会骗人的数字

酒吧里有十个人。每人年收入五万美元。这时走进来一位亿万富翁。大家的平均收入立刻变成大约九千一百万美元。但中位数还是五万美元，也就是排在中间那个人的收入。收入、房价、公司薪资和等待时间，都可能出现极端值。平均数会被极端值带走，中位数更接近普通人的处境。对方选择展示哪一个，其实是在表达立场，不只是陈述事实。

收入：50k ×10，然后 +1 位亿万富翁

平均数：$91,000,000   “多么富裕的一家酒吧！”
中位数：$50,000       普通人的实际收入

# 这些地方常见此手法：
“本公司平均薪资为 $145k”   ← 创始人的股权拉高了数字
“平均房价上涨 12%”          ← 豪宅成交突然增加
“客户平均节省 $400”         ← 三位大客户拉高了数字

# 拆穿它的问题：“中位数是多少？”
# 如果对方不肯说，这本身就是答案。

某种疾病每一千人中只有一人患病。检测准确率是百分之九十九。现在你的结果呈阳性，应该有多担心？很多人会回答百分之九十九。一些研究中的医生也会这样答。真正的患病概率却只有大约百分之九。罕见的事，不会因为一次阳性信号就突然变得常见。百分之一的误差会落在数量庞大的健康人群里。结果，假阳性是确诊病例的十倍。

100,000 人 · 患病率 1/1,000 · 检测准确率 99%

实际患病：    100 → ~99 个真阳性
实际健康： 99,900 → ~999 个假阳性  ← 多出十倍！

阳性结果：1,098 · 实际患病：99 → ~9%

# 同一套计算也适用于欺诈警报、安全扫描器、
# 招聘“信号”、医学筛查和垃圾邮件过滤器。
# 拆穿它的问题：“检测之前，这件事本来有多常见？”

第二次世界大战期间，分析人员标出了返航轰炸机上的弹孔。他们建议给中弹最多的位置加装装甲。统计学家亚伯拉罕·瓦尔德却反过来看。他认为，应该保护返航飞机没有中弹的位置。因为被击中那些部位的飞机，根本没能回来。数据没有造假，但数据集漏掉了最重要的一群对象。我们能听见的，往往只有幸存者。

# 现代版本：
“大学辍学生会成为亿万富翁”  ← 破产的百万辍学生不会去做 TED 演讲
“这位百岁老人每天都抽烟”    ← 已经去世的吸烟者无法接受采访
“成功创始人都每周工作 90h”   ← 精疲力竭后失败的人不会被看见
“我们的校友年薪 $200k”        ← 回复调查的校友 ≠ 全部校友

# 拆穿它的问题：
# “谁没有出现在这个数据集里？为什么？”

每到夏天，冰淇淋销量和溺亡人数都会一起上升。但冰淇淋不会让人溺水。真正同时影响两者的是夏天。如果 A 和 B 同时变化，至少要检查四种可能。第一，A 导致 B。第二，B 反过来导致 A。第三，隐藏的 C 同时导致两者。第四，只是巧合。变量足够多时，总会有一些碰巧相关。标题会选择最吸引人的故事。你要做的是把四种可能都摆出来。

“吃早餐的孩子成绩更好”
  A→B？ 早餐为大脑提供能量          （标题采用的解释）
  B→A？ 在这里不太可能
  C→AB？稳定的家庭既能准备早餐，
        也能辅导作业               （也许这才是平淡的真相）
  巧合？研究 500 个饮食变量，总会有几个碰巧命中

# 容易被低估的反向因果：
“经常锻炼的 CEO 把公司经营得更好”
  或者：公司经营顺利的人才有时间锻炼

# 拆穿它的问题：“还有什么因素能同时造成两者？”

吓人标题最爱用这一招。只要绝对风险很小，相对变化就能显得很大。比如，“培根使肠癌风险增加百分之十八”。实际变化，是终身风险从大约百分之五升到百分之六。也就是一个百分点。吃不吃由你决定，但要根据真实数字决定。还要分清百分比和百分点。亏损也不对称。先跌百分之五十，再涨百分之五十，并不能回到原点。

