大数据会说谎：看穿数据的真相提手旁一个然

最近接连温习了几本数据相关的书，作为数学系毕业的学生，虽然毕业多年都无缘从事数据相关的职业，基础的理论知识也基本化整为零，但我对数据一直都蛮感兴趣的，在此也想分享下我的一些看法。

一家公司宣布3003人持有该公司的股份，每人平均持有660股。

乍一看，优秀优秀。

别急着鼓掌，这个令人惊叹的数据背后还有另一信息没有透露：“公司累计200万股股票，其中三大股东的股份占了3/4，而剩下的3000人总共持有的股份只占1/4“。

同样的，之前民间盛传的腾讯人均月薪7.18万，看起来是否也颇为可疑？

首先，这数据精确得让人吃惊；其次，未加说明的平均数都是耍流氓；最后，即便你做了大样本调查，可收入作为敏感信息，免不了参杂虚报和瞒报的情况，可信度也要大打折扣。这种话题作为媒体的噱头听听就好，当真了可是要伤心的。

但事实上，人容易为数据痴迷。

学生的能力不好评估，但考试成绩和学位证书可以佐证，于是家长们争先恐后地帮孩子报了补习班；了解一个陌生人很难，但朋友圈和Facebook提供了一个渠道，于是我们都执着于在网上塑造一个理想人设。

看吧，我们一直置身于大数据的热潮中。

我的大学朋友基本上都在从事大数据计算相关的职业，平常我们闲聊时，或多或少会感叹大数据给我们带来的双刃剑。在充斥数据和算法的年代，究竟是数据为我，还是我为数据？数据是不是就等于我们自己？这个命题太大，我只能随波逐流。

今天主要是想认真探讨下，这么多年来，你我曾经陷入的数据陷阱以及我们能采取的行动。

大数据是个好工具，尤其到了现在，它早已被放大了光环，给我们带来了诸多便利。你浏览过什么，对什么感兴趣，推荐算法总是能精准地匹配你的口味（或者说，大数据定义了你的口味）。

当然，唱衰大数据的人也不少：“数据只是证实了显而易见的事实。”不少人对此不屑一顾。

然而，我最近看到的几个案例，都不止一次地让我啼笑皆非：数据一次又一次地证明了很多我们想当然的推测跟真实是不相符的。

你可能会认为，在暴力电影放映后的当天，那些有攻击性的年轻人会更易怒，犯罪率铁定会上升。但事实上，有经济学家通过数据分析，在电影结束后到次日的凌晨，犯罪率持续在下降。一方面暴力电影让潜在的暴力人群离开了街头，另一方面由于影院几乎不供应酒类饮品，减少了酒精有关的犯罪活动。

大数据为人我们提供了一个新维度的视角，覆盖面较单一的意会更广，让我们对世界的认知也更立体了。

也正是因为如此，我在看一些调研报告的时候发现，这把双刃剑的另一面，终于还是现出了他的真面目。

大数据显示，某地某时段起飞了多少只白天鹅，据此推断天鹅都是白的。

这显然太扯了，但你敢拍着胸脯保证自己没掉过这类圈套吗？

甚至有些时候，如果我们无法证明自己想要证明的东西，下意识地就会展示一些其他东西，并假装他们是一样的。毕竟现在统计数据让人目不暇接，几乎没人会察觉到其中的差别，不是吗？

说到这我也不得不反思，我难道没有过吗？掀开这层遮羞布，坦白说，不少情况下当我试图争取更多的权益和话语权时，不自觉地也使了这样的把戏。

运用“看似相关的数据”作为论据，要么是无心之失，要么就是惯用伎俩。

学生时代当我还对数学建模竞赛上心时，考题要求预测一个数值变化趋势，我当时就默默发现了一个“秘密”，即：给你一组数据，你可以使用任一种范式去找到一个看似好使的指标，但换一组数据，这个指标就失灵了。变量太多，你能试验的样本太少，于是你很容易发现这种假相关性，更别提你想基于这个相关性去推导因果性了。

退一步来说，即便我们通过一个人平常访问网站的内容，监察到他有了犯罪的冲动，那到底是抓他还是不抓他？如果我们不能保证自己是正义的，那么我们也不会在意自己是否邪恶。

有些人很擅长利用现有数据去预估接下来的数据变化，可能是多维度的观察，也可能是有了足够的数据样本。但是，数据会变，我们会变，如果你迷信数据而忽视本质，那么大数据就不能用于预测，只能预测有意会的预测。

重申一遍，大数据只能提供相关性，而非因果性。具有纯粹因果关系的事情很少，因为现在事物间的联系变得越来越复杂，影响因素有很多。真正的数据是工具，而非结论或原因。

人们总会错误地认为无论样本数量多么少，都能反映种族的特征。

我在读达莱尔·哈夫的《统计数据会说谎》时，书中提到一个经典的医疗实验：

一个地区的450名儿童注射了小儿麻痹症疫苗，另有680名儿童作为对照没有接受注射。不久之后，该地区出现了传染病。注射过疫苗的儿童中没有一个患上小儿麻痹症。

看到这，你可能要给出小儿麻痹疫苗的有效性的结论了。

但，这个实验还有后续。事实上，对照组中也没有儿童患病！

纵观小儿麻痹症的发病率，本来就比较低，这么大规模的群体中只可能出现两例患病者。因此，从一开始这个实验就注定毫无意义。如果想获得任何有意义的结论，实验组需要用比这个群体多15~20倍的儿童做样本。

