简单统计学：如何轻松识破一本正经的胡说八道

作者以人们日常生活，政治，经济，文化, 娱乐，体育比赛等各中各种具体的大小事例，黑色星期一，特异功能，像智商税的彩票。生辰八字有关奇怪故事，或者各种八卦故事来介绍统计的方法与结果，给人们认识事物本质所带来的益处，以及它可能误导人之各种方方面面。将误导人的地方归纳起来，知道如何正确的运用统计、自然就成为本书的核心卖点。 它无非就是像一般统计课程所介绍的那样，无法就是一定要注意实验的设计，对照组合理安排，样品随机抽取，样品量大小的考虑。 简言之，就是必须要有统计学强调的三个R（Random 随机，reliability可靠性， repeat重复性）方面的考虑外，还必须注意使用正确统计计算方法，例如，使用简单线性回归还是多元回归的方法。在现实生活中，人们常常没有注意或者非常容易忽略的，往往把“相关性当成因果关系”。特别是在计算这种相关性的时候，统计的模型是否注意正确使用？简单的线性相关还是应该用多元回归的计算方法，如此等等都是正确应用统计学科普的常识，或者正确使用统计学科普常识。 简言之，读本书最大的收获就是不仅仅知道统计方法正确如否定是非。而且统计的结果也可以被用来排除一本正经地胡说八道。世界之大无奇不有。作者加里·史密斯是美国著名的统计学者，曾在耶鲁教授多年统计学。有理由说它是是关于统计学的防骗指南，休闲好书。具体的例证与故事，书中随便一抓一大吧。

我们生活在大数据时代，越来越依赖数据和算法，却常常在不知不觉间被数据绑架，被数据愚弄。从精准推送的短视频，到专家们言之凿凿的报告，再到自媒体中各种颠覆认知的“真相”，你能否识别这其中潜藏的数据骗局？《简单统计学》正是这样一本适时而重要的“防骗指南”，它用大量生活化的例子，系统地揭示了那些我们习以为常、却屡屡中招的数据认知陷阱。 数据并不比思想更重要。数据是客观的，但也是沉默的，它需要被理论所解读。我们既可能被缺乏理论的数据欺骗，也可能被缺乏数据的理论欺骗。缺乏理论的数据，其实只是无意义的数字堆砌；而缺乏数据的理论，也不过是猜测。正确的理论，应该既符合常识，也经得起新数据的检验。 这本书并非要将我们变成统计学家，而是培养我们一种基于概率思维的怀疑精神。它告诉我们： 要关注“看不见的数据”：那些未被展示、被沉默的数据，往往和我们看到的数据同等重要，甚至更为关键。 审慎对待数据模型：期待从数据中分析出结论，甚至分析出“期望”，这种心态是人的天性，即使是专家学者也难以避免。 要相信常识的力量：要对耸人听闻的观点保持警惕，不要轻易否定自己的直觉与常识。 在一个人人都在谈论数据、却少有人真正读懂数据的时代，阅读这本书，能帮助我们识别真实的信息，判断何时该相信、何时该怀疑，从而在复杂的信息洪流中，守住独立思考的能力。

前段时间刷到了白宫展示美国2024年与2025年钢铁产量的对比图，差点没把我笑晕——第一次看见y轴从80开始的统计表，中间只有0.2的间隔，乍一看仿佛美国钢铁产量翻了倍。网友戏称这是“统计学魅力时刻”，于是，想多感受“魅力时刻”的我翻开了这本书。 不看不知道，一看不禁哑然失笑：人类为了让自己能舒服一点真是啥事都能做得出来！在各式各样的数据、案例里遨游时，作者时刻提醒我们“输入垃圾，输出垃圾”“安慰剂效应”“德克萨斯神枪手谬误”（谬误主要有两种形式，一种是“一个没有射击技能的人用一把枪向谷仓的一面墙射出大量子弹，然后在弹孔最多的位置画上靶心。”，另一种是“冒牌神枪手不是先射击，再在最密集的区域画上靶心，而是向许多目标射出许多子弹。