“风险增加 18%！”   相对变化，适合制造标题
5% → 5.9%           绝对变化，适合帮助决策

“利率从 4% 升到 6%”
= 上升 2 个百分点，也可以写成“利率暴涨 50%”
# 同一个事实，两种标题，恐慌程度由你选择

# 先跌后涨并不对称：
$100 −50% → $50 +50% → $75，不是 $100
# 亏损 50% 后，需要上涨 100% 才能回本。
# “金钱基础”会继续解释这对投资组合的影响。

# 拆穿它的问题：“绝对值从多少变成了多少？”

小群体本来就容易产生极端结果。某家医院一个月只有八个新生儿，男婴占百分之七十五并不稀奇。另一家医院有八百个新生儿，就几乎不会出现这种比例。美国癌症发病率最高的县，往往人口很少，而且位于乡村。发病率最低的县也是如此。样本量小，不只是让结论变弱。它还会主动制造引人注目的结果。

抛 5 次硬币   → 出现 4+ 次正面的概率约为 ~19%  （很平常）
抛 500 次硬币 → 出现 400+ 次正面几乎不可能       （该找物理学家了）

# 常见陷阱：
“10 位牙医中有 9 位赞同”    哪 10 位？总共问了多少人？
“我们的 A/B 测试赢了！(n=40)” 再测一次。n=40 经常会冒出“胜者”
6 条评分的五星应用           对比 80,000 条评分的 4.4 星应用

# 拆穿它的问题：“n 是多少？”
# 只给百分比、不给人数时，每次都要问。

图表不需要使用假数字，也能误导人。最经典的做法，是截断 y 轴。让它从九十六开始，而不是从零开始。这样，百分之二的差距看起来就像一道悬崖。其他手法也很常见。比如只挑有利的时间段，使用两套刻度强行让曲线交叉，或者用三维饼图让靠前的部分显得更大。数字是真的，几何形状却在骗人。

# 同一组数据：销量 96 → 98

y 轴 0–100： ▁▁  “基本没变”（确实如此）
y 轴 96–98： ▁█  “爆炸式增长”（也可以说“没错”）

# 挑选有利的时间窗口：
“自三月以来上涨 40%！”  ← 二月发生了什么，
                            才让三月被选为起点？

# 防骗习惯：先读坐标轴数字 · 拉长时间范围 ·
# 把三维图表当成装饰

极端结果里，通常掺杂了运气。运气不会原样重演，所以极端结果往往会自行回到正常水平。年度最佳新秀第二年“状态下滑”，可能是他原本就没有那么强。业绩最差的分店在经理视察后“扭转局面”，也可能是它原本就没有那么差。这个陷阱很残酷，因为它会奖励惩罚，也会嘲弄表扬。糟糕表现后训斥员工，成绩往往会改善，哪怕你什么都不做也会改善。出色表现后表扬员工，成绩往往会下降，道理相同。飞行教官曾经得出这样的结论。卡尼曼职业生涯中的许多研究，也从这个观察展开。

extreme result = skill + luck
next result    = skill + fresh luck (average) → less extreme

# 它制造的错觉：
“干预起效了！”        ← 在最低点实施干预，反弹本来就会发生
“登上封面就会倒霉”    ← 封面挑中的正是运气最好的高峰
“我换鞋之后，
低迷期就结束了”       ← 低迷期本来就会结束

# 拆穿它的问题：“和什么相比？即使不干预，
# 它会不会照样反弹？”这就是试验需要对照组的原因。

每种陷阱，只记一个问题。开会时直接问出来，演示内容会立刻变得更可靠。

只给平均数？       → “中位数是多少？”
夸奖检测器？       → “它检测的东西本来有多罕见？”
总结成功规律？     → “谁没有出现在这个数据集里？”
声称 A 导致 B？    → “还有什么因素能同时造成两者？”
百分比很吓人？     → “绝对值从多少变成了多少？”
比例很惊人？       → “n 是多少？”
图表很夸张？       → “y 轴从哪里开始？”
比较干预前后？     → “不干预的话，它也会反弹吗？”

你还可以接着看金钱基础，理解储蓄里的百分比游戏。再看心算，先估算，再识别荒唐数字。最后看学习方法，了解为什么“感觉学会了”也是一种由自己造成的统计错误。