我们先来看一个案例。
2012年中国15岁至59岁的劳动年龄人口数量为9.37亿人，比上年末减少345万人，下降幅度为0.6个百分点。这是多年增长后劳动年龄人口首次下降。这一人口结构变化趋势意味着在中国人口红利消失，老龄化人口越来越多。
万一将来，你的亲戚或者家人有可能会去医院看病，选择哪家医院更好呢？
假设在每个医院最近收治的1000例患者中，A医院有900例患者存活。然而，B医院只有800例患者存活。
这样看起来，A医院的存活更高，应该选择A医院。
你的选择真的是正确的吗？
光看患者整体时，我们可能注意不到“数据构成要素的差异“。现在根据患者的健康状况，我们将每家医院入院的总人数拆解为两组，一组是轻症患者。一组是重症患者。
然后我们再来计算患者存活率，会有什么发现呢？
我们来比较A医院和B医院的重症患者组。A医院有100例入院时是重症患者，其中20例存活。B医院有400例入院时是重症患者，其中200例被救活了。
所以，对于重症患者，去B医院的存活率更高，是更好的选择。
那如果亲人入院时是轻症患者呢？同样的方法，出人意料，轻症患者在B医院的生存率超过97%，B医院依旧的更好的选择。
通过拆解数据，我们发现了和一开始截然相反的结论，这种现象被称为“辛普森悖（bei）论”（simpson‘s paradox），也就是在有些情况下，考察数据整体和考察数据的不同部分，会得到相反的结论。
辛普森悖论时不时出现在现实生活中。英国一项调查显示，在20年里，吸烟者生存率高于不吸烟者。但根据参与者的年龄分组后，发现不吸烟组人群的平均年龄显著较高，所以，不吸烟组在随访过程中更容易死亡，恰巧是因为不吸烟者通常更长寿。
如何避免辛普森悖论？
只看数据整体，我们可能注意不到“数据内部各个部分构成的差异。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。
正如前面的案例，关注数据整体，也就是入院的全部患者。和关注数据内部的不同部分，也就是按健康状态，将患者拆解为两组数据，就看到了不同的风景。
这就好比我们玩过的俄罗斯套娃，整体看是一个，拆解开以后里面还有其他东西。
所以，在遇到问题时，我们不仅要分析整体情况，还要拆解开看内部的情况。