书 · 2014-05 · 乔丹·艾伦伯格（Jordan Ellenberg）

《魔鬼数学》

逻辑与思维书单第 36 名

一句话结论

数学思维的力量，在于看清数据怎样产生、结论依赖什么前提，以及证据究竟允许我们相信到哪一步。

值不值得读完整本？

值得读完整本。全书五个部分分别拆解外推、统计推断、风险决策、因果判断和集体选择中的常见错误，合起来才构成作者所说的数学思维。

第1至5章重点看适用范围和比较口径：一条趋势为什么不能无限延长，一个百分比究竟除以了什么。
第6至10章值得最细读，把筛选过程、多重检验、发表偏差和贝叶斯推理连起来理解。
第11至16章要读懂期望收益与实际风险的区别，以及回归均值为什么会冒充因果作用。
第17至18章不要略过：作者从选举与几何追问，一个看似明确的问题是否真的有唯一答案。彩票故事、数学家轶事和部分技术旁支可以略读，但保留其中的推理。

核心观点

1. 别把局部直线当成长期规律

短期内近似直线的关系，放大到更长时间或更大范围，可能完全变样。判断一种改变是否有益，必须先知道目前处在什么位置。

为什么：直线模型默认每增加同样的投入，结果都会改变同样多。现实中的比例有上下限，资源会受约束，人的行为也会随条件变化，因此这个默认常常只能局部成立。一段数据拟合得很好，并不能保证数据范围之外仍遵循同一种关系。同样，一条先升后降的曲线，也不能单凭形状告诉我们当前应该增加还是减少投入。

2. 显著结果必须连同产生它的过程一起看

一个惊人的成功或统计显著的发现，单独看并不能说明它可靠。还要问试过多少次、哪些失败被隐藏，以及这个假说原本有多可信。

为什么：即使没有真实效应，随机波动也可能产生看似特别的结果；尝试越多，撞上这种结果的机会越大。如果只公布成功的预测或显著的研究，读者看到的就不是全部尝试的代表。显著性检验衡量的是在特定零假设下出现这类数据的程度，不能直接当作假说为真的概率。判断证据有多强，还须比较不同解释产生这些数据的可能性，并考虑原有证据和后续重复验证。

3. 决策要算期望，也要考虑损失承受能力

期望值把各种可能结果按概率加权，是比较选择的重要工具；但期望赚到钱，不等于这次会赚钱，也不等于这个选择适合你。

为什么：只盯着头奖，会忽略大量没有中奖的结果，而期望值把这些结果一起算进去。在适当条件下，重复次数增加会使平均结果更接近期望值，但单次结果仍可能相差很远。人们拥有的资金和承担损失的能力不同，同样一笔钱带来的实际价值也不同。因此，合理决策还要考虑收益的波动、资金限制和效用，不能只比较平均金额。

4. 回归均值和相关性都不能代替因果解释

极端表现之后出现较普通的表现，未必有什么力量把人拉回平庸；两个变量一起变化，也未必说明一个造成了另一个。

为什么：一次表现通常同时包含相对稳定的因素和偶然波动。按极端成绩挑选对象，就往往也挑中了当时特别有利或不利的偶然因素；下次这些因素不再同样极端，平均表现便会更接近通常水平。如果恰好在两次测量之间进行了干预，就容易把自然回落误认为干预效果。类似地，共同原因和样本筛选也能制造相关，所以因果判断必须检验其他解释，而不能停在一条相关关系上。

5. 多数意见未必能合成一个一致的选择

个人各自有清楚的偏好，不代表把偏好汇总后，就一定存在一个唯一、连贯的公众意志。投票规则参与塑造了最终结果。

为什么：面对三个或更多选项，不同的多数可能由不同的人组成。于是，多数人可以偏好甲胜过乙、乙胜过丙，却又偏好丙胜过甲，形成循环。这不要求任何一个人自相矛盾，却会使集体排序无法像个人排序那样连贯。因此，程序有时是在不同原则之间作出取舍，而不是单纯测出一个早已存在的共同答案。

6. 抽象让知识能够迁移，证明则要交代前提

数学把表面不同的问题还原成相同结构，使一个领域的经验能够帮助另一个领域。与此同时，严格推导成立，始终有它所依赖的定义和前提。

为什么：故事的细节容易分散注意力，抽象则保留决定结果的关系，例如谁能进入样本、哪些对象算作点和线。认出共同结构，就能把已经理解的推理用于陌生问题。但推导正确与前提适用于现实，是两个需要分别检查的问题。非欧几何进一步表明，看起来理所当然的规则也可能被改变，并由此产生另一套可以研究的数学结构。

反对意见

数学与常识究竟谁在帮助谁？（Ernest Davis）

戴维斯在SIAM News书评中指出，本书不少案例存在几种相互竞争的数学论证，最后仍须由常识判断哪一种适用。因此，它对错误使用数学的揭露，比对数学如何独立增强常识的论证更充分。他还担心，如果过分赞美保留判断，读者可能学会避免表态，却没有学会何时行动。

识别统计错误，还没有解决模型怎样对应现实（James Franklin）

富兰克林在The New Criterion的《It figures》中肯定本书的统计解释，但认为它没有充分处理应用数学的关键难题：怎样从复杂现实提取模型，以及凭什么相信模型保留了重要因素。这提醒读者，知道怎样避免错误推断，仍不足以保证能建立一个适合具体问题的模型。

不确定环境中，简单规则可能更有效（格尔德·吉仁泽）

吉仁泽在《Risk Savvy》中强调，现实中的不确定性不总能转化为已知概率；在某些环境里，简单规则和较少信息反而能改善判断。这不是对本书的直接反驳，而是对它的适用条件提出追问：当概率本身不可靠时，继续精算是否比使用稳健的简单规则更有帮助？

平均值可能掩盖足以改变一切的罕见事件（纳西姆·尼古拉斯·塔勒布）

塔勒布在《The Black Swan》中指出，罕见而影响巨大的事件，可能使根据既有经验形成的预测严重失效。这对期望值推理构成一个条件限制：计算方法即使正确，若没有识别重大损失或严重低估其概率，结果仍可能误导决策。该书早于《魔鬼数学》，两者也都反对预测上的自负，不能把它当成针对艾伦伯格的批评。