然后，他找到自己所击中的一个目标，用油灰盖住其他弹孔，然后刷掉一切痕迹，只留下他所击中的目标。”）等看上去简单，生活中却经常被忽略、迷惑的现象。“当人们犯了错，常说被数据欺骗了。数据不会说谎，是你会错了意，被统计学欺骗了，形成了错误的认知。”日常生活中，得保持清醒，毕竟“花花世界迷人眼，时刻谨记擦亮眼。” 另外，作者非常贴心地在最后一章总结了全书内容。不得不说，该书内容虽然很精彩，但太多的数据、图表、例子确实容易让人在阅读的时候倦怠、烦躁。有了最后一章，重温的时候就方便多了，我这心里也轻松多了。

不夸张地说，每一个人都应该读一读这本书，即使它不会让你精通统计学。在我看来这本书只是在用统计的眼光教你揭露生活中的骗局和陷阱，让你变得“聪明一些”。 英国某名校的统计学专业宣传视频里，教授是这么说的：如果不用于解决问题，数据只是数据，它没有任何意义。联系这本书的内容来看，如果你只是为了“挖掘数据”，为某个模式（比如，连续出现的数字、某个时期不断爬升的价格）强加解释以获得名誉，它就违背了统计学乃至一切科学研究的初衷。你需要首先发现问题，寻找到可能的解释之后才用数据去验证，而不是只埋头于在数据中寻找巧合、寻找可以发表文章的内容，却没有对这一现象作出科学的解释。作者对这一做法作出了生动的描述：这些所谓的研究者，并没有瞄准靶心在射击，而是先进行射击，在你进行了成千上万次之后，必然会有一处或几处是弹眼聚集处；这时你要做的只是把靶心放在那里，然后就“万事大吉”了（当然也不排除有“先射击再摆靶心”的合理研究，前提是是否可以给这个现象有说服力的解释，而不只是用“编辑”之后的数据混淆视听）。 可是这样的研究是否有意义呢？磁场附近的人健康水平不佳可能是别的原因，只是恰好磁场也在那里罢了，只是恰好“磁场”的概念相比之下神秘一点罢了。如果不是磁场，而是一个足球场，或是游泳池呢？人们往往在这个时候才意识到某个研究的荒谬。发生作用的因素可能是别的，某些研究者别有用心的选择了一个有迷惑性的，然后对其他的避而不谈，最后再配上体现了这种“模式”的数据，就可以让我们甘之如饴，有点讽刺，但只能怪我们的思维不具备足够的批判性。 我们可以识别上述的“虚假研究”吗？其实可以从一些细节中发现端倪。比如，无理由地丢弃数据、明明是2019年却选择了2015-2017的数据（同样没有给出理由）。 作者给出的一条建议是，运用你的直觉。这听起来很不靠谱，实际上想表达的是如果一个发表出来的研究给你的第一感觉是有点怪异，不符合常识，你就要开始小心。很可能那只是“数据挖掘”的结果，可能只是先射击再画靶心的结果。 下次遇到这样的研究，先问自己两个问题：为什么是这样？不用作者的数据（很可能是作者有意筛选过的），用另外的新数据可以验证作者的结论吗？ 还有一些其他的陷阱，包括有意对坐标轴做一些手脚，就可以让一个图像“大变身”，给出完全不同的结论；自选择偏差、幸存者偏差等等。最后一章将本书的精华内容作了一个总结，之前的内容更多是用现实的例子来让大家理解，可以相互配合来阅读这本书。 再回头看这本书的书名：《简单的统计学》—— 或许这些识别track的手段对作者而言已经很“简单”了，但是对于更多人来说，还是“简单地”就会滑进作者提及的那些陷阱而已。同样，也不要被“统计学”这三个字唬住了，这本书的思维一定会让你受益的。

