--- area: "society-thinking" category: general companies_orgs: - Gates Foundation - FDA date: '2025-12-11' draft: true guest: '' insight: '' layout: post.njk media_books: - The Book of Why people: - Bill Gates products_models: [] project: [] series: '' source: https://www.youtube.com/watch?v=zgv3xvkkBY0 speaker: 北美王路飞 status: evergreen summary: 本文深入剖析了统计学中的正态分布与对数正态分布，揭示了数据“说谎”的常见陷阱，特别是小样本带来的波动误导。通过盖茨基金会“小学校”的案例，阐述了为何平均值在某些分布下毫无意义，以及乘法逻辑（如百分比加薪）如何加剧社会不平等。文章强调，理解数据形状是做出明智决策的关键，并提供三个核心问题帮助模型思考者辨别数据的真实含义，避免被统计表象所迷惑。 tags: - bias - data - decision-making - statistical-distribution title: 数据如何“说谎”：从盖茨基金会谬误看懂统计陷阱与决策之道 --- ### 数据如何“说谎”：从盖茨基金会谬误看懂统计陷阱与决策之道 如果你想改善教育，直觉会告诉你怎么做。上世纪90年代，许多慈善机构，包括大名鼎鼎的盖茨基金会，发现了一个惊人的数据规律：在所有学校里，那些成绩最好、表现最卓越的学校，往往都有一个共同点——它们规模都很小。这似乎太合理了：小学校嘛，老师关注度高，师生关系紧密，校园霸凌少。于是，大家投入了数亿美元，把大学校拆分成小学校，试图提高教学质量。 结果呢？这就是一个关于数据如何撒谎的故事。因为这一举措背后的数学推理，被统计学家霍华德·韦纳称为是“世界上最危险的方程”。今天，我们不聊枯燥的数学公式，我们聊聊两种统治世界的形状：**正态分布**（Normal Distribution）和**对数正态分布**（Log-normal Distribution）。看懂了它们，你就能够明白为什么追求平均往往是错的，以及为什么给每个人涨薪5%会让世界变得更加不公平。 作为模型思考者，我们要问两个大问题：第一，为什么世界上的数据会出现特定的形状？第二，这些形状对我们的决策有什么致命影响？ ### 正态分布：世界的“温和”秩序 你看，很多事情都是非常温和的。比如说人的身高、体重，大部分人都差不多，极高极矮的很少。我们管这叫**正态分布**。但是，有些事情非常暴烈，比如说地震、战争死亡人数，或者是图书销量。绝大多数书都没有人买，但是偶尔出现一本《哈利·波特》就卖疯了，这就叫长尾分布。 为什么身高是正态，而地震是长尾？这背后藏着一个你必须掌握的底层逻辑：你是把随机事件加起来，还是乘起来？ 首先，先说说我们最熟悉的统计学101会教的**正态分布**，也就是中心曲线。想象一下，你去德国黑森林测量树的高度，或者统计某次心脏手术后住院天数，把这些数据画出来，你会得到一个中间高、两端低的钟型。这个形状有两个最重要的“身份证”：一是**均值**（Mean），也就是平均数，它告诉你中间那个最高峰在哪里；二是更关键的**标准差**（Standard Deviation），它测量的**是数据的离散程度**，也就是它离平均值有多远。 这里有一个死定律，一定要记住：在正态分布里，大约有86%的数据会落在平均值正负一个标准差的范围内，95%的数据会落在两个标准差之内，而超过三个标准差的极端情况不到1%。这意味着什么呢？如果你买了一辆新的福特福克斯，厂家说平均耗油40英里，标准差是一英里，那么你几乎不可能开出80英里的油耗来。正态分布的世界里，是一个拒绝惊喜的世界，没有6英尺长的蚂蚁，也没有4磅重的麋鹿。 ### 中心极限定理：独立事件的“加法”逻辑 为什么这个中心曲线无处不在呢？