中国的四大名著中《红楼梦》有非常特别的位置。然而，其作者归属仍是谜团，各学派争论不一。1920年，胡适先生“大胆假设”，认为后四十回并非曹雪芹所著，而是高鹗续书。周汝昌认为《红楼梦》共108回，现存80回，后28回遗失。白先勇认为，没有人能续作红楼梦，后四十回中作者笔触细腻，前后呼应，一百二十回应全系曹雪芹所做。关于续作的文学价值，红楼梦“发烧友”张爱玲并不以为然。她认为后十回乃是“狗尾续貂，附骨之蛆”。读到第81回“占旺相四美钓游鱼”时，便觉“天日无光，百般无味”，仿佛进入了“另一个世界”。众多大家各执一词，学术界仍无定论。今天，狗熊会带大家再读石头记，尝试从数据分析角度给出一点佐证。
从前80回到后40回：红楼一梦，大厦倾颓
想要了解红楼梦作者，需先了解红楼梦。红楼梦讲述贾、史、王、薛四大家族的兴衰，贯穿贾宝玉、林黛玉、薛宝钗的爱情婚姻主线。“贾不假，白玉为堂金作马；阿房宫，三千里，住不下金陵一个史；东海缺少百玉床，龙王请来金陵王；丰年好大雪，珍珠如土金如铁”正是对四大家族极盛时期的判词写照。从红楼梦前八十回到四十回，发生了什么？简而言之，从前80到后40，是四大家族“大厦倾颓”，贾宝玉和林黛玉爱情悲剧的重要过渡。
我们先来看看故事的主人翁。初读红楼梦，最艰难的是缕清人物关系。红楼梦中眼花缭乱的宗亲关系，常常让人置身云雾。这里我们抽丝剥茧，只提取前十大出场人物和他们的出场比例，如下图所示。贾宝玉出场的比例最高，着墨最多。令人有点意外的是出场其次的并不是钗黛，而是贾府的封建家长代表，贾母和凤姐。贾母在书中有非常重要的地位，她是贾府内部最高权力的代表。这位老人不仅懂得享受荣华，而且当贾府倾頽之时，她拿出家财赈济众人，也是有条不紊，从容镇定。凤姐可以算是贾府的“执行董事”，明是一盆火，暗是一把刀。她执掌贾府实权，但为人心狠手辣，最终机关算尽，终免不了含愧而死。
1从数据分析检验看《红楼梦》作者归属
从上面的分析已经可以看出，红楼梦前后情节出现了很大变化，后40回作者更加关注主要人物之间矛盾的处理，减弱了对边线人物的描写。接下来，我们不妨“咬文嚼字”，看看作者在用语习惯上是否前后一致。
从统计学上，判断作者前后用语是否一致，我们自然与【统计检验】联系在了一起。这里，将整体分为：1~40回，41~80回，81~120回作对比。前两个总体的对比将作为参照；重点对比后两个总体之间的差异。我们将一个章节的词频作为一个观测，使用t检验检验不同总体之间词频均值的差异（注：这里我们要求这些词不能在3个总体的词频都<30）。
我们看看具体结果，首先我们关注【高频词汇】。经过统计检验，红楼梦前后用词出现较大断层的高频词集中于形容词、副词方面（在动词、介词、连词等方面差异不大，此处不再列出细节结果）。几个频率显著减小的词包括：越发、难道、可巧、不曾、原是。
①越发：
众人越发慌了。（第25回）
那袭人、麝月等一发慌了，回过凤姐几次。（第95回）
②难道：
黛玉笑道：“你说你会过目成诵，难道我就不能一目十行么？”（第23回）
雨村低了半日头，忽然笑道：“莫非他有遗腹之子，可以飞黄腾达的么？”（第120回）
③可巧：
可巧宝玉往黛玉那里去了。（第60回）
恰好王夫人打发周瑞家的照看（第103回）
④不曾：
黛玉道：“不曾读书，只上了一年学，些须认得几个字。”（第3回）
贾母道：“我活了八十多岁，自作女孩儿起，到你父亲手里，都托着祖宗的福，从没有听见过那些事。”（第106回）
⑤原是：
凤姐儿说道：“大老爷原是好养静的。“（第11回）
袭人道：“二爷的病原来是常有的。“（第105回）
我们从统计检验角度谈红楼梦作者归属，不能够没有参考系。在本节开头，我们已经说明，将前40回与41~80回的语言特征连续性作为参考；实际上，从前面的统计检验结果来看，前80回的语言风格相对更加统一。但是似乎这里并不能让我们完全信服，对于一般的章回小说，出现语言风格的波动是不是正常现象呢？由于情节、感情的波动，小说的文字使用出现差异可能并不是一个“奇葩”的现象。
我们不妨看看其他章回小说是咋样的。这里纳入我们之前讨论过的一个章回小说，《倚天屠龙记》作为参考（显然这一部小说没啥作者争议，感兴趣的读者可以自行分析其他章回小说）。同样地，我们对倚天屠龙记划分三个总体，检验在实词、虚词等方面的差异。结果如下表所示，我们并不能找到非常显著的总体之间差异。这说明《倚天屠龙记》这部小说作者在前后用语用词习惯上是相对更加统一的。
最后，我们进行了一个“鬼畜”的回归分析。首先将一个章节看成一个观测，前80回所有章节标记成Y=0，后40回标记成Y=1。一个自然的问题是，通过回归分析，能否“智能”区分前后总体？删除一些可能跟情节相关的词，经过变量选择后保留了6个词汇，它们大部分是文言虚词，回归系数如下表所示：
关于模型的预测性如何呢？我们进行了5折交叉验证，得到预测集平均AUC达到95.4%！这说明通过用语特征能够非常清晰的区分出红楼梦前后的差异。
红楼梦这部小说可以说包罗万象，从数据分析角度看作者归属只是其中一个方面。红楼梦中有许多语言特征很有意思，它的内容从古至今也多方争议。
在判断显著性时，我们不再以p值小于0.05为标准。这是由于此处涉及“多重检验”的问题。简而言之，如果涉及许多组假设检验，设置显著性水平为0.05是不尽合理的。此处我们采取Bonferroni修正，将p值根据总的检验组数进行调整。由于本案例总共涉及几十组检验，采取谨慎性原则，我们标注了p值<0.001的词汇。对多重检验感兴趣的读者也可以了解一下专用于多重检验的FDR方法，此处我们不再赘述。