在数字叙事中保持理性丨书评 夏宁《21世纪经济报道》(20260314第12版:生活家/人文) 信息化和数字化时代，人们无疑经常被各式各样的数据所“包围”着，并且基于这些数据，数据分析师和行业观察家们也产生了许多分析结论。然而，这些看似建基于数据之上的“实证”分析是否完全可靠？ 美国统计学家加里·史密斯（Gary Smith）所著的《简单统计学》（《Standard Deviations》）则提醒人们，现实中的一些“数字陷阱”完全可能存在，书中列举了美国大量现实案例，揭示了一些领域的统计数据如何被误用，并提醒读者要具备基本的统计思维识别这些不太靠谱的结论。作者认为，统计学并不是只属于学者的专业工具，它与普通人的日常生活息息相关。该书中译本由九州出版社出版，本书也获得了诺奖经济学奖得主罗伯特·希勒的赞赏和推荐。 作者列举的例子既包括生活中的一些例子，也包括医疗研究、商业广告、金融投资、运动比赛等例子。比如“棒球迷信”，作者在书中写道，美国棒球比赛中存在一种所谓的“棒球迷信”，从投手的角度微小的差异足以区分所有明星投手、熟练投手和失败者。用一根圆圆的木棒击打一个以每小时90英里的速度飞行,并且可能具有左旋、右旋、上旋或下旋的圆形棒球，也许是一切运动项目中最为困难的挑战。如果球被击中，它可能直接飞向外野手，造成出局，或者安全落地，形成安打。平均而言,棒球选手每四次击球只能击出一次安打。如果你能将这个比例提高到，你就能进入名人堂。作者认为，也许这就是棒球选手的迷信如此出名的原因,他们倾向于相信这个“规则”不管这种事物多么可笑。奇怪的是，一些研究人员常常会做同样的事情,寻找看上去具有某种模式的事物，不管这种事物多么可笑。 作者还重点讨论了美国医疗研究领域，在医疗研究中，不严谨的统计分析可能误导公众对药物或疗法的认识。关于健康、饮食、疾病风险和用药的统计研究，一些结论往往只挑一些能博眼球的方面说，例如说某个生活习惯会导致风险增加，的确这种风险看似存在，但如果概率本身很小，那么实际对人的影响可能微乎其微。作者提醒人们要注意“绝对风险”和“相对风险”的区别，对于判断这些研究的意义很重要。 再比如一些商业领域的小调查。作者举了一个例子，一家航空公司做了顾客满意度的调查后认为“84%的旅客更喜欢本航空公司”，作者就认为其选取的样本有偏差和预设立场。的确，有时候数据是没错，但分析过程中往往隐藏着分析师的预设、选择性样本以及误导性的解释。如果存在样本偏差，即调查对象的选择本身就不具有代表性，那么调查结果必然失真。比如上述的航空公司调查的样本选取就是只在某一人群中进行调查，却试图得出一个更为普遍的结论。 另外，作者也对美国金融投资领域的一些数据分析进行了讨论。常见的现象是，一些基金公司选择性地展示历史高收益，以及制胜的策略，但却往往有意无意避开市场的大环境和其他的一些因素，该书认为这主要是在回溯历史数据，在过去的数据中寻找规律，而这种规律在未来未必继续存在。简单说，就是有点像“马后炮”，更多是一种总结，而并非是一种可以直接应用到下一次投资的“规律”，所以我们看到，其实现实中也不是人人应用后都能有效，相反一些“规律”在真实交易中常常失灵。 在海量数据时代，人们可以通过不断尝试各种变量组合，总能找到一些看似显著的关联，但作者认为其中一些关联往往只是偶然出现的幻象。作者旨在通过该书提醒读者，面对数据，要有基础的统计常识，并保持冷静清醒的态度。真正的科学研究需要严格的实验设计、严谨的数据处理和可重复的结果验证，而非单一结论。许多统计结论只有在对照组存在时才有意义。例如某种药物是否有效，必须与未使用药物的人群进行比较。另外，最重要的，尽信书不如无书，如果一个基于数据的分析结论明显违背常识，那么你还是要理性看待、清醒地保持和回归常识。 这本书通俗易懂，对当下热门的数字叙事也有较深的研究，并保持了一种理性客观的审视态度，提供了多维度视野，值得一读。 （编辑：杜尚别）

