用機率與統計穿越不確定性#

組織與個人都越來越仰賴資料做決策：小孩何時該上床、哪種飲食最有效、那台車比較安全。然而對於同一個議題，幾乎都能找到雙方陣營各自端出「數字」支持自己的立場，難怪有人會說「謊言、該死的謊言、還有統計數字」。

• 資料可以被刻意操弄，也可能被無意誤讀
• 但放棄所有統計、改用直覺與意見決策更糟
• 真正的解法是用心智模型理解研究的內部結構，判斷哪些資訊值得相信

法國數學家拉普拉斯（Pierre-Simon Laplace）在 1812 年寫道：「人生中最重要的問題，多半其實只是機率問題。」

該不該相信？從軼事到實驗#

人類天生會用過往經驗推斷未來，但軼事證據（anecdotal evidence）——個人聽聞或目睹的零散故事——常常導出錯誤結論：

• 「今年下了大雪，所以根本沒有全球暖化」
• 「我爺爺一輩子每天一包菸活到八十幾，所以菸不會致癌」
• 「我打完流感疫苗就感冒了，是疫苗害的」

軼事的問題在於樣本不具代表性，人們特別愛分享極端故事。即使有人抽菸沒得肺癌，也只證明「抽菸不必然得肺癌」，無從推論一般抽菸者的罹癌機率。

「相關不蘊含因果（correlation does not imply causation）」是統計學最常被忽略的警語。兩件事先後發生或同時變化，並不代表前者導致後者。

當看似的因果關係出現時，要警覺背後可能有：

• 混淆因子（confounding factor）：影響「假定原因」與「觀察結果」的第三變項。例如打疫苗後感冒，真正原因往往是疫苗與感冒高峰期同時出現
• 偽相關（spurious correlation）：純粹由隨機巧合產生的相關。網站 Spurious Correlations 蒐集了大量此類「乳酪消費量與床單纏繞死亡人數高度相關」之類的笑話

要產生可信的證據，得從定義假設（hypothesis）開始，避免德州神槍手謬誤（Texas sharpshooter fallacy）——先射擊再畫靶——以及在看到結果後才偷偷修改目標的「移動標靶」。實驗設計的黃金標準是：

• 隨機對照實驗（randomized controlled experiment）：將參與者隨機分派到實驗組與對照組，每次只變動一個因子
• A/B 測試：產品開發領域的對照實驗版本
• 盲測（blinding）：受試者甚至研究者都不知誰屬哪組，避免偏好影響結果
• 安慰劑（placebo）與安慰劑效應（placebo effect）：對照組得到外觀相同但無效的處置；單純的「期待」就會帶來真實的生理改變，反向則稱為反安慰劑效應（nocebo effect）

當研究主題不易直接量測時，常會使用代理指標（proxy endpoint）——例如以 BMI 衡量肥胖、以 IQ 衡量智力。代理指標方便但容易失真：抗心律不整藥能減少心律不整，卻反而提高心臟病後的猝死率，因此「減少心律不整」並非「降低死亡率」的好代理。

隱藏的偏誤#

即使是設計周全的實驗，也常被各種偏誤滲透：

• 選擇偏誤（selection bias）：分組無法真正隨機。例如研究孕婦抽菸的影響時，繼續抽菸的孕婦本身可能也做出其他高風險選擇
• 無回應偏誤（nonresponse bias）：被選中卻未參與的人若與主題相關，例如員工敬業度調查中冷感員工不填問卷，結果會嚴重失真
• 回應偏誤（response bias）：受試者的回答因問題措辭、順序、記憶誤差或自我形象維護而偏離真實
• 倖存者偏誤（survivorship bias）：只看到「活下來」的樣本

二戰時，研究人員想根據返航戰機的彈孔位置加裝裝甲。統計學家 Abraham Wald 指出：被擊落的飛機才是真正的樣本——彈孔多的位置代表那裡中彈仍能返航；應該補強的，是返航飛機沒有彈孔的部位。

倖存者偏誤無所不在：只看 Bill Gates、Mark Zuckerberg 就以為輟學創業是好主意，會忽略所有失敗的輟學者；老建築看起來比現代建築美，因為醜陋的早就被拆光了。

