倖存者偏差（Survivorship Bias)，就是只有存活下來的人，才會被後人看到，因此我們在分析資訊的時候，非常容易忽略掉那些被淘汰的競爭者，造成對局勢的評估過分樂觀，甚至導出完全相反的結論！
在觀察不熟悉的產業時，往往被這種倖存者偏差所蒙蔽，報章雜誌更是時常針對那些所謂成功的企業案例。實際上，這些結果論的成功故事所歸納出的成功要訣往往只是其中一小塊拼圖，這些1%的倖存者因為大量曝光的資訊，讓我們以為前景一片看好，我們卻沒有看到其他99%的競爭者早就默默地消失了！由於成功者的能見度壓倒性的高過失敗者，因此，人們總是系統性的高估了獲得成功的希望。
類似的名詞有：隱藏失敗者、沉默的數據、死人不會說話
統計的抽樣方法
抽樣 是一種推論統計方法，從目標總體（Population，母體）中抽取一部分個體作為樣本（Sample），通過觀察樣本的某一或某些屬性，依據所獲得的數據對總體的數量特徵得出具有一定可靠性的估計判斷，從而達到對總體的認識。
學問就在於，如何抽樣，抽樣的個體如何能代表整個母體？統計上有另一個名詞：信賴區間，信賴區間是樣本對某個總體參數的區間估計。信賴區間展現的是，這個總體參數的真實值有一定機率落在與該測量結果有關的某對應區間。
信賴區間會聲稱總體參數的真實值在測量值的區間所具有的可信程度，也就是前面所說的「一定機率」。這個機率被稱為信心水準。
舉例來說，如果在一次大選中某人的支持率為55%，而信心水準0.95上的信賴區間是（50%，60%），那麼他的真實支持率落在50%和60%之區間的機率為95%，因此他的真實支持率不足50%的可能性小於2.5%（假設分布是對稱的）。
在倖存者偏差中，由於抽樣的對象都是整個母體中的倖存者，因此對這些抽樣對象的分析結果，並不能代表整個母體，如果誤信這些倖存者的分析結果，忽略了原本母體中沈默的失敗者，就會造成對局勢過分樂觀的評估結果。
第二次世界大戰
1941年，第二次世界大戰中，美國哥倫比亞大學統計學亞伯拉罕．沃爾德（Abraham Wald）應軍方要求，利用其在統計方面的專業知識來提供關於《飛機應該如何加強防護，才能降低被炮火擊落的機率》的相關建議。
教授針對聯軍的轟炸機遭受攻擊後的數據，進行研究後發現：機翼是最容易被擊中的位置，機尾則是最少被擊中的位置。沃德教授的結論是「我們應該強化機尾的防護」，而軍方指揮官認為「應該加強機翼的防護，因為這是最容易被擊中的位置」。
沃德教授的堅持有以下幾點
- 統計的樣本，只涵蓋平安返回的轟炸機
- 被多次擊中機翼的轟炸機，似乎還是能夠安全返航
- 在機尾的位置，很少發現彈孔的原因並非真的不會中彈，而是一旦中彈，其安全返航的機率就微乎其微
軍方採用了教授的建議，並且後來證實該決策是正確的，看不見的彈痕卻最致命！
這個故事有兩個啟示：一是戰死或被俘的飛行員無法發表意見，所以彈痕數據的來源本身就有嚴重的偏誤；二是作戰經驗豐富的飛行員的專業意見也不一定能提升決策的質量，因為這些飛行員大多是機翼中彈機尾未中彈的倖存者。
基金及股票市場
基金行業會對外宣布，過去10年，基金行業的整體收益率超過100%，你是不是覺得買基金肯定賺翻了？
基金市場中，計算基金類股未來多年走勢時，通常會排除下檔基金的虧損，因此會高估了基金的整體報酬率，因為已經消失在市場的基金，沒有必要列在其中。
如果長期觀察新發行證券的股價發展，並排除已經破產的公司時，也會發現類似的效應。這種「排除」模式導致投資人對未來發展過度樂觀，因為破產公司無法拉低整體的統計數據。
股票指數的表現也會遭遇這類失真問題，因為指數表現較差的股票並不會納入計算，股市指數永遠只會統計表現最亮眼的那些股票。
讀書無用論
很多人在說，某某人當初沒好好上學如今照樣掙大錢，而好多用功讀書的人，畢業後反而不如那些沒好好學習的人混得好。並且因為這樣的例子有很多，所以很多人得出「讀書無用」的結論。
因為高學歷成功者的新聞性不會比低學歷成功者來得高，在報導成功案例時，如果有低學歷，或是輟學的過程，會讓整個故事更具有傳奇性，因此我們常常會聽到這樣的案例，相反的，如果是高學歷的成功者，報導中就不會強調這個部分。
生活中的 倖存者偏差
我親戚的病就是中醫看好的，所以中醫很靈驗。
喝葡萄酒的人比較長壽。
每個成功者都很努力，所以只要努力就能成功。
References
無所不在的生存者誤差 (Survivorship bias)
沒有留言:
張貼留言