U4.1
为什么薪酬要用回归，而不是简单平均
"我们公司硕士比本科高 15%"——这句话你可能刚在业务会上听到。
这一单元做一件反直觉的事：把它拆开。
左边一个演示器会告诉你，加入"职级"这一个控制变量之后，
那个 15% 会坍缩到什么程度；右边告诉你回归和职位评价
不是替代关系，而是双轨并行。
这一级最该记住的一句话。
回归不是"算平均工资"，而是"控制住其他因素之后，看某个因素还剩多少影响"。
这也是它和职位评价最大的区别——职位评价问"这个岗位该值多少"，
回归问"同样是这些特征的人，市场上实际拿多少"。
权威二手
《回归分析在薪酬中的应用》专题调研 · 写在最前面 §三句话之一
使用指南：左栏勾选你要控制住的变量（职级 / 绩效 / 地区），右侧的硕士溢价系数与
置信区间会在浏览器里现场重算，同时下方偏倚图上两组人的分布随控制变量重新着色；
看完四个控制层级再点"结论"。这里的 800 人教学数据集是刻意构造出混杂结构的虚构样本，
用来演示原理，不是任何真实企业的数据。
数据说明：本演示使用一个教学虚构的 800 人数据集（硕士占 33%）。
它的生成结构是刻意设计的：学历高的人职级也高——硕士组平均职级 3.62、本科组 2.61。
因此"不控制职级时看到学历溢价"是必然的，而这不是模型错了，是没控制住混杂变量。
教学构造数据
原理为统计学通行
| 维度 | 传统市场定价 / 职位评价 | 统计建模（回归） |
|---|
本表六行逐行对应调研底稿 A.1 节的两列原文，未做改写。
「控制混杂」与「可审计性」两行是两者最本质的差别：
前者是靠评估委员会心里同时想着五件事，后者是数学上同时固定其他变量。
权威二手
"我们有回归了，
不用做职位评价了。"
不用做职位评价了。"
回归不能替代职位评价，因为特征（学历、经验）并不等于岗位价值：
两个同样"本科 5 年经验"的人，一个做财务、一个做算法，模型无法区分——
除非你把岗位/序列本身作为变量放进去。
职位评价回答
这个岗位该值多少（内部公平、战略对齐）
回归回答
市场上同样是这些特征的人，实际拿多少（外部对标、校准）
使用指南：先在左栏点选你要建模的薪酬要素（基本工资 / 目标奖金 / 长期激励 / 津贴），
再在右栏点选要放进模型的特征（学历 / 经验 / 职级 / 绩效 / 地点 / 公司规模 / 任职时长），
右下角会实时生成你的建模公式与建议；注意标了"敏感"的两个特征——
它们在中文语境下进模型前必须先做法律与伦理审查，本演示会直接把它们标红。
要素与特征的划分取自调研底稿 A.2 节。底稿明确提示：婚姻 / 子女 / 户籍在中国场景下
常常是隐含的敏感变量，进模型前必须先做法律与伦理审查——本页把这一条做成了交互里的硬提示。
建模策略本身（先建 Base 模型、Bonus / LTI 另建）也是底稿口径。
权威二手
流程中的"三类输出"对应底稿 A.1 节：每个人一个预测值 + 每个特征的边际贡献 + 残差（异常）。
其中只有残差这一类是可以直接用于人的（作为人工复核清单），
另外两类在落到个体之前都必须加上人工判断与申诉渠道。
权威二手
四个问题与其解法逐条对应调研底稿 A.3 节。其中问题 3（pay equity 审计）那条
丹麦 VIVE 报告的官方措辞值得逐字借鉴："不可解释部分是一个统计概念，
不是丹麦劳动力市场上存在歧视的度量"——未解释 ≠ 歧视，已解释 ≠ 公平。
权威二手
U4.2
模型选型：六种模型，六种失真方式
同一个数据集，六种模型，六张完全不同的拟合线。
这一单元给你一个模型对比实验台：切换模型，实时看拟合线、残差图、
系数表，以及这个模型正在违反哪条假设。
最后你会发现没有"最好的模型"——只有知道自己押了什么赌注的模型。
为什么薪酬模型几乎总是要先取对数。
薪酬数据天生右偏（少数人拿很多，多数人拿一般），所以你几乎总会看到
均值 > 中位数、均值回归 ≠ 中位数回归。
带宽定价通常靠分位数回归，不是均值回归。
本单元实验台右侧的模型解读里，每一条假设违反提示都对应这个道理的具体后果。
权威二手
《回归分析在薪酬中的应用》写在最前面 §三句话之二 + B.5
使用指南：左栏点六个模型按钮之一（OLS 线性 / 多项式 / 对数 / 分位数 / 树模型 / 混合效应），
右侧会同步切换拟合线、残差散点、系数表与假设违反提示四条内容；
