方法与边界

数据覆盖与口径身份

方法边界与否定结论（来自服务端 meta，与答案同源同版本）

每个数字的四件套：E · O · N · B + 区间 + 可信度

• E（靶向值）：向同档基准收缩后的估计，主显数字。原始频率在小样本格子里 会产出 100%/0% 这类完全不可信但极具说服力的数字，因此禁止直接输出裸频率。
• O（观察值）：原始频率，次显——供核对，不供单独引用。
• N（样本量）：该情境在可得历史中出现的次数。没有 N 的概率在本站不存在。
• B（同档基准）：同一目标在同档全联赛上的频率——"偏离"永远是相对基准而言。
• 区间 + 可信度：区间宽度是精度的主要判据，宽度即信息量—— 区间 [10%, 90%] 与区间 [45%, 47%] 是完全不同的两种知识。

精度与偏离是两个正交的量——本站没有综合评分

区间宽度回答"这个估计有多准"，偏离度（E − B）回答"这个情境相对基准差多少"。 两者走独立视觉通道，禁止合成任何"评分 / 推荐度 / 机会指数"—— 一旦合成，它会立刻成为排序依据与寻宝目标，而那个合成分数没有任何统计含义。

同理，本站不用红绿编码"好坏"：概率本身没有颜色，颜色的暗示会替读者下结论。

校正与下钻纪律

• 对照（A/B）的差异检验强制 Bonferroni 校正：显著性门槛一律除以族大小， 校正状态随返回展示——调用方无须、也不能自行"心算显著性"。
• 任何数字都可下钻到构成它的比赛明细，且明细分母必须与查询分母一致—— 可下钻不是功能，是信任机制本身；不一致时页面显式报契约破坏，绝不静默。
• 样本不足时不给替代数字，但给通往答案的路：放宽阶梯由服务端计算、 保证单调变好（可信度不升的台阶不进阶梯）。
• 本站全部页面（含静态页）声明 noindex：情境组合是乘法级的， 放开索引会造成索引膨胀而自毁 SEO。

字段字典（与 API 同源）