🎊#赠书福利#🎊 同学们好呀，浪浪酱来给大家送福利啦！ 阅读本书并点【推荐+评论】，25年3月13日将随机抽送纸书1本（无塑封，介意慎评。仅限中国大陆地区的小伙伴）！ 关注【后浪出版】，浪浪酱将不定时赠送，好书等你来~🌹

虽然我对现在商品社会和大数据时代的现状极其反感。被繁杂的数据和各种无用信息包裹的生活真的是恶心透了。 但是我依然无法认为这本书是本好书。尽管我和作者的立场是一样的。 1，啰里吧嗦，举了太多繁杂的例子，反倒无法直击痛点。能一句话说清楚，非讲一大堆废话。 2，叙述不够专业，专业名词用了不少，哪个都没解释透，还有一些矛盾和叙述不清的地方。我并不是一个无趣的严肃的人，但是涉及学说的这类书籍，最好还是看专业的。这种趣味有余专业不足的书，无法戳到我的g点。 3，省略中间，看头尾就足够了。看完这本书也学不会数据分析和统计，该踩的坑还得踩。 不会随便被数据以及信息误导的前提，不是学习一些浅显的方法论就够了。而是要建立完整的思考机制和知识储备。让方法论变成自己总结的结果，通过自己的计算变成肌肉反应。 对于这种教人速成的辨别法，我一般都选择敬而远之。宁愿多浪费时间慢慢吞咽那些看起来像砖块一样厚的专业书。 历史的教训告诉我，想成为头脑性感的人，本来就不可能是是一件“轻松”和“简单”的事情。 可拉倒吧!

“我只相信数据”/数据虚假 你得到的数据未必正确或者有效。由于计算机不会犯下运算错误，因此它们是绝对可靠的。事实上，如果我们让计算机去做一些愚蠢的事情，它也会忠实地遵从我们的命令。有一句俗语叫做“输入垃圾，输出垃圾”。也就是说，不管计算机多么强大，输出的价值仅仅取决于输入的质量。这种说法的另一个版本叫做“输入垃圾，输出福音”，它意味着人们往往过度相信计算机生成的结果，不会对输入进行审慎的思考。如果计算机的计算以不良数据为基础，那么它不会输出福音，只会输出垃圾。计算机不会犯错，但人会。人们不仅会为计算机提供错误的指令，有时还会提供错误的数据。计算机可以迅速而正确地完成计算任务，但它不会考虑这些计算的意义和合理性。计算机只会做人们要求它去做的事情。 数据虚假 ##即使是受教育程度很高、应当具有冷静头脑的科学家也很容易受到模式的诱惑。在残酷的学术研究领域，聪明好胜的科学家一直在追求名誉和资助，以维持他们的事业。这种必要的支持是由他们在同行评议期刊中发表的成果决定的。“无论文，不生存”是大学生活中的一个残酷现实。有时，在巨大的压力面前，研究人员甚至会撒谎和作弊，以实现个人的职业发展。为了生存，他们需要得到能够发表的结果，但他们的实验结果并不符合预期，这使他们感到沮丧；此外，他们还会担心其他人抢先发表类似的结果。因此，这些研究人员有时会对实验数据做手脚。毕竟，如果你相信你的理论是正确的，那么编造出证明这种理论的数据又有什么关系呢？## 数据要与理论相结合 人们既可以被缺乏理论的数据欺骗，也可以被缺乏数据的理论欺骗。我们既需要理论，也需要数据。仅仅通过搜刮数据寻找模式是不够的。模式需要得到理论的解释，这种理论应该言之有理，而且需要得到新数据的检验。另一方面，在经过可靠数据的检验之前，理论仅仅是一种猜测。统计学把乱码一般的数据翻译成意义非凡的逻辑。人们习惯了用数据说话：小到防治疾病、理财投资，大到规划公司经营战略，乃至于制定国家宏观政策，都需要用统计学分析数据，建立模型，以形成决策的依据。