这里要请出统计学界的超级明星——**中心极限定理**（Central Limit Theorem）。这个定理听起来吓人，其实核心就一句话：如果你把很多独立随机事件加在一起，哪怕这些事件本身不是正态分布，它们的总和或平均值通常会变成正态分布。 举个例子，人的身高。身高受什么因素影响？至少有180个基因在起作用，有的基因管脖子长短，有的管胫骨长短。我们可以把身高看作是这180个基因影响力的总和。只要这些基因是独立起作用的，没有哪一个基因能够一手遮天，那么把它们加起来，人类最终身高就必然服从正态分布。记住这个逻辑：独立事件相加等于正态分布，这是世界秩序的基石。 ### 小学校的统计陷阱：样本量与波动 好，带着这个加法逻辑，我们要回头看让盖茨基金会踩坑的小学校问题了。还记得吗？数据说，最好的学校往往规模很小。这里有一个极其容易被忽视的陷阱。我们来关注下这个公式：霍华德·韦纳口中最危险的方程——**平均值的标准差**（Standard Deviation of the Mean）**等于总体的标准差除以样本数量n的平方根**。 听晕了吗？我来翻译一下：这个公式的意思是，样本如果越小（n越小），它的波动会越大。一个只有100人的小学校和一个有1,600人大学校，哪怕学生资质完全一样，小学校的平均分波动会剧烈得多。就像掷硬币，你掷10次全是正面的概率虽然低，但完全有可能发生；但是如果你掷1万次，正面朝上的比例一定会死死卡在50%左右，很难有剧烈波动。 那么，让我们做一个思想实验：假设所有学生都是从一个能力池里头随机抽出来的，平均分100分，标准差80。对于一个1,600人的大学校，要让全校的平均分达到110分（所谓的高绩效），那是一个高达5个标准差的事件，数学上几乎不可能发生。但是对于一个只有100人的小学校，平均分达到110分，只是个1.25标准差的事件，很常见，大概10%的概率以上就会发生。 所以，当我们看数据时，我们看到了很多小学校分数极高。但是盖茨基金会当年忽略了什么呢？他们忽略了图表的下半部分：表现最差的学校往往也是小学校。实际上，癌症发病率最高的县人口很少，但是发病率最低的县，人口也很少。这根本不是因为小学校教学质量好，或者是乡村空气好，这纯粹是因为小样本带来了大波动。我们把随机波动误读成了因果关系。这里必须给我另外一个系列的视频做下安利，就是《The Book of Why》的那个系列，那个系列其实就是讲这个因果关系的。 ### 六西格玛：稳定源于减少波动 理解了波动，不仅能避坑，还能救命。这就是工业界的著名**六西格玛**（Six Sigma）管理法。想象你生产门把手上的螺栓，要求直径是14毫米。如果误差太大，螺栓就塞不进去了。假设你这生产工艺的标准差是0.5毫米，只要偏离两个标准差（也就是1毫米），螺栓就废了，这种废品率高达5%，工厂得赔死。 六西格玛的核心逻辑就是拼命压缩生产过程中的波动，减小标准差。如果能够把标准差压到微乎其微，哪怕发生一个极其罕见的6标准差的失误，产品仍然在合格范围内。这不仅是为了省钱。星巴克曾经停业一天，专门培训员工做意式浓缩，就是为了减少口味的波动。医院手术室使用了核对清单（Checklist），也是为了减少人为操作的随机波动。在这个领域，正态分布告诉我们：稳定就是减少，稳定就是从减少标准差开始。 ### 对数正态分布：当因素“相乘”时的世界 但是，我们知道，世界并不是总是那么温顺。正态分布能够解释身高、考试分数、螺栓直径，但它解释不了财富、解释不了地震，也解释不了病毒传播。为什么呢？因为很多时候，随机变量不是在相加，而是在相乘。如果一个系统里的因素是相互作用、互相放大的，那么你就进入一个完全不同的数学领域——**对数正态分布**（Log-normal Distribution）。 这里的数学逻辑非常简单粗暴：当你有几个变量相乘，变量的一点点差异就会导致结果天差地别。这条乘法逻辑产生的曲线叫做对数正态分布，它长得一点也不对称。它的左边很高，大部分数据都挤在低值区，但是右边有一条长长的尾巴伸向无穷远。这就是为什么我们在现实社会中会看到大多数英国农场都很小，但有几个巨型农场；绝大多数人的收入平均，但是有几个超级亿万富翁。 