下载掌阅APP，畅读海量书库
立即打开
人们总是喜欢用成功人士的例子激励自己，并且简单地认为，前人的成功能提高自己成功的概率。然而结果往往并不如人意，人们因此容易产生强烈的心理落差，甚至会一蹶不振。
为什么一部分人看别人成功的例子，就相信自己也会成功？他们很有可能陷入了幸存者偏差的误区。
幸存者偏差是指人们在观察一个群体或者样本时，只考虑那些幸存下来的个体或者事物，忽略了被淘汰的个体或者事物，导致在分析过程中产生偏差。
幸存者偏差最初是由美国统计学家亚伯拉罕·瓦尔德（Abraham Wald）在第二次世界大战期间提出的。当时，为了加强对战斗机的防护，军方对平安返航的战斗机机身上的弹痕分布进行了调查。调查发现，机翼的弹痕多，而机尾则很少有弹痕。这表明机翼容易被击中。所以，军方认为，应加强对战斗机机翼的防护。瓦尔德却认为，应该加强对战斗机机尾部分的防护。理由有三点：一是军方的统计样本只涵盖了安全返航的战斗机；二是即使机翼被多次击中，仍可以返航；三是机尾被击中的战斗机无法返航，并且战斗机的发动机在机尾部分。事实证明，瓦尔德的观点是正确的。
幸存者偏差在生活中无处不在。无论是在统计学、投资领域，还是在商业分析、数据分析等领域，都能看到这一现象的影子。例如，经济学家研究公司的成功因素，如果只关注成功的公司，忽略失败的公司，得出的结论就会存在很大的误差。失败的公司可能具有一些特殊的因素，或者更值得人们注意的问题。
在投资领域，投资者通常会被幸存者偏差的魔力所吸引，过分关注成功的投资者和他们取得的惊人成果，从而忽略他们背后隐藏的巨大风险和失败的可能。此外，在商业分析领域，分析师往往过于关注成功的案例，而忽略无数失败的案例，容易导致他们在评估产品和服务时过于乐观，对未来的发展形势做出错误的预测。
数据分析领域也容易受到幸存者偏差的影响。数据分析人员往往只关注那些成功的案例，忽视失败的案例，这就导致他们对数据的评估和解读出现偏差，从而对决策产生不良影响。
很多不幸的人可能再也没有说话的机会，而幸运儿口中的信息就成了人们获取信息的唯一渠道，这也是导致错误决策的原因之一。
成功者往往是竞争中优胜劣汰的结果，如果人们只是对成功者进行调查，将过滤后的结果当作在比赛开始前的综合样品分析，就会根据自己看到的、听到的内容对事物做出主观的评价，同时产生一种偏颇的感觉，从而产生决策失误。
幸存者偏差对每个人都有警示作用。在现实生活中，人们把太多的注意力集中在某些成功人士身上，就会认为这些人能够成功，自己也会成功。
所谓暗数据，指的是那些被忽略的沉默数据。在如今这个信息高速发展的时代，人们经常认为自己拥有能够做出正确决策所需要的全部信息，自信满满。然而事实上，很多暗数据隐藏在人们的认知之外，导致认知出现各种偏差，得出各种错误结论。比如，本节列举的飞机防护案例。据研究人员观察，成功返航的战斗机的机尾几乎都没有弹痕，机翼处弹痕密集——这是明数据。所以，大多数人觉得应该加固战斗机弹痕密集的部位。
有人会问，那些尾部中弹的战斗机去哪儿了？毋庸置疑，它们已经全部坠毁，无法返航了。这些数据却被人为地忽略了，这些被忽略的数据就是暗数据。所以，瓦尔德坚持应该加固战斗机未中弹的地方。
人们在关注看得见的明数据时，也要关注被忽略的暗数据，因为它能带来较为真实、全面的信息。人们要意识到暗数据的存在，才有机会获得更加全面的认知。
幸存者偏差的本质其实是选择偏倚，即人们在进行统计时忽视了样本的随机性和全面性，以局部样本替代总体随机样本，进而导致对总体的描述出现偏差。
避免幸存者偏差，就要建立系统的分析方法。统计学一般采用贝叶斯公式来消除幸存者偏差。贝叶斯公式如下：
P ( A | B )= P ( B | A )× P ( A )/ P ( B )
其中， P ( A | B )表示在给定事件 B 发生的条件下，事件 A 发生的概率； P ( B | A )表示在事件 A 发生的条件下事件 B 发生的概率； P ( A )和 P ( B )分别表示事件 A 和事件 B 单独发生的概率。
在面对问题和决策时，人们如果感情用事，用感性做决策，就很容易掉入幸存者偏差的陷阱。想要避免决策错误，就要在事实的基础上进行演绎分析、推理，从而得出正确的结果。