但是在不确定的世界里，最优决策可遇不可求，最不坏的决策才是现实的追求。 数据可能具有欺骗性 追求名声和资助的研究人员常常会变成德克萨斯神枪手，他们随机开枪，并在弹孔最多的区域绘制靶心。如果你用某种数据编造理论，那么你很容易发现这种理论与数据相符。这样的结果只能证明某人对数据聚集或其他模式进行了寻找。只有当这种结论言之有理，并且得到未经污染的数据检验时，它才是令人信服的。 自选择偏差/幸存者偏差 人们有一种自然而然的倾向，那就是仅仅关注数值计算的准确性，不去深入思考这些计算是否正确 一些学生之所以选择毕业率较低的大学，可能是因为他们不太可能从其他大学毕业。选择上大学的学生可能比选择不上大学的学生更聪明，更有动力。如果消除选择因素，我们的结论可能更有说服力；比如学生被随机分配到不同的大学或者被随机推向社会。幸运的是，科学家不能为了收集数据发表研究论文而毁掉人们的生活。遗憾的是，我们需要对那些可能存在自选择偏差的数据保持警惕。 为我们观察到的现象寻找理论的另一个常见问题是幸存者偏差，因为我们无法看到不复存在的事物。对于老年人的研究不会包含中年夭折的人。对于结束轰炸任务的飞机的考察不会包含被击落的飞机。对于入住某些酒店、搭乘某些航班或者访问某些国家的人群的调查不会包含有过一次经历以后再也不来的人。 ##如果有人告诉我们，参与竞争性体育运动的孩子非常自信，我们不应该认为竞争性体育运动可以增强自信。也许，自信的孩子喜欢参与竞争性运动。如果有人告诉我们，华尔街的工作人员很有进取心，我们不应该认为华尔街可以培养进取心。也许，华尔街容易吸引具有进取心的人。如果获得普利策奖的新闻工作者和获得大学卓越奖项的人都会受到自选择偏差的欺骗，那么我们所有人都需要保持警惕。## 均值回归 在一次测试中得到最高分的学生很可能受到了好运的帮助（被问到熟悉的问题，猜出正确的答案），因此她的表现不仅优于其他学生，而且优于自己的能力。她的能力与平均能力的差距很可能不像她的测试分数与平均分数之间的差距那么大。因此，她在第二次测试中的分数很可能更加接近平均分数——也就是向均值回归。类似的，得到最低分的学生的能力很可能不像测试分数表现得那样可怜；这名学生很可能会在第二次测试中做出更好的表现。最成功和最不成功的公司、运动员、员工、雇主和潜在灵魂伴侣也是如此。不要被成功和失败欺骗。最优秀的人与平均水平的差距很可能不像看上去那么大。最糟糕的人也是同样的道理。位于极端位置的事物很可能会向均值回归。 不要忽视随机性/偶然性（这是一种无理由的东西） 一种非常不同（同时也极度不正确）的观点是，成功一定会得到失败的平衡（反之亦然），以便使事物整体上呈现平均水平。每次硬币正面朝上都会提高背面朝上的可能性。轮盘赌的每个红色结果都会提高黑色结果的可能性。多次击出全垒打的棒球选手即将出局。从未失火的房屋即将被烧毁。经历多次安全飞行的旅客即将遭遇坠机事故。这些信念都是不正确的。好运当然不会永远持续，但是不要认为好运会提高噩运的可能性，反之亦然。 选择性忽略某些数据/观测性数据 我们常常听人说，大学毕业生的工资高于高中毕业生，似乎人们观察到的工资差异可以衡量上大学的财务回报。不过，大学毕业生之所以工资比较高，部分原因在于他们比不上大学的人更聪明，更有抱负。实际上，做出不同选择的人本身可能就是不同的。 在我们通过观察人们的行为而收集的“观测性数据”中，自选择偏差非常普遍。人们可以选择自己的行为，因此他们的选择也许反映了自身的特点。要想避免这种自选择偏差，可以进行对照实验，即将人们随机分配到不同的小组里，然后告诉他们应该怎样做。 