再点"并排看六种拟合"可看到六条曲线叠在同一张图上。
实验台用的是一份教学虚构的 260 人数据集（含刻意构造的倒 U 曲线、异方差与部门效应），
所有拟合系数都由 Python 真实算出并预先内嵌，不是示意图。
实验台数据与拟合说明：260 人教学虚构样本，年薪由"倒 U 的经验曲线 + 部门效应 + 随经验增大的噪声"生成。
六个模型的系数、残差、曲线全部由 Python（statsmodels / scikit-learn）真实拟合后内嵌，
本页只做呈现，不在浏览器里做拟合计算。
多项式模型的拐点为 34.9 年，已贴着样本最大经验值（34 年）——
这正是底稿警告的"外推风险"的一个真实例子。
教学构造数据
拟合方法为统计学通行
| 假设 | 数学表述 | 在薪酬里意味着什么 | 违反后果 |
|---|
五条假设逐行对应调研底稿 B.1 节的表格原文。
重要澄清（底稿原文）：正态性假设不影响 OLS 系数估计是无偏的，
它只影响 p 值与置信区间。所以别为了正态性去删数据，先看系数稳不稳。
权威二手
使用指南：四张图并排展示同一个真实模型（1,200 人、13 字段）的诊断结果；
点右上角的"换一组诊断"可在残差图 / Q-Q 图 / VIF 热力图 / Cook's D 影响图之间切换放大查看，
每张图下方都写明"看什么、合格线是多少"。
本页所有诊断图都来自真实运行结果：本机 Python 3.13 执行
hr_salary_regression_demo.py（exit=0，固定随机种子 42）后，
用 statsmodels 的 OLSInfluence、variance_inflation_factor、
het_breuschpagan、linear_reset 直接取出。
图中每个数字都能在 demo_output.txt 里逐行对上。
本机实测
选型口径来自调研底稿 B.5（分位数回归）、B.6（混合效应）、B.7（Cox 生存分析）、
B.9（机器学习可解释性 vs 精度）四节的对照结论。
其中最重要的一条：制度设计、薪酬政策、要向高管解释的场景，用
OLS / 分位数回归——因为系数就是"边际价值"，能写进政策文档；
单人薪酬定档则避免黑箱直接定价。
权威二手
U4.3
动手：从数据到模型，8 步
这一单元是全站唯一一处让你照着敲的地方。
左边是 8 步向导：数据准备 → 探索性分析 → 建模 → 诊断 → 解释 → 落地 → 验证 → 业务解读。
每一步都能展开看可运行的代码与真实运行输出，
并且可以切换 Python / Excel / R 三条路径看同一件事怎么做。
这里的每个数字都是跑出来的，不是写出来的。
全部代码基于同目录的 hr_salary_regression_demo.py，
全部输出基于本机 Python 3.13 实跑的 demo_output.txt（exit=0，固定随机种子 42）。
合成 1,200 名员工、13 个字段，含故意注入的脏数据（12 条极端高薪 ×12、8 条经验逻辑异常、30 条绩效缺失）。
读一遍你会发现——连"清洗干净了没有"这件事，都需要用数字来证明。
本机实测
流程取自调研底稿 C.1 节的九段式流程，本页按"教学可跟做"合并为 8 步
（数据字典并入数据准备，年度复检并入业务解读）。
权威二手
使用指南：点左侧任一步骤展开，会看到这一步要做什么、对应哪一段真实输出；
展开后用 Python / Excel / R 三个按钮切换同一件事的三种实现——
Python 那条路径的"真实输出"是本机实跑结果，Excel 与 R 两条是等价写法，
页面会明确标注两者不是本机实跑输出，避免你误以为它们是同一份数字。
使用指南：四张图并排展示同一个真实模型的诊断结果（1,200 人、13 字段，本机实跑输出）；
每张图下方写明"合格线在哪、异常长什么样"，横向对照着看——单一图表合格不等于模型合格，
四张一起看才知道模型在哪里失真。
四张图全部取自本机 Python 3.13 实跑 hr_salary_regression_demo.py（exit=0，固定随机种子 42）的输出，
由 statsmodels 的 OLSInfluence / variance_inflation_factor /
het_breuschpagan / linear_reset 直接取出，图中每个数字都能在