評估或設計研究時，要習慣性追問：誰沒有出現在樣本裡？這個樣本相對於底層母體為何不隨機？

小數法則的陷阱#

人類傾向高估小樣本的代表性，這個謬誤被稱為小數法則（law of small numbers），相對於真正的統計定律：

• 大數法則（law of large numbers）：樣本越大，平均結果越接近真實期望值

樣本太小會引發多種錯誤思考：

• 賭徒謬誤（gambler’s fallacy）：以為連開十次黑後，下一次出現紅的機率變高。1913 年 Monte Carlo 賭場確實出現過連續 26 次黑（機率 1.37 億分之一），但任何特定 26 次序列的機率同樣低，只是不一樣令人印象深刻
• 集群錯覺（clustering illusion）：隨機資料天然會出現連續或群聚。每 20 次擲幣序列中，出現連續 4 次同面的機率高達 50%，看起來「太規律」反而才不像隨機
• 向均值回歸（regression to the mean）：極端結果之後通常跟著較典型的結果。樂團首張專輯爆紅、第二張就「江郎才盡」，多半不是心理因素，而是純粹數學

不可能與低機率不同。一百萬分之一的事件，在七十億人的星球上每天都在發生。美國公衛官員每年要調查超過一千件可疑癌症集群，絕大多數其實只是隨機。

不要假設小樣本的結果具代表性；要區分真正的訊號與雜訊，唯一的方法是收集更多資料。

鐘形曲線：分布、變異與中央極限定理#

當資料量大時，會用圖表與**摘要統計（summary statistics）**來壓縮資訊：

• 集中趨勢：平均數（mean）、中位數（median）、眾數（mode）
• 離散程度：全距（range）、四分位距（interquartile range）、變異數（variance）、標準差（standard deviation）

當資料偏斜時（例如美國家庭所得，中位數 5.9 萬美元 vs. 平均 8.3 萬美元），平均數會被極端值拉走，這時中位數比平均數更有代表性。

很多自然現象——身高、血壓、體溫——的分佈呈現鐘形對稱，被稱為常態分布（normal distribution）。在常態分布下，有個非常實用的記憶法則：

• 約 68% 的值落在平均數 ±1 個標準差內
• 約 95% 落在 ±2 個標準差內
• 約 99.7% 落在 ±3 個標準差內

世界上不只有常態分布，還有許多重要的機率分布（probability distribution）：

• 對數常態分布（log-normal distribution）：適用於符合冪律的現象，如財富、城市規模、保險損失
• 卜瓦松分布（Poisson distribution）：時間或空間區間內的獨立隨機事件，如雷擊次數、城市命案數
• 指數分布（exponential distribution）：事件發生的時間間隔，如人或產品壽命、放射性粒子衰變
• 伯努利分布（Bernoulli distribution）：單次「是非題」的二元結果，廣告是否成交、A/B 測試是否點擊

常態分布之所以特別好用，是因為中央極限定理（central limit theorem）：不管原始資料來自什麼分布，從中抽取樣本並計算平均，這些「樣本平均」近似常態分布。樣本越大，樣本分布越窄、越集中於真實平均。

投票民調的「±3% 誤差」其實是一種信賴區間（confidence interval），搭配信賴水準（confidence level）（通常為 95%）。意思是：如果重複做這個民調很多次，其中約 95% 的區間會包含真實值。

中央極限定理告訴我們：要把民調誤差減半，樣本數需要變成四倍。是非題民調若要 ±10% 誤差只需 96 人；±3% 需要 1,067 人；±2% 則需要 2,401 人。

在媒體看到一個沒有誤差線（error bar）的數字時要警覺——你完全不知道該數字的不確定性有多大。永遠在自己的報告中放上誤差線。

條件機率與貝氏思考#

如果在街上遇到一個陌生人，平均身高的最佳猜測是男女中間。一旦得知對方是女性，最佳猜測就變成 162 公分。這就是條件機率（conditional probability）——在某事件已發生條件下，另一事件的機率。

很多人會犯反向謬誤（inverse fallacy）：把 P(A|B) 與 P(B|A) 混為一談。

「九十歲前罹乳癌 | 帶有 BRCA 突變」的機率高達 80%；但「帶有 BRCA 突變 | 九十歲前罹乳癌」只有 5–10%。兩者完全不同。

更系統性的錯誤是基率謬誤（base rate fallacy）——忽略事件本身的底層發生率。經典例子：警察隨機臨檢，酒測儀器有 5% 誤判率，假設酒駕者只佔千分之一，那麼酒測呈陽性的人實際上「真的酒駕」的機率竟然只有約 2%，而非直覺以為的 95%。

連結兩個方向的條件機率的工具，就是貝氏定理（Bayes’ theorem）。它也分隔出統計學的兩大陣營：

• 頻率學派（Frequentist）：機率必須建立在大量觀察之上，沒觀察就沒機率
• 貝氏學派（Bayesian）：可以引入既有知識作為「先驗（prior）」，再依新資料逐步更新信念