事实上，我们现在看到的很多市场调研报告，里面不乏通过小样本去给出均值结论的例子，比如我前两天看的90后消费人群分析：

“84%的90后有理财习惯“；

“34%的90后已购房“；

“60%以上的90后将消费贷用于基本生活和休闲“……

然后我翻了下数据来源，样本是5000人，挺多的是不是？而90后据最新数据研究已有3.62亿……

只有试验的样本数目足够庞大，平均数定律才是一个有用的描述或猜测。

如果说前文展现的是目前普遍存在的数据行骗手段，那么接下来我们一起来试着看下如何去看穿数据的真相，避免被一些似是而非的东西所迷惑。毕竟“骗子”都已经熟练掌握了这些诡计，老实人又怎能不学点防御之术呢？

《统计数据会说谎》里给我提供了一个很好的思路，下次当我们接触到一些数据时，不妨提出4个问题试试：

这个结论怎么来的？找到有意识和无意识的偏差。

比如你在机场分发消费问卷调查，那你可能就犯了选择误差，因为坐飞机的人相对而言比一般人更富裕些，消费水平自然会高一些。

又或者，你发现某个屋子里人均身高偏高，然后打开门一看，姚明坐那呢。你选择的样本里有过高或过低的数据，样本不平均，就会出现这类错误。

当然还有一种可能，你为了使自己拿到有利的结论，选对自己有利的数据，改变衡量的标准，再使用不恰当的测算方式。比如明明是中位数更能说明问题，却使用了均值来计算，最后再用“平均数”来掩盖事实真相。

这些你能想到的伎俩，别人当然也能。

在我们阅读分析报告时，大多数情况下我们无法得知样本中包含了多少案例。能看到的就是一张张绘制完美的图表，配上铿锵有力的结论，看起来多么令人信服。

然而，如果缺乏可信的测算方式，比如概率误差、标准误差的检验，那么可信度就要大打折扣了。

尤其要留心那些未加说明的平均数，因为无论在什么时候，均值和中位数都有着本质的差别。

一份报告曾指出“过去25年内因癌症死亡的人数大幅增长”，很吓人对不对？

但我们都知道，以前那些“原因不明”的病症现在都被确诊为癌症，这是其一；此外尸体解剖更加频繁，诊断也就更为确切；现在人均寿命延长，因此更多人会活到容易患癌症的年龄。最后，报告给出的数据应该是死亡总人数而非死亡率——毕竟现在的人口总数比以前要多。

搞乱因果关系，拿词义做文章，都是偷换概念的方式。

早在前几年，人们普遍认为女博士的婚育年龄普遍较学历较低的女性会更大，女博士里的剩女比例也更高。后来“剩女”一词被人诟病后，现在被冠以“单身贵族”的头衔，听起来似乎还蛮前卫的？

这算是很明显的偷换概念了，本质上想传达的观点并没有变化。而更多时候，在更为专业的领域，遇到偷换概念的场合，你我可能并不能一眼识别。

那么，究竟要怎样做才能不被毫无意义的结论愚弄？你总不能指望每个人都成为统计学家，亲自分析数据吧？

反其道而行，你要去捕捉没有被透露的数据，留心这部分的数据，就能看穿这种别有用心的手段。

此外，截止到目前为止的趋势或许是事实，但未来的趋势不过是我们的猜测。你不能拿现有的趋势直接去臆测未来的趋势，毕竟所有的事情不会一成不变。

比如说现在有个新闻是这么报道的：在大雾天气的一周内，某地区的死亡人数猛增至2800人……

仔细想下，这一周内死亡率比平时高这么多难道不是例外吗？所有的事情都处在变化之中。往下看，随后几周情况如何？死亡率降至平均水平以下，是否意味着大雾中死去的人本来就已不久于人世？

看吧，这个数据的确让人印象深刻，但由于没有其他数据可以对比，所以这个数据也变得没什么意义。

写这篇文有点杀敌一万自损八千的感觉，前文提到的数据陷阱，无论是假相关性、乱因果性，还是拿着薄数据去佐证对自己有利的观点，这些我曾经陷入的圈套，同样也在某些时刻成为了我“行骗“的工具。

究竟要怎么去用数据呢？我已许久没系统性地做过数据挖掘和统计分析，但我相信大数据广阔的应用前景，也在大数据给出的相关性规律里获益匪浅。我也在反思，在数据至上的时代，我是不是过少地发现它的局限性，过分地依赖它给的结论。

至于那些拿大数据用以评判个人、组织乃至社会，特别是关乎人性抉择、生杀进退的大事，我们是否又能接受这些冰冷的数据浇灭人情的热度？

一起拭目以待吧。

-END-