数据挖掘 数据挖掘。通过数据挖掘发现的统计显著性只能体现出研究人员的耐心 许多重要的科学理论的确是人们为了解释他们所发现的模式而提出来的。数据挖掘还导致了数千种胡诌理论。我们如何区分正确理论与胡诌之间的区别？有两种有效的良方：常识和新数据。如果某种理论听起来很可笑，那么在看到压倒性的证据之前，我们绝不应该轻信这种理论；即使看到了压倒性的证据，我们也应当保持怀疑的态度。不同寻常的说法需要不同寻常的证据。遗憾的是，在这个年代，常识是一种稀缺品，许多诚实的研究人员用严肃的语气提出了一些愚蠢的理论。 第二种良方是新数据。当你通过搜刮数据编造出了某种理论时，用同样的数据对这种理论进行检验是一种不明智的做法。既然你编造这种理论是为了迎合数据，那么这些数据当然会支持这种理论！应当使用没有被数据挖掘所污染的新数据对理论进行检验。 统计数据公开的不全面 成千上万的研究人员对无数理论进行检验，将那些具有统计显著性的结果记录下来，并将其他结果扔到一边。对于社会公众来说，我们只能看到这些统计工作的冰山一角。我们只能看到具有统计显著性的结果，看不到不具有统计显著性的结果。 ##另一种获得统计显著性的方法是利用数据发现理论。统计检验的假设是，研究人员首先提出一种理论，然后收集数据，以检验这种理论，然后汇报结果——这种结果可能具有统计显著性，也可能不具有显著性。许多人颠倒了这种程序，他们仔细研究数据，以发现某种模式，然后编造出符合这种模式的理论。在数据中搜寻模式的过程令人愉快，而且激动人心，就像玩数独或者解决神秘谋杀案一样。这些人从各个角度考察数据，将数据分解成基于性别、年龄和种族的类别，丢掉妨碍模式的数据，寻找任何有趣的现象。当他们发现某种模式时，他们开始思考其中的原因。##

如果数据欺骗了你-《简单统计学》书评 （2019.11.16） 《简单统计学》是耶鲁大学统计学教授加里-史密斯的一本统计学通俗读物。这本书的副标题是：如何轻松识破一本正经的胡说八道。书中给出了几十个统计学谬误，其中不乏著名经济学家所犯的统计错误，包括有名的畅销书《魔鬼经济学》、《从优秀到卓越》的作者。在这个大数据泛滥的时代，作为一个有智慧的读者，需要有一些基本的统计学知识，这样才不会被满口统计数字的专家们忽悠。 其中最常见的谬误有三项：存活者偏差、自选择偏差、均值回归，下面我们就简单加以解释。 存活者偏差关于存活者偏差，有一个非常著名的例子。二战时期的英国皇家空军（RAF），计划在飞机上安装厚钢板，以帮助它们抵抗德国战斗机和陆基高射炮的攻击。这些防护板极为沉重，无法覆盖整个飞机，为了在防护和机动性之间做出平衡，必须选择在哪些部位安装防护板。因此，RAF开始对结束轰炸任务的飞机进行调查，以收集飞机上子弹孔和弹片孔的位置数据。他们发现大多数弹孔位于机翼和飞机尾部，驾驶舱、发动机和油箱的弹孔则非常稀少——这是否说明机翼和飞机尾部中弹的可能性更大，因此应该把防护板应当安装在这些部位呢？ 这个想法当然大错特错，因为返航飞机的驾驶舱和油箱之所以很少出现弹孔，是因为这些部位被击中的飞机几乎肯定坠毁，无法顺利返航。能够返航的飞机在机翼上出现弹孔的可能性更大，因为这些弹孔的伤害很小。一个逃到美国的匈牙利裔犹太人瓦尔德发现了这个问题，他提出的建议与最初的结论完全相反：应当加固没有弹孔的位置，而不是弹孔最多的位置。 生活之中，这种偏差经常出现，尤其是在金融行业。比如，道琼斯30工业指数持续上升，回报率可观。