貝氏方法產生的是可信區間（credible interval），可以直觀地說「真值有 95% 的機率在此區間內」——這正是大多數人誤以為信賴區間在說的話。實務上，當資料夠多，兩派結論會收斂到一起。

對或錯？型一誤差、型二誤差與檢定力#

任何判斷系統都有四種可能結果：

• 真陽性（true positive）、真陰性（true negative）：判斷正確
• 偽陽性（false positive）：說有但其實沒有，又稱型一誤差（type I error），發生率以 α 表示
• 偽陰性（false negative）：說沒有但其實有，又稱型二誤差（type II error），發生率以 β 表示

設計實驗時要決定容忍多少錯誤率。常見選擇：

• α = 5%（對應信賴水準 95%）
• 1 − β = 80%–90%，稱為實驗的檢定力（power）

美國刑事審判要求「超越合理懷疑」，這是有意識的權衡：寧可放走犯人（偽陰性）也不願冤枉好人（偽陽性）。

實驗的標準框架是先設定虛無假設（null hypothesis）——兩組沒有差異——以及描述「最小有意義差異」的對立假設（alternative hypothesis）。蒐集到足夠證據才能拒絕虛無假設。要偵測的差異越小，所需**樣本數（sample size）**越大。

最常用來宣告結果是否**統計顯著（statistically significant）**的指標是 p 值（p-value）：在虛無假設為真的前提下，得到目前或更極端結果的機率。p 值小於選定的 α，就稱為統計顯著。

美國統計學會在 2016 年明確聲明：「科學結論與商業或政策決策，不應只看 p 值是否跨過某個門檻。」過度聚焦 p 值會把豐富資訊壓縮成單一數字，並掩蓋研究設計上的瑕疵與偏誤。

幾個常被忽略的細節：

• 「沒找到顯著結果」不等於「確認沒有效果」——「證據缺席」不是「缺席的證據」
• 統計顯著 ≠ 實質顯著：樣本夠大時，連 1% 的差異都能達到統計顯著，但對使用者毫無意義
• 與其只看 p 值，不如同時看「效果大小 + 信賴區間」

再現性危機#

在心理學等領域，當研究人員嘗試重新驗證已發表的「正面結果」時，能成功再現的不到 50%——這就是再現性危機（replication crisis）。

如果偽陽性平均只能再現 5%、真陽性可再現 80%，要讓再現率落在 50%，意味著原始研究中約有 40% 是偽陽性。這比理論上的 5% 高出許多，原因包括：

• 資料浚渫（data dredging）/ p-hacking：對同一份資料反覆測試直到找到顯著結果。著名的 XKCD 漫畫描繪研究者測試 21 種顏色軟糖直到「綠色軟糖致痘」p 值夠小
• 發表偏誤（publication bias）：期刊偏好顯著結果，負面結果常常未被發表，導致不同團隊重複嘗試同樣失敗的假設
• 隱性偏誤滲入：選擇偏誤、倖存者偏誤等
• 向均值回歸：原始研究碰巧捕捉到極端效果，再現研究的真實效果其實小很多

要提升研究可信度，可以：

• 採用更嚴格的 p 值門檻來校正多重檢定
• 使用更大的樣本以偵測較小的真實效果
• 在實驗開始前就預先註冊（pre-register）要做的統計檢定，避免事後 p-hacking

評估任何單一研究時要保持懷疑。理想狀況下，應該尋找已經完成的系統性回顧（systematic review）或統合分析（meta-analysis）——這類研究有計畫地整合既有所有研究，是醫療指南與政策制定的依據。

統合分析能提高估計的精確度，但也有侷限：研究設計差異過大時不宜合併、原始研究的偏誤會被一起繼承、發表偏誤無法消除。

本章核心要點#

• 別陷入賭徒謬誤與基率謬誤
• 軼事與相關只能用來「產生假設」；要建立可信結論仍須仰賴設計良好的實驗
• 偏好已被驗證的設計：隨機對照實驗或 A/B 測試，並注意統計顯著性
• 常態分布在實驗分析中特別有用，靠的是中央極限定理；記住 68% 落在 ±1σ、95% 落在 ±2σ
• 任何單一實驗都可能產生偽陽性或偽陰性，並可能受選擇偏誤、回應偏誤、倖存者偏誤等影響
• 再現能提高結論的可信度——研究新領域時，先找系統性回顧或統合分析
• 處理不確定性時，所有報告數字本身也都帶有不確定性；永遠尋找並標示誤差線

統計學不是治癒不確定性的魔法，但它讓你能更誠實地描述自己對各種結果的信心。如統計學家 Andrew Gelman 所言：我們必須「更願意接受不確定性，並擁抱變異」。