین دانشجوی ترم، ترم بعد نمره‌هاش پایین‌تره.
بیماری در بدترین حالش دارو می‌گیره — و بهتر می‌شه.
همه دنبال دلیل می‌گردن.
اکثر اوقات دلیل اینه:
شانس به حالت عادی برگشته.

━━━━━━━━━━━━━━
ماجرا از کجا شروع شد؟
سال ۱۸۸۶، فرانسیس گالتون داشت قد پدرها و پسرهاشون رو بررسی می‌کرد.
انتظار داشت:
پدرهای خیلی بلند ⟶ پسرهای خیلی بلند
اما دید پسرهای این پدرها، به میانگین جمعیت نزدیک‌ترن.
اسمش رو گذاشت:
Regression to the Mean
یا همان رگرسیون به میانگین

━━━━━━━━━━━━━━
چرا این اتفاق می‌افته؟
هر نتیجه‌ای که می‌بینیم از دو چیز ساخته شده:

نتیجه = مهارت واقعی + شانس

وقتی یه نتیجه خیلی افراطیه — خیلی خوب یا خیلی بد — یعنی شانس هم در جهت مهارت عمل کرده.
دفعه بعد؟
شانس معمولاً به حالت عادی برمی‌گرده.
نتیجه «افت» می‌کنه؛ نه به خاطر تغییر مهارت، بلکه چون شانس دیگه کمک نمی‌کنه.

━━━━━━━━━━━━━━
مشکل اینجاست که مغز ما اینو نمی‌فهمه
مغز انسان دنبال علت می‌گرده.
افت بعد از عملکرد عالی؟
حتماً یه چیزی عوض شده.
همین باعث می‌شه:
🔸 مربی تاکتیک رو عوض کنه — در چیزی که مشکلی نداشت
🔸 مدیر کارمند موفق رو زیر فشار بذاره
🔸 پزشک داروی بی‌اثر رو مؤثر تشخیص بده
🔸 معلم تنبیه رو مؤثرتر از تشویق بدونه
دنیل کانمن در کتاب Thinking, Fast and Slow مثالی از خلبان‌های نیروی هوایی اسرائیل نقل می‌کنه:
بعد از یک پرواز عالی، خلبان تشویق می‌شد و پرواز بعدی معمولاً ضعیف‌تر بود.
بعد از یک پرواز ضعیف، خلبان تنبیه می‌شد و پرواز بعدی معمولاً بهتر بود.
نتیجه‌گیری اشتباه؟
«تنبیه از تشویق مؤثرتره.»
واقعیت؟
رگرسیون به میانگین

━━━━━━━━━━━━━━
یه مثال ساده
فرض کن یه دانشجو در آزمون اول نمره ۱۹ گرفته.
احتمالاً این نتیجه ترکیبی از مهارت بالا + کمی شانس بوده
(مثلاً سؤال‌ها آشنا بودن یا شرایط آزمون خوب بوده).
در آزمون دوم؟
احتمال داره نمره پایین‌تر از ۱۹ باشه.
نه چون ضعیف‌تر شده؛ بلکه چون اثر شانس کمتر شده.
برعکسش هم صادقه:
دانشجویی که نمره ۱۰ گرفته، احتمالاً در آزمون بعدی عملکرد بهتری خواهد داشت.

━━━━━━━━━━━━━━
یه نگاه فنی‌تر
در مدل رگرسیون خطی:
Y = βX + ε
اگر:
|β| < 1
باشد، مقادیر افراطی X هنگام پیش‌بینی به سمت میانگین Y کشیده می‌شوند.
گالتون این موضوع را در داده‌های قد پدر و پسر نشان داد.
شیب رگرسیون حدود ۰٫۶۴ بود، نه ۱.
یعنی اگر قد پدر ۲ انحراف معیار بالاتر از میانگین باشد، قد پسر به طور میانگین فقط حدود ۱٫۲۸ انحراف معیار بالاتر از میانگین خواهد بود، نه ۲.

━━━━━━━━━━━━━━
کجا باید این مفهوم را جدی بگیریم؟
مهم‌ترین جا:
پزشکی و سیاست‌گذاری
بیمار معمولاً زمانی درمان را شروع می‌کند که در بدترین وضعیت خود قرار دارد.
مدتی بعد حالش بهتر می‌شود.
بدون گروه کنترل، ممکن است این بهبود را به اثر دارو نسبت دهیم؛ در حالی که بخشی از آن فقط نتیجه رگرسیون به میانگین باشد.
به همین دلیل کارآزمایی‌های بالینی معتبر حتماً گروه کنترل دارند.

━━━━━━━━━━━━━━
جمع‌بندی
دفعه بعد که دیدی بهترین عملکرد یک نفر افت کرد، قبل از هر تحلیلی یک سؤال بپرس:

«آیا آن عملکرد اول واقعاً توانایی واقعی او را نشان می‌داد، یا شانس هم در آن نقش داشته است؟»

رگرسیون به میانگین یادآوری می‌کند که دنیا پر از نویز است و مغز ما خیلی سریع دنبال سیگنال می‌گردد.

━━━━━━━━━━━━━━
📚 منابع
Daniel Kahneman (2011) — Thinking, Fast and Slow, Chapter 17
Francis Galton (1886) — Regression Towards Mediocrity in Hereditary Stature


┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━