第18章：统计学的应用与谬误 — 您的数据侦探指南！

同学们！您是否曾见过这些新闻标题：“90%用户都喜欢我们的新App！”或者“吃这种食物可以延年益寿！”？统计数据无处不在—在新闻、广告、社交媒体中都能见到。它们对了解世界有莫大帮助，但也可能被误用来误导您。无需担心，这一章就是您的秘密武器！我们将学会如何解读弦外之音、识别可疑的说法，以及了解统计学应该如何正确地运用。就像练成数学的超能力，可以看清真相！


第一部分：概览 — 总体与样本

在我们收集任何数据之前，首先要知道我们要讨论的对象是谁。这里就要介绍我们两个超重要的词语：“总体 (Population)”和“样本 (Sample)”。

想象一下，您想知道全港高中学生最喜欢的科目是什么。

  • 总体 (Population) 是您感兴趣的“整个群体”。在这个例子中，就是“所有”香港的高中学生。想问遍每一个人根本是不可能的！

  • 样本 (Sample) 是“总体的一小部分”，而您实际收集数据的就是这部分。您可能会调查来自不同学校的500名学生。这个就是您的样本。

比喻时间：品尝汤品！

将总体想象成一大锅汤。您不需要喝完整锅汤才知它好不好喝。您只是一小匙—那个就是您的样本。如果那一小匙有齐锅汤里面所有材料的精华，它就会给予您对整锅汤的味道有一个良好的概念。我们的目标就是确保我们“一匙”的数据，能够真实地代表整锅“汤”。

快速温习盒

总体 (Population)： 我们想研究的“所有”个体组成的群体。
样本 (Sample)： 从总体中抽取的部分，我们将在此处收集数据。
为何要抽样？ 因为相比起研究整个总体，抽样更便宜、更快、更实际。

第一部分重点

我们将研究一个细小的样本，去对一个大型总体下结论。最重要的是，样本必须能够良好地代表总体，否则我们的结论就会出错了！


第二部分：如何选择您的样本 — 抽样方法

那么，我们如何才能得到一个好的“一匙”总体呢？我们用来选择样本的方法是非常重要的。我们可以将这些方法分成两大类。

概率抽样 (The Fair Methods)

在概率抽样中，总体中的每个成员都有一个已知的机会被选中。这是获得一个无偏、具代表性样本的最佳方法。

1. 简单随机抽样

意指： 每个人被选中的机会都是均等的。就像将每个名字放入一个大抽签箱，然后随机抽取出来。
例子：想在1000名学生的学校中调查50名学生，您可以为每位学生编配一个号码，然后用随机数字生成器选出50个号码。

2. 分层抽样

意指： 首先，您将总体划分成重要的子群组（称为“分层”）。然后，您从每个子群组抽取简单随机样本。这样可以确保您能够代表所有重要的群组。
例子：您想调查学生对新校规的意见。您知道男生和女生可能有不同意见。所以您将学生总体分成两个分层：“男生”和“女生”。然后您从每个群组随机抽样，确保样本中的比例能与学校的实际比例一致（例如，如果学校是60%女生，您的样本也应有60%女生）。

3. 系统抽样

意指： 您随机选择一个起点，然后每隔“第 k 个”成员就选取一个。
例子：想从一份1000人的名单中调查100人，您可以决定每隔第10个人就选取一个。您随机选择一个介于1到10之间的起始数字（例如7）。然后您选取第7、第17、第27、第37个人，以此类推。

非概率抽样 (The Easy, but Biased, Methods)

这些方法更快更方便，但它们通常会导致有偏差的结果，因为不是每个人都有均等的机会被选中。见到研究用这些方法，就要非常小心了！

1. 方便抽样

意指： 您只是调查那些容易接触到的人。对研究人员而言是方便，但对于获得具代表性的样本而言是非常差的方法。
例子：一位研究人员在午餐时间在一个港铁站外面，调查最先同意接受访问的100人。这个样本会过度代表办公室工作人士，但就错过了学生、老人家以及其他地区的人。

2. 配额抽样

意指： 有点像分层抽样，但不是随机的。研究人员决定好子群组以及每个群组的配额（例如：“我需要50个男人和50个女人”）。然后，他们用方便抽样的方法去填补这些配额。
例子：一位研究人员需要调查20名大学生。他去大学校园，调查他找到的最先20名学生。这也仍然是一种方便抽样，即使它有“配额”要填补。

您是否知道？

一个著名的抽样错误发生在1936年美国总统大选。一本叫做《文摘》(Literary Digest) 的杂志调查了超过二百万人，并预测某个候选人会大获全胜。但他们完全错误！为什么？因为他们的样本来自电话簿和汽车登记名单。在1936年，只有比较富有的人才有电话和汽车，所以他们的样本并不能代表整个投票人口。这就是抽样偏差 (sampling bias) 的经典例子！

第二部分重点

您如何选择样本是至关重要的。概率抽样 (Probability sampling) 方法（例如简单随机抽样、分层抽样、系统抽样）是公平而且能提供最好结果的。对于来自非概率抽样 (Non-probability sampling)（例如方便抽样）的结果，您一定要非常批判性地看待，因为它们通常都是有偏差的。


第三部分：问对问题 — 问卷设计

好了，您已经有了样本。现在您要向他们提问。但是，您如何措辞一条问题，是可以完全改变答案的！一份好的问卷会问清晰、中立的问题。一份差的问卷可以诱使人给出某个特定的答案。