在正态分布里，平均值是具有代表性的；但在对数正态分布里，平均值毫无意义。有一个笑话：比尔·盖茨走进一间酒吧，酒吧里所有人的平均资产瞬间变成了亿万富翁。但这能代表谁吗？谁也代表不了。 ### 贫富差距的“乘法”逻辑 让我们用这个模型来解释一下扎心的社会现象——贫富差距。为什么收入分配往往更接近于对数正态分布，而不是正态分布呢？因为很大程度上，这取决于我们的加薪政策。大多数公司是怎么涨工资的？按照百分比。你表现好，涨5%；表现不好，涨2%。注意啊，这里出现的百分比就是乘法。 假设员工A的年薪是8万，员工B的年薪是6万。同样表现优异涨薪5%，A拿到了4,000块，B拿到了3,000块。看到了吗？哪怕B这一年表现得跟A一样好，甚至更好，原本的差距也被这个乘法进一步放大了。这种按照比例分配的机制，加上时间的复利连乘，必然会导致一种结果：不平等会自我繁殖，收入分配会不可避免地拖出一条长长的尾巴，富者越富。 这里要给大家一个小技巧：如果你是初入职场，你第一份薪水的谈判非常重要。你一定要尽可能的把你这个基础薪水往上抬，这样的话，你后来加薪时，同样的比例上，你也会获得更多的薪水增加。 ### 从乘法到加法：政策选择与公平 这仅仅是数学游戏吗？不，这是政策选择。如果一个组织想要控制内部的不平等，它需要怎么做？模型告诉我们：把乘法变成加法。如果公司改为分配绝对金额，比如表现平均的人涨1,000块，表现好的人涨1,500，差的涨500。这看起来只是语义上的差别，但在数学上是本质不同的。当你引入了加法逻辑，收入分配就会慢慢回归到正态分布的形状，极端的贫富差距会被压缩。 所以，当我们讨论税收福利或者是薪酬体系时，做一个模型思考者，你要一眼看穿：这是在做加法，还是在做乘法？ ### 长尾分布的风险：低估极端事件 最后，我们来谈安全。在正态分布的世界里，设计堤坝非常简单。你知道洪水最高也就平均值加3个标准差，再高也高不到哪里去。飞机设计者不需要为身高5米的巨人设计座位，因为那是百万分之一的概率。 但是在长尾分布的世界里，这种思维是致命的。因为那条长长的尾巴意味着极端事件发生的概率比你想象的要大得多。加州地震就是这样。你可以经历1万次微不足道的小震，感觉岁月静好。但是因为这是长尾分布，那个摧毁城市的超级大震，始终在概率表中潜伏着。它不是不可能，它只是还没来。 如果你用正态分布的逻辑去预测金融危机或者自然灾害，你会死的很惨，因为你低估了尾部的厚度。 ### 科学验证：用分布判断真伪 正态分布还给了我们一把科学的标尺，用来判断什么是真理，什么是巧合。这就是**显著性检测**（Significance Testing）。比如说，FDA批准新药，药企说这药能治湿疹。怎么证明呢？做双盲测试。如果吃药组的康复率比吃安慰剂组高出了两个标准差以上，我们才敢说，“嗯，这药看起来可能真的有效，不仅仅是运气好。” 物理学家更变态。当年发现希格斯玻色子（上帝粒子）时，他们要求的标准差不是两个标准差，而是5个标准差。这是什么概念呢？这意味着，如果那个粒子不存在，我们碰巧看到那些数据的概率，只有三百五十万分之一。因为物理学家的数据太干净了，原子比人听话的多了。 ### 总结：数据形状背后的决策智慧 好了，我们回顾一下今天的旅程。世界上的分布并不随机，它遵循着底层的数学逻辑。当你看到事物是独立事件相加的结果，比如说基因对身高的影响，或者是误差的积累，你可以期待正态分布。那里有稳定的平均值，极端现象很少见。但别忘了那个最危险的方程：样本越小，越容易出现极端的假象，别被小学校的高分给骗了。 当你看到事物是相互作用或者相乘的结果，比如说利滚利的财富，或者是连锁反应的灾难，你要警惕对数正态分布。那里没有所谓的“正常”，不平等是常态，而且巨大的冲击随时可能发生。 下次当你看到一个惊人的统计数据，问自己三个问题： 1. **样本量是多大？** 如果样本很小，那个惊人结论可能只是随机波动的噪音。 2. **这是加法游戏还是乘法游戏？** 如果是乘法游戏，别指望大家会平均，要对贫富差距有心理准备。 3. **尾巴有多长？** 不要用平均值的安全感去赌那些可能摧毁一切的黑天鹅事件。 做一个模型思考者，不只看数字的大小，要看数字的形状。