审问信息从哪来 · 树干
幸存者偏差
Survivorship Bias · 也叫 生存者偏差、沉默的证据
你只看得见活下来的，看不见消失的，于是把成功想得太容易
记住它先问：没回来的那些去哪了？
2故事
今 1943 · 美国纽约（哥伦比亚大学统计研究组）
弹孔多的地方，要不要加装甲
1943 年，二战打得正激烈。美国军方想给轰炸机加装甲，但装甲很重，不能全身都包。他们检查了飞回来的轰炸机，发现弹孔大多在机翼和机身上，发动机那里弹孔很少。军方的想法很自然：哪里弹孔多，说明哪里最容易挨打，就在那里加装甲。他们把数据交给哥伦比亚大学的统计学家瓦尔德。
如果你是瓦尔德，装甲该加在哪儿？
先说说你的判断，再看后来发生了什么。
3讲清
很多事情在你看到之前，已经被筛过一遍了。打仗筛掉了被击落的飞机，市场筛掉了倒闭的公司，时间筛掉了平庸的老东西。留在你眼前的，是通过筛选的那一小部分。
麻烦在于，被筛掉的那部分不是藏起来了，而是根本不在了。你不会觉得数据有缺口，因为缺口本身也看不见。于是你会把「活下来的人有什么共同点」当成「这样做就能成功」。
最小例子：你在公司跑步群里问「坚持跑步辛苦吗」，大家都说「还好，挺开心的」。可是觉得太辛苦的人，早就退群了，你问不到他们。
幸存者偏差几乎总是让你变乐观：成功看起来更常见，方法看起来更管用。
记住它：看到一群成功者时，先问一句「和他们一样做、却失败了的人在哪里？」
- 样本
- 你拿来观察、下结论的那一部分人或东西
- 沉默的证据
- 已经消失、所以没人看得见的那部分数据
4试一试
换一个情境，看你能不能认出它。答错一次会给提示，可以再答一次。
第 1 题
家里老人说：「以前的电风扇用二十年都不坏，现在的东西三五年就坏了，质量真是越来越差。」他举的例子，是家里还在用的那台老风扇。
老人的结论可能漏掉了什么？
第 2 题
一家公司做了一次员工满意度调查，在职员工打分很高。老板很高兴：「看来我们的工作环境很好。」可这家公司去年走了很多人。
这次调查最大的问题是什么？
第 3 题
你看到一个视频：一位创业成功的老板说，他大学退学去创业，最后赚了很多钱。评论区有人说：「看吧，退学创业才是成功的捷径。」
这条评论的推理错在哪里？
5例子
古 约公元前 45 年
神庙里的还愿牌
古罗马的西塞罗记过一个故事：有人带一位不信神的人去神庙，指着墙上挂满的牌子说，这些都是向神祈祷后在海难中获救的水手献的，难道不能证明神灵有用吗？那人反问：那些祈祷了却照样淹死的水手，他们的牌子挂在哪里？死去的人没法回来挂牌子，于是墙上只剩下「祈祷有用」的证据。这是关于幸存者偏差最古老的记载之一。
出处：西塞罗《论神性》(De Natura Deorum) 第三卷
我的例子
找一个「大家都说某种做法很管用」的说法，比如某种学习方法、某种发财办法。想一想：用了这个做法却失败的人，你听说过吗？为什么很少听到他们？
AI 会看三件事：是不是这个模型在起作用、具体到人和事了吗、说出「所以」了吗。通过，并且识别题全对，就算掌握。
6再深一层机制细节、什么时候不适用、常见误用、进阶案例与出处
机制
幸存者偏差有三个条件：先有一道筛子（战斗、竞争、时间），筛子不是随机的（专挑弱的淘汰），你只看到筛完剩下的。三者同时出现，你观察到的特点和「成功」之间就可能只是相关，不是因果。对付它的办法是先定义完整样本：一共出发了多少，消失了多少，再把留下的和消失的放在一起比。
什么时候不适用
第一，如果「留下来」完全是随机的，没有专门淘汰某一类，那留下的样本和全体差不多，用不着修正。第二，如果你研究的本来就是幸存者，比如了解康复病人现在的生活，只要不把结论推到所有病人身上就没问题。第三，失败者的教训往往更可靠：凡是过度借钱的公司大多倒了，这个规律不会因为「看不到倒闭的公司」而失效。别把「幸存者偏差」当成万能的反驳词。
常见误用
看到任何成功案例都说「幸存者偏差」来否定能力和努力。认出这种偏差，不是说成功全靠运气，而是说从成功者身上总结的规律要打折，并且要用失败者来检验。
相关模型
- 基础比率 · 延伸 — 补上消失的那部分，就是在找真实的基础比率
- 回归均值 · 对照 — 成绩好的下次变差是回归均值；只看留下来的才是幸存者偏差，两者常被混淆
- 逆向思维 · 延伸 — 瓦尔德的答案就是反过来想：不看弹孔在哪，看弹孔不在哪
- 可得性启发 · 对照 — 幸存者偏差是失败者消失了，可得性启发是吓人的例子被放大了
- 社会认同 · 延伸 — 成功者被大量曝光，社会认同会把模仿的冲动再放大一层
进阶案例
基金业绩太差时，常常会被关闭或并入别的基金，它的历史成绩也随之从数据库里消失。于是你看到的「过去十年平均回报」只算了活下来的基金，而活下来的平均而言恰好是表现较好的那些。学术研究认为这会让行业平均业绩被系统性地高估。基金公司也常同时运营很多只基金，只宣传碰巧跑赢的那几只。
底稿：站内资料库
原始出处与延伸阅读
- mungermodels：幸存者偏差 · library/mungermodels/survivorship-bias.md
- 思维模型 Wiki：幸存者偏差 · library/web_zh/qiaomu_mm/051-幸存者偏差.md
- 乔丹·艾伦伯格《魔鬼数学》(How Not to Be Wrong, 2014) 第一章 · library/web_zh/qiaomu_mm/051-幸存者偏差.md