《赤裸裸的统计学》

一句话结论

统计学让我们从有限数据中学习，但结论是否可信，取决于数字怎样概括、样本怎样取得，以及我们有没有把关联误当成原因。

值不值得读完整本？

值得读完整本，尤其适合作为“逻辑与思维”书单中的统计推理入门：它把描述、概率、抽样、推断和因果判断连起来，帮助你理解新闻与研究中的数字；但读完还不足以独立开展统计分析。

• 先读第1至3章，理解统计为什么需要压缩信息，以及这种压缩怎样造成误导，再顺着第4至8章建立相关性、概率和样本的直觉。
• 第9至11章建议连续细读：中心极限定理、假设检验和民调误差是一条推理链，跳着读容易只记住结论。
• 第12至14章要重点读，特别留意回归分析的条件、常见错误，以及项目评估为什么需要比较对象。
• 不熟悉美国体育时，可以略过案例中的比赛背景和细节，但要保留它所说明的统计问题。建议配合小练习：换一种平均数描述同一组数据，或比较不同抽样方式会遗漏谁。

核心观点

1. 统计数字是在压缩信息，先问它省略了什么

平均数、离散程度和排名能帮助我们迅速理解数据，但每个指标都只保留现实的一部分。数字计算正确，也可能让人形成错误印象。

为什么：数据太多，人无法逐项理解，所以必须用少量指标概括。算术平均数会受到极端值影响，中位数则更接近处在中间位置的个体，两者回答的问题不同。只报告中心位置，还会遮住个体之间的差异。选择指标、分母和比较基准，实际也在选择读者能看见什么，因此理解数字必须回到它要回答的问题。

2. 概率帮助决策，但结果取决于条件和模型

概率不是对某一次结果的保证；期望值把各种可能结果及其概率合在一起，帮助比较选择。使用它们时，必须检查信息产生的规则、事件之间的依赖，以及损失是否承受得起。

为什么：直觉容易盯住醒目的结果，忽略其他可能性及其出现频率。期望值用概率给结果加权，能把这种遗漏补回来，但它不能保证单次选择得到平均结果。新信息能否改变概率，取决于它是怎样产生的，不能只数眼前还剩几个选项。如果模型错把相互关联的风险当成独立事件，或者低估极端损失，精确的计算反而会制造过度自信。

3. 样本怎样取得，比样本看起来多大更重要

要从一部分人推断更大的人群，首先必须让样本适合代表目标总体。扩大样本能减少随机波动，却不能自动修复选择偏差。

为什么：统计推断需要把样本中的模式推广出去，因此谁有机会进入样本是关键。若某类人更容易被访问、回应或留下记录，样本就可能系统性偏向他们。增加同一种方式收集的数据，只会更稳定地重复这种偏向。随机抽样的重要性，在于为总体成员提供按既定规则入样的机会，而不是让研究者凭感觉挑选“典型人物”。

4. 统计推断用随机波动衡量证据，不负责宣布真理

中心极限定理使我们能够描述样本均值的波动，进而估计误差、构造区间并检验假设。推断的结论始终依赖抽样和模型条件，也要区分统计显著与实际重要。

为什么：即使抽样方法正确，不同样本也会给出不同结果。在适当条件下，较大样本的均值具有近似正态的抽样分布，而标准误描述这些均值的波动大小。这样，我们可以问：如果没有所研究的差异或效果，出现眼前这么极端结果的概率有多大？这个问题提供的是反对某项假设的证据，不等于直接算出了该假设为真的概率；即使差异显著，它也可能小到没有多少实际意义。

5. 相关和回归能揭示关系，不能单凭计算确认原因

相关系数概括变量一起变化的程度，回归分析则估计在控制其他变量时它们的关系。两者都很有用，但不能自动排除共同原因、反向因果和模型设定错误。

为什么：两个变量一起变化，可能因为一个影响另一个，也可能因为第三个因素同时影响它们。回归可以纳入已观测到的重要因素，让比较更接近条件相似的情形。但遗漏的因素仍可能同时影响解释变量与结果，因果方向也可能与我们的猜想相反。因此，计算出的关系必须结合研究设计、背景知识和替代解释来判断，不能把“控制了一些变量”理解成排除了所有问题。

6. 评估效果，要找出没有干预时会怎样

判断一项教育、医疗或公共政策措施是否有效，需要比较接受干预后的结果与可信的反事实：同样的人如果没有接受干预，本来会怎样。

为什么：我们只能观察一个人实际经历的结果，无法同时观察他接受和不接受同一项干预的人生。直接比较参与者与非参与者，会把他们原有的能力、动机和资源差异混进效果里。随机分配能让这些差异在平均意义上更可比，因此组间结果差异更有理由归于干预。无法随机分配时，就要寻找其他可信的比较设计，并说明它依赖什么假设。

反对意见

缺少贝叶斯视角，读者看到的方法版图不完整（Tom Siegfried）

Siegfried在《Science News》的书评中明确批评，本书忽略了贝叶斯统计，而书中不少问题可能更适合用这种方法处理。贝叶斯方法讨论如何结合先验认识与新证据更新判断；缺少这条路线，容易让初学者把传统假设检验当成统计推理的全部。

对显著性检验的反思和方法补充不足（Andy Field）

Field在《Times Higher Education》的书评中认为，本书的方法取向偏传统。他希望看到更多对零假设显著性检验的批判、对自助法等方法的介绍，以及对效应量的重视。这提醒读者：不仅要问结果是否显著，还要问效果有多大，以及所用方法是否合适。

对研究失效的警告出现得太晚（Tom Siegfried）

Siegfried还质疑本书的叙述顺序：前面让人感到统计方法能够带来可靠答案，接近末尾才充分揭示专家研究也经常出错。问题不在于书里完全没有警告，而在于初学者可能已经形成过强的信心。他的意见支持把方法的条件与失效方式放在一起学习。

相关推荐

• The Art of Statistics: How to Learn from Data：沿着直觉入门的路线，继续学习怎样从问题出发组织完整的数据分析。
• Statistics Done Wrong: The Woefully Complete Guide：接着读统计误用，把对错误的警觉推进到研究设计、分析选择和结果报告。
• Naked Statistics (Rebroadcast)：听作者亲自解释数字时代的数据素养，以及利益相关方怎样扭曲研究。
• Risk Savvy: How to Make Good Decisions：从不确定环境中的决策出发，质疑更多数据和更复杂模型必然带来更好判断；并非针对惠伦的直接反驳。
• The Theory That Would Not Die: How Bayes’ Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries of Controversy：通过贝叶斯方法的历史与应用，补上结合先验认识更新判断的另一条路线；并非对本书的直接书评。
• Naked Statistics by Charles Wheelan：直接对照本书的方法选择，提醒读者关注显著性检验的局限、效应量和替代方法。