demo_output.txt 里逐行对上。
本机实测
对角线是"预测=实际"。点落在对角线附近说明模型在这个样本上预测得准，
远离对角线的点就是残差大的人——正是"需要人工复核的清单"。
本机实测
这张表的价值在于两套指标必须一起给。统计指标（R² / RMSE / MAE / 交叉验证）
告诉你模型准不准，业务指标（落带内比例 / 偏差<5% 比例 / 分组误差）告诉你这个模型
能不能用来做薪酬决策。本例中 CV MAE 为 17,570 元、落 ±15% 带内仅 47.5%——
任何"模型算出精确薪酬"的演示都是误导。
本机实测
使用指南：点性别或职级按钮切换分组，看该组的 MAE 与人数；
重点观察"L2 误差最小、L4 误差最大，相差 42%"这件事——
总体 MAE 掩盖了组间巨大差异，这通常意味着模型缺了交互项。
底稿结论：模型上线前必须按职级/性别/地区分别报误差。
若某群体误差显著更高，说明模型对该群体失效。
在正式制度里这意味着：L4 的定价不能和 L2 用同一套模型输出。
本机实测
U4.4
因果、合规与红线：模型输出的是参考值，不是决定
前面三个单元教你把模型建起来。这一单元教你把它管住：
相关不等于因果、控制变量本身可能带偏见、
代理变量会把敏感属性偷偷重建回来，
而一旦你把模型用到个体的雇佣决定上——
纽约市和欧盟的合规义务就可能已经触发。
三条不可逾越的红线（底稿原文）。
红线 1 不可用于个体裁员、不晋升、不解雇决策 —— 个体决策需要人工判断 + 可申诉渠道 + 文档记录。
红线 2 不可把模型输出当作唯一事实来源 —— 模型是"参照系"，不是"法官"。
红线 3 不可隐藏模型 —— 要能向员工解释"我的薪资是怎么定的"。 权威二手 《回归分析在薪酬中的应用》C.7 节
红线 1 不可用于个体裁员、不晋升、不解雇决策 —— 个体决策需要人工判断 + 可申诉渠道 + 文档记录。
红线 2 不可把模型输出当作唯一事实来源 —— 模型是"参照系"，不是"法官"。
红线 3 不可隐藏模型 —— 要能向员工解释"我的薪资是怎么定的"。 权威二手 《回归分析在薪酬中的应用》C.7 节
使用指南：左栏选一个你公司里真实可能发生的场景，右栏会输出
触发了什么、依据是什么、风险等级、以及你必须先做什么；
底部还有一条"如果被质疑你该怎么回答"的模板。
本页只引用法规名称与文号，不引用条款号；具体适用口径请以法务意见为准。
法规依据：EU AI Act（Regulation (EU) 2024/1689）附件三第 4 条把招聘选拔、
影响劳动关系条款与晋升解雇的决定列为高风险用途；
NYC Local Law 144 of 2021（纽约市 DCWP 执行的《自动化就业决策工具》法）；
中国法域仅引用《中华人民共和国个人信息保护法》名称。
本页不引用条款号，只引用法规名称与文号。
EU AI Act 附件三（官方译本）
·
NYC DCWP AEDT 官方 FAQ
官方
官方·第三方托管
使用指南：点任一层台阶，右侧会说明这一层能回答什么问题、不能回答什么问题、
薪酬场景里怎么用；第四层（DiD + 双重断点）配的是丹麦薪酬透明法案研究，
那是"什么时候我能真正回答因果问题"的最佳范例。
工具箱四层分别对应底稿 B.10 节：内生性与混杂变量、工具变量（IV）、
双重差分与断点回归（DiD / RDD）、Oaxaca-Blinder 分解。
丹麦案例结论：差距缩小约 2 个百分点（相对降幅 13%），主要是男性薪资增速放缓，
且企业盈利能力未受影响。
丹麦性别薪酬差距研究原文
权威二手
机制描述取自底稿 C.7 节：从模型中删掉种族/性别不能消除歧视——
邮编、公司规模、毕业院校、姓名、入职年份等与敏感属性高度相关，模型会自动重建它。
这意味着"公平通过无知"失效。
美国法下的核心是"80% 规则"（差别影响），雇主可用"与岗位相关且符合商业必要"抗辩。
差别影响与 AI 代理歧视分析
权威二手
时间点逐条对应底稿 C.7 节与各官方来源页。EU AI Act 的独立高风险系统义务
已被推迟至 2027-12-02；纽约州审计长已认定 DCWP 的 LL144 执法无效。
官方
官方·第三方托管
话术模板取自底稿 C.6 节的沟通模板与 C.7 节的汇报模板。
核心只有一句：模型输出的是"参照值"，判断必须留给人。
这不仅是统计学原则，也是法律要求。
权威二手