“我们如何理解自然？”系列 · 3/7
实验结束以后，我们得到的通常不是“定律”，而是一串数字。数字与规律之间，还隔着测量、误差、统计、模型选择和大量判断。
一、实验仪器不会直接显示“自然规律”二、测量首先是一种“翻译”三、随机误差与系统误差不是一回事四、有限个数据点可以穿过无穷多条曲线五、拟合到底在做什么？六、为什么误差棒比一条漂亮曲线更重要？七、相关性为什么还不是因果性？八、科学规律为什么总要接受“新数据”的审判？九、数据到规律之间，真正发生的是“推断”系列导航
一、实验仪器不会直接显示“自然规律”
想象屏幕上出现一组数据：
我们很容易说：这大概就是
但仪器从来没有告诉你“规律是 ”。
它只记录了在某些条件下、用某套仪器、经过某种处理后得到的观测值。
真正的科学链条更接近：
中间每一箭头都可能带来误差，也都包含人的判断。
实验提供证据，不会自动提供解释。规律是从证据中推断出来的。
二、测量首先是一种“翻译”
温度计并不是直接读取“温度本身”；它读取某种会随温度变化的可观测量，再通过标定关系把它翻译成温度。
很多实验量都如此。
我们真正看到的可能是：
- 电压；
- 光强；
- 时间间隔；
- 像素位置；
- 频率；
- 计数次数。
然后再通过仪器模型转换成我们真正关心的物理量。
因此任何实验结果背后都隐含着一个测量模型：
这也是为什么校准如此重要。
如果刻度本身偏了，重复一万次并不会自动把结果变正确——它可能只是让一个错误值变得非常稳定。
三、随机误差与系统误差不是一回事
重复测量一个量时，数据往往上下波动。
这类波动可以通过增加样本、取平均等方法减弱。若独立随机误差的标准差是 ，在理想条件下，平均值的不确定度常随样本数 大致按
缩小。
但系统误差完全不同。
如果所有结果都因为同一个校准偏差整体高了 ，你测一百万次，平均值仍然可能高 。
于是“数据非常稳定”与“数据非常准确”不是同一句话。
科学实验必须同时关心：
- 精密度：重复测量彼此有多接近；
- 准确度：结果与真实值有多接近。
二者可以同时好，也可以一个很好、另一个很差。
四、有限个数据点可以穿过无穷多条曲线
假设实验得到四个点：
我们会立刻猜
这很自然，却不是逻辑必然。
因为总能构造一个更高次多项式，使它经过这四个点，却在第五个点以后完全偏离 。
有限数据无法仅凭“经过这些点”唯一确定一个普遍规律。
于是科学必须加入额外判断：
- 哪个模型更简单？
- 哪个模型有理论动机？
- 哪个模型在新数据上仍然有效？
- 哪个模型参数更少却解释得一样好？
这就是为什么拟合得好不等于发现了规律。
一个足够复杂的模型甚至可以把噪声也记住。
五、拟合到底在做什么？
假设我们怀疑数据符合直线
实验给出点 。最常见的做法之一，是选择 使残差平方和
最小。
这一步给出的不是“自然界证明了这条直线”，而是：
在我们预先选择的线性模型族中，这组参数最能解释现有数据。
注意这里至少有两层选择：
- 我们先选择了“直线”这一模型族；
- 然后才在其中寻找最佳参数。
统计方法解决第二层，却不能替我们自动证明第一层一定正确。
这就是数据分析中很容易被忽视的地方：参数估计之前，还有模型选择。
六、为什么误差棒比一条漂亮曲线更重要？
如果只画出拟合曲线，人眼很容易被“吻合得真漂亮”说服。
但科学真正关心的是：这个吻合有多确定？
于是我们需要不确定度、置信区间、后验分布或其他能够表达“我们究竟知道到什么程度”的工具。
同一个估计值
如果对应
和
含义完全不同。
一个成熟的结果不应该只有一个中心数字，还应该包含它的可信范围以及这个范围建立在哪些假设之上。
科学结论不是把不确定性消灭，而是尽量把不确定性量化并公开。
七、相关性为什么还不是因果性？
假设两个变量 和 总是一起变化。
我们至少有多种可能：
或者存在第三个变量 ：
甚至可能只是抽样偏差或偶然相关。
所以“看见相关”只是起点。
要支持因果解释，我们通常需要更强的研究设计：控制变量、随机化、自然实验、机制证据，或者能够排除竞争解释的模型。
这也是为什么一张散点图可以非常有启发性，却不能独自承担全部因果结论。
八、科学规律为什么总要接受“新数据”的审判？
如果一个模型只在建立它的数据上表现很好，我们还不知道它是在抓住规律，还是在记忆样本。
真正有力量的是外推与预测。
先用一部分数据建立理论，再去预测尚未测量的情况；如果新实验依然支持预测，证据强度才会显著增加。
因此科学方法里有一个很深的原则：
好理论不应该只会解释已经看见的东西，它还应该冒险说出一些可能被新事实推翻的话。
这也是“预测成功”为什么比事后拼出一条曲线更有说服力。
九、数据到规律之间，真正发生的是“推断”
我们现在可以把过程重新写得更准确：
科学规律不是藏在数据表格里等人抄出来的句子。
它是对大量证据进行压缩以后得到的结构性判断，而且始终附带条件与不确定性。
这也解释了一个看似矛盾的现象：科学结论可以非常可靠，同时又允许未来被修正。
可靠并不要求“永远不变”；可靠要求我们知道它为什么可信、在什么范围可信，以及新证据出现时如何更新。
而下一篇会追问一个更奇怪的问题：为什么这套推断一旦走到理论层面，最终总是如此强烈地依赖数学？
系列导航
上一篇：为什么一道题最难的一步往往不是计算，而是决定“该怎么算”？
第 3 篇（本文）：从实验数据到科学规律，中间到底发生了什么？
下一篇：为什么自然科学如此依赖数学？
- Author:阿尔法
- URL:https://yjy.hauchet.cn/article/from-experimental-data-to-scientific-laws
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
Relate Posts