但是其中的股票已经早就不是最初的30只股票了，如果保持其中的最初股票，回报率还是否有这么高呢？在P2P贷款兴盛的时候，经常有平台声称自己的贷款违约率远远低于同行业，其实也是在利用存活者偏差在做文章。如果平台的贷款额增长很快，那么旧贷款的违约率即使很高，也会因为新的贷款的增加而使得整体违约率非常低。但是这并不说明其资产质量更好，一旦贷款停止增长，问题就会暴露出来。 自选择偏差关于自选择偏差，有一个著名的笑话：一位记者在春运的火车上采访乘客，然后他欣慰地发现，所有被采访的对象都买到了火车票！ 不了解自选择偏差的谬误，往往会得出很多可笑的结论。比如在美国的亚利桑那州，气候晴朗，空气清新，但是肺病死亡率却非常之高。难道是这里有什么不为人知的肺病诱因？而事实上是因为这里的气候宜人，所以吸引了全国的肺病患者纷纷来这里养病，肺病患者在人群中的比例远远高于其他地区。即使对于患者而言，死亡率下降了，但是由于患病人群的人数过高，按照普通人口统计的肺病死亡率也就格外高。 在美国2016年总统大选的时候，民调就犯了明显的自选择偏差的错误。在大选前，几乎所有的民调都预测希拉里会赢，结果却是特朗普赢得了大选：一个可能的原因是希拉里的支持者在回答民调时不会隐瞒自己的投票倾向，而特朗普的支持者会隐瞒。沉默的多数将特朗普送进了白宫。 均值回归现在的书店里面总是充斥着林林总总的成功学书籍，这类书籍的书名总是非常抓人眼球，比如“我的成功可以复制”，“从平凡到伟大”等等，不一而足。但是，其主要的观点就是：跟着成功人士学习，跟着成功的公司学习，你和你的公司也会变得成功。 在美国，成功学也是经久不衰的畅销书品种，销量达到400万册的《从优秀到卓越》就是其中的佼佼者。作者吉姆·柯林斯（Jim Collins）及其研究团队花了 5 年时间，考察了 1435 家公司 40 年的历史，发现了股价表现优于平均水平的11家公司。柯林斯对这11家大公司进行了一番仔细分析，认为自己发现了其中的一些共同特点，并为每个特点起了一个吸引眼球的名字，比如第五级领导者。 但是，该书2001出版之后，11家公司中的电路城在2009年宣告破产，房利美的股价也下跌了99%，最后被政府接管，而其他9家公司在股市上也表现平平。如何解释这种情况？难道是这些公司在短短的几年间管理能力出现了较大的下滑？其实这种现象通过简单的均值回归就可以解释。 如果在股市里面找出11家40年来表现超常的公司，然后试图从中找出某种共同点，是很容易的，因为样本量太少，而可供解释的因素太多。如同诺贝尔经济学奖得主罗纳德 科斯曾经说的：“如果你对数据拷打足够长的时间，它一定会招供。” 但是，个人的成功，以及企业的成功，很可能是这些因素之外的原因，包括运气。成功是个小概率的随机事件，而未来的业绩，与以往的成功，并不存在必然的联系，更不能保证学习他们的以往经验就一定能成功。成功学最大的谬误，就是把特例当成普遍规律来忽悠读者。 如果数据欺骗了你，不要悲伤，也不要哭泣，少读一点成功学，好好读一下这本《简单统计学》。

本书结合大量真实的案例，用统计的视角和案例结合，指出了许多不符合逻辑或误导大家视角的数据，以及这些数据所支撑的理论。但书中的例子更贴近作者所生活的国家，所以阅读起来，难免有时候会有些代入困难。而且过程中有用多个例子说明一件事情的过程，略感枯燥。总体来说比较推荐，如果大家能够边思考边阅读本书，多次在脑中与自己周围环境和现实情况相结合，可能会更加有利于理解。而且我推荐先看此书，有助于建立一个相对客观、冷静和理性的视角，来为后续的阅读观、摄入知识的过程，打下一个基础。