一個統計偏誤#

伯克森悖論（Berkson’s Paradox）——不太著名但應用場景很廣的統計現象。

三個日常說法#

伯克森悖論是說：哪怕上面這些人的親身經驗都是真的，他們從經驗中總結出來的結論，也很可能是錯的。

先說「相關性」#

經濟學家做過統計：長得漂亮的人收入會高一些——「漂亮」和「收入高」之間存在正相關。

• 正相關：智商和學習成績、性格外向和受到關注
• 負相關：可能的例子——身高和體操（太高不容易做難度動作）
• 0 相關：兩個特性之間沒有規律

關蓉蓉的錯誤#

關蓉蓉說「長得帥」和「性格好」之間存在負相關。

假設：長得帥不帥跟性格好不好完全沒關係（相關係數 = 0）。

在一個有 1000 個青年男子的二維分布圖（橫軸長相、縱軸性格）中，點位置完全隨機、無任何規律。

關蓉蓉看到了什麼？#

長得特別丑或性格特別差的人根本不會進入她的視野。她考慮的對象是：

長相 + 性格 ≥ 某個閾值

所以她只看到圖中右上角那個三角區域中的人。

三角區裡的表觀負相關#

因為三角形斜邊上兩角的存在——

• 長得越帥的人似乎越容易性格比較差
• 性格越好的人似乎越容易長得不帥
• 性格和長相之間出現一個取捨——這正是負相關

這些點都是我們設計的！原本沒有任何「摧毀性格的神秘力量」。關蓉蓉之所以得出錯誤結論，是因為她的統計不全面。要想進入她的法眼，長相和性格都不能太差。

她看不到「長相高分」那一列全部點的分布，只看到她篩選過的三角區，就產生了「長得帥的人性格差」的幻覺。

伯克森悖論的一般形式#

如果你對兩個特性有一個總體的閾值要求——這兩個特性哪怕原本沒關係、甚至哪怕原本可能是正相關——在你考察的那個範圍內，也能讓你感覺它們有負相關。

常見誤解#

伯克森悖論和人們熟悉的**「倖存者偏差」都屬於「選擇偏差」**，出錯的根本原因都是你統計的數據不夠全面。

一個真實例子：摩托車手#

有人統計因車禍被送進醫院急診室的摩托車手，發現戴頭盔的人所受的傷反而比不戴頭盔的人更重。難道戴頭盔的人開車更大膽、所以更容易受重傷？

不一定。

事實是：很多戴頭盔的人因頭盔保護而只受輕傷，根本就無須進急診室。你考察的其實是「身體受到的保護」和「身體受到的傷害」這兩個因素——保護必須足夠小，傷害必須足夠大，才能讓這個人進急診室。這跟關蓉蓉關注的「長相 + 性格」是一個道理。

中國金融業例子#

有人比較國有企業和民營企業在銀行貸款信息中的效率，發現民企效率比國企高。有的學者就把這當真了。

但事實上「能拿到銀行貸款」是一個閾值——企業的「效率」和「風險擔保」兩個因素必須都很好才行。國企有國家隱性擔保而民企沒有，所以民企的效率必須得高才能拿到貸款——那個學者沒有統計那些拿不到貸款的民企。

Google 的「高分低能」發現#

2015 年，Google 用機器學習判斷哪些因素決定一個員工是不是能幹的好員工——結果發現：在編程競賽中得過獎，恰恰是一個說明這個員工工作能力不行的因素。

這不就是中國人常說的「高分低能」嗎？Google 自己也沒想明白為什麼，猜測可能是因為競賽優勝者更善於快速解決問題、未必適合長期項目。

但伯克森悖論可以完美解釋這個現象#

• 考察世界上所有的人，編程比賽成績和實際編程能力是絕對正相關
• 能在比賽中拿獎說明你必定是個編程高手
• 在理想情況下，Google 招人應該只看實際能力
• 但Google 在招一個人之前無法精確知道實際能力，不得不把比賽成績作為重要參考指標
• 所以 Google 招人其實是：比賽成績很好 OR 實際能力很好 → 被錄取
• 這導致被錄取的人中出現一個假的負相關——典型的伯克森悖論

根本原因#

能進 Google 的都是優秀程序員。你拿優秀的人和優秀的人比，因為其中有些人是靠比賽成績突出而顯得優秀，所以會產生比賽成績好反而能力弱的感覺。其實根本沒有「比賽能力會削弱實際能力」的機制，僅僅是統計分布就足以讓你產生這個感覺。

「高分低能」這樣的感覺很正常，但這是個偏見。面對一個成績特別出色的人才時，你不應該假設他實際能力不行。

民間智慧的可疑#

了解了伯克森悖論，下一次再聽到涉及能力、人品、長相、運氣的各種「負相關」論斷，你都應該保持戒心。

生活中很多民間智慧值得質疑：

• 「寒門出貴子」
• 「為富不仁」
• 「仗義每從屠狗輩，負心多是讀書人」
• 「殺人放火金腰帶，修橋鋪路無屍骸」

平庸的寒門子弟、遵紀守法的富人、沒有英雄壯舉的屠狗輩、忠誠的讀書人和安享晚年的好心人——他們的新聞閾值太低，他們的事跡沒有四海傳揚。你必須把這些人都統計上，才能得出正確的結論。