先贴两行。
from scipy.stats import poisson
poisson.cdf(3, 4.94) # 0.2699
这是 Viraj Shah 那篇 Burning Man 死亡率分析里最要紧的一行，虽然他自己没把它圈出来。2026 年 Burning Man 死了三个人，有记录以来最多的一年。把年龄标准化后的美国死亡率套到参与者的年龄结构上，一周期望死 4.9 个。实际三例，比期望还低。泊松下尾一算，p 约 0.27。拒绝不了原假设。结论：这个数字不异常。
逻辑干净，数没错。错的是这行代码被拿去问的那个问题有多长。
文章 9 月 27 日发出来的时候，讲到这里就收了。10 月 2 日补了一段：活动总部给了历史参加人数。同一个 4.9 乘回去，整个活动历史上应该死大约 97 个。
expected_total = sum(attendance[y] for y in years) / 70_000 * 4.94 # ≈ 97
# 实际记录 9 例
p 值约 10 的负 30 次方。
同一个模型，同一个假设，换了一把尺子。一边是"三例死亡不奇怪"，一边是"这个死亡率荒谬到不可能是真的"。中间没加先验，没搭层次结构，没跑 MCMC。就是把同一份假设，拿去问了一个更长的问题。
我盯这篇就为一件事：那个 p=0.27 的说服力，一半来自模型，另一半来自"只测一年"。而后者才是真正定结论的那个。"拒绝不了原假设"跟"这事没问题"，从来是两句话，统计课第一天就该讲。可这篇的全部分歧，都卡在这两句话中间。
12.2 掉到 4.9，砍掉的是年龄
第一步很粗。美国 2025 年第三季度往前十二个月的全因死亡率，每十万人年 909.3。折到 7 万人、一周：
70_000 * 909.3 / 100_000 * (7 / 365) # 12.21
如果参加者是全美人口的随机抽样，一周得抬出去十二具。实际三十多年一共九例，多数年份挂零。这一步还没做任何校正，就已经很不对劲了。
第二步把年龄结构套上去，拿各年龄组死亡率配参与者的年龄分布：
expected = sum(share[age] * us_mortality[age] for age in bins) # 4.94
期望从 12.2 掉到 4.9。这一步是对的，也是全文唯一一处认真处理"人群不一样"的地方。但它顺带给了个错觉：好像校准完年龄，剩下那半截差距就归随机波动了。
不是。
年龄标准化只做一件事——假设同年龄的健康程度相同。Burning Man 那批人是什么构成：七成以上回头客，四分之三白人，八成有学士以上学位，三分之一以上年收入十万到三十万美元。这些变量跟健康什么关系，不用统计学教。年龄之外那一大截，大概率全落在一句话里：能被这个活动筛出来的人，本来就更健康。
文章自己承认了，说这是选择偏差，难以用人口变量完全解释。写得对。但我可以说得更重：不是"难以解释"，是"不能用变量解释"。你把每个协变量都塞进回归，残差还落在同一个地方。它缺的不是变量，是一个正确的分母。参加者不是全美人口的抽样，你的对照组从第一天起就是错的。
加变量只会让模型看起来更完备，而完备是给审稿人看的，不是给结论看的。
补一句我自己下不了判断的。Pelorus 在评论区说，过往案例里只有一例跟疾病有关，其余是事故、自杀、药物和一起谋杀。如果属实，那 4.9 不但不偏高，可能还偏高——疾病类死亡是被压得最低的那一块，而 4.9 里带着它的权重。选择偏差和死因结构这两件事哪个影响更大，我手里没数据，判不了。这段我没想明白，先放着。
那条把方向算反的评论
Clay Ford 说 p 值方向可能反了：如果原假设死亡率就是 4.9，观察到三例或更多该是 0.72。
1 - poisson.cdf(2, 4.94) # 0.7156
数学上没错。放在这儿没意义。
我们问的是：真实期望是 4.9 的话，看到三例这么少，奇不奇怪。那得看下尾。把"三例或更多"的概率拎出来，等于在检验一个方向完全相反的备择假设，而这个备择假设本来就没理由信。它只能得到"观察到三例以上非常正常"这种谁都知道的废话。
不是数学错误，是问题错位。这类东西代码里遍地都是：一个函数算得完全正确，算的不是你要的那个问题。
一行的代价
有人看到这儿会说，那得上贝叶斯，或者至少搭个层次模型，把年份之间的相关性也建进去。
不需要。
你缺的那块，全文有个现成来源——总部那边的历史参加人数。拿到，乘一下，三十多年的 p 值就出来了。加先验、搭层次，只会把一个 10 的负 30 次方包装得更漂亮，而它需要的信息，早就躺在一份参加人数统计表里。新加的那层东西得替你省掉麻烦，才配存在。这里省不掉，它就是把答案埋深一点。这就是抽象税。
跟我手头那个玩具引擎一个道理：分母错了，装多贵的引擎跑出来还是错的。
不总结
那篇文章里我最想留下的是那张 95% 置信区间：0.6 到 8.8。作者还特意提醒，这个区间不能读成"死亡数落在其中的概率"。这句话比区间本身值钱。单年 7 万人、三例死亡，样本就这么点，58% 的相对不确定性，一比根号三——这本身就是"别指望单年数据说清什么"的量化版。承认它，比给一个好看的区间有用。
还有个细节：那份人口报告的回复率大约 7%，靠加权校正抽样偏差。也不是什么铜墙铁壁，但对这篇分析够用了。真正把结论掰过来的，是那把更长的尺子。
规则留一条。凡是有人拿一年的数据，给一个已经存在几十年、年年都拿得到数的现象下结论，先问一句：把同一个假设放回去逐年测一遍，成立吗。答不上来的，这个结论先别信。
一个模型能活多久，不看它多精巧，看它敢不敢被放到比今天更长的尺子上量一遍。