问卷中要避免的常见陷阱：

1. 引导性问题 (Leading Questions)： 这些问题暗示了一个“正确”答案。
差： “您不是也同意新改良的学校午餐美味得多吗？”
好： “您会在1到5的评分标准上评价新学校午餐的品质？”

2. 含糊或模棱两可的问题 (Vague or Ambiguous Questions)： 用词不清晰。
差： “您定期做运动吗？”（“定期”是什么意思？每日一次？每星期一次？每月一次？）
好： “上星期您做了至少30分钟运动的日子有几天？”

3. 双重提问 (Double-Barrelled Questions)： 一条问题询问两件事。
差： “您认为学校应该减少书本开支并增加体育设施开支吗？”（如果只同意一部分，不同意另一部分该如何处理？）
好： 分成两条问题：“您认为学校应该减少书本开支吗？”和“您认为学校应该增加体育设施开支吗？”

4. 不当的选项 (Inappropriate Options)： 选项令人困惑，或者未能涵盖所有可能性。
差： “您几岁？(a) 20岁以下 (b) 20-30岁 (c) 30岁以上”（如果您刚好20岁或30岁该如何处理？选项重叠，而且不是互斥的。）
好： “您属于哪个年龄组别？(a) 20岁以下 (b) 20-29岁 (c) 30岁或以上”

5. 问题次序 (Question Order)： 问题的次序可以影响后续答案。
例子：如果您首先问“您对您的生活有多满意？”，然后再问“您多久谈一次恋爱？”，答案可能会与您反过来询问的情况不同。

第三部分重点

问题的措辞很重要！当您见到一份调查结果，试着找出他们问了哪些确切的问题。小心旨在产生某个特定结果的引导性、含糊或有诡计的问题。


第四部分：辨识谎言 — 统计学的谬误

这个时候，我们就要戴上我们的侦探帽了！人们可以在每个阶段滥用统计数据：在他们如何收集数据、如何呈现数据，以及如何解读数据。

滥用1：误导性数据收集

这个又回到我们头两个部分。如果有人使用有偏差的抽样方法（例如方便抽样）或者设计得差的问卷，他们的数据从根本上就有缺陷。就像在一个不稳固的地基上盖屋—无论它看起来多么漂亮，都不可靠。

警示： 一个标题说“85%的人喜欢X牌咖啡！”，但这个“调查”是在一间X牌商店外面派发免费样本时进行的。（这是偏颇的样本！）

滥用2：误导性图表

一张图胜过千言万语，但也可以道出千个谎言。很容易操纵图表，使差异看起来比实际更大或更小。

常见图表诡计：

  • 截断Y轴 (The Truncated Y-Axis)： 这是最常见的诡计！垂直轴 (Y轴) 不是由零开始。这样会使微小的差异看起来像巨大的变化。

  • 不一致的刻度 (Inconsistent Scale)： 轴上的数字增长并不一致（例如：它是0、10、20、100、200这样升），这样会扭曲图表。

  • 误导性的象形图 (Misleading Pictograms)： 使用图片时，高和宽都同时按比例放大。这样会使图片的面积呈指数级增长，夸大了差异。

  • 令人困惑的3D图表 (Confusing 3D Charts)： 3D效果可以使您难以读取实际数值，而且可以使靠近观察者的部分看起来比实际更大。

滥用3：误导性解读

即使有良好的数据和良好的图表，得出的结论都可能是错的。

常见解读诡计：

  • 使用“错误”的平均数 (Using the "Wrong" Average)： 还记得平均数、中位数和众数吗？一间公司可能会说它的“平均”工资很高，是因为使用了平均数 (mean)，它被几个百万富翁级高层拉高了。而中位数 (median)（中间数值）会提供更真实的典型员工收入情况。

  • 相关性不等于因果关系 (Correlation is NOT Causation)： 这是一个很大的误区！仅仅因为两件事同时发生，不代表一件事会导致另一件事。
    经典例子：冰淇淋销量和鲨鱼袭击次数有关联（它们在夏天都会上升）。那么吃冰淇淋会导致鲨鱼袭击吗？当然不会了！真正的原因是炎热的天气（『潜在变量』），它会使人们去游泳和吃冰淇淋。

  • 选择性挑选数据 (Cherry-Picking Data)： 只呈现支持自己论点的数据，而忽视不支持的数据。

  • 细小的样本量 (Small Sample Size)： 来自非常细小样本（例如：“四个人中有三个人同意”）的结果并不可靠，很大机会只是随机机会造成。

第四部分重点

做一个批判性的观察者！总是质疑数据来源，检查图表的坐标轴，以及仔细思考这个结论是否真正得到证据支持。不要被花俏的数字或图表骗到您！


第五部分：您的统计学侦探工具箱

恭喜您，您已经学会了所有秘密了！现在，无论您在现实世界遇到任何统计数据，您都可以用这份简单的清单，像专家一样评估它。

问自己这些问题：

1. 这项研究由谁出钱资助？又由谁进行？
（他们是否有理由想得到某个特定结果？）

2. 样本量有多大？样本是如何挑选出来的？
（够不够大？是随机样本还是有偏差的方便抽样？）

3. 他们问了哪些确切的问题？
（是否有引导性、含糊或有诡计的问题？）

4. 数据是如何呈现出来的？
（图表的Y轴是否由0开始？刻度是否一致的？）

5. 结论是否合乎逻辑？
（他们是否有混淆相关性和因果关系？他们是否有用最适合的“平均数”吗？）


通过学习统计学的应用和谬误，您不只是在学习数学，更是在学习如何在日常生活中成为一个更聪明、更具批判性的思考者。现在就出发，做个数据侦探吧！