一位有抱负的创业者如果认为辍学创业是成功的关键，这或许可以原谅。毕竟，这对史蒂夫·乔布斯、比尔·盖茨和马克·扎克伯格来说效果很好。这些商业巨头的知名故事给人一种印象，即要想在商业上取得成功，你只需要在大学里有一个好主意，并有辍学去追求它的意愿。问题是，大学辍学生通常不会成为亿万富翁——辍学创业并失败的潜在创业者比那些成功的人多得多。当你专注于那些辍学并取得巨大成就的人，而忽略了那些从未取得任何成就的更庞大的辍学群体时，你就屈服于所谓的“幸存者偏差”。
森迪尔·穆来纳坦，芝加哥大学布斯商学院的计算和行为科学教授，一直在思考如何避免这种逻辑错误。最近，宾夕法尼亚大学沃顿商学院的教授凯蒂·米尔克曼在播客Choiceology的采访中，与穆来纳坦就幸存者偏差及其可能导致的糟糕决策进行了交谈。
[以下是该采访的编辑节选。]
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻工作： 订阅。通过购买订阅，您正在帮助确保关于当今塑造我们世界的发现和思想的具有影响力的故事的未来。
您能解释一下什么是幸存者偏差吗？
想象一下，你收到一封邮件，上面写着：“嘿，凯蒂，我有一个新的选股技巧。而且因为我知道你还不信任我，我想告诉你明天看看Whatever公司，它会涨的。”
你说：“好吧，我不知道。” 但你看了一下，它确实涨了。但任何人都有可能走运。所以下周，你又收到一封邮件，上面写着：“明天，我想让你看看约翰逊公司，它会跌的。” 现在你很感兴趣。你看了看约翰逊公司，它确实跌了。现在你正在等待第三封邮件。它来了，而且完全正确。
现在这个人说：“如果你有兴趣让我做你的顾问，你应该给我打电话。” 你明白这一切的走向了吗？
这实际上是20世纪40年代或可能在20世纪30年代做过的事情。他们向10,000人发送了一堆随机猜测。一半的时候，他们是对的。所以，然后，对于那一半的人，他们又发送了一堆随机猜测，其中一半的时候又是对的。
当你从10,000人开始时，经过四次猜测，你已经把人数减少了16倍，这仍然是一个相当庞大的人群，他们现在认为你很了不起。而这些人正在遭受的是幸存者偏差。他们是恰好幸存下来的人，所以他们现在有了这种完全错误的信念。
幸存者偏差是一种错误，它的产生是因为我们只关注我们拥有的数据，而忽略了导致我们拥有这些数据的选择过程。这个原则在很多地方都适用，尤其对像你我这样的人而言。
请详细说明该原则。它如何特别地应用于我们？
任何经历了一系列积极、幸运的事件，从而在生活中获得成功的人——他们不会认为自己是恰好猜对了Whatever公司，然后又恰好猜对了约翰逊公司的人。他们认为自己是有才能的人。
实际上，我认为自己非常非常非常幸运。
是的，但很容易认为我们认为自己是幸运的。我怀疑我们仍然认为自己比没有抓住相同机会的自己更有才华。
我确信是这样的。然而，我们给出的建议就好像我们确切地知道如何成功一样。
看看亿万富翁。没有人说：“那是一个中了彩票的人。” 人们会说：“我希望得到那个人的建议。”
所以我认为幸存者偏差真的影响了我们看待世界的方式，因为它导致我们关注这些高度选择性的事件，然后进行推断，并说：“哦，那个经理和那个人一定很优秀。”
是否有其他方式让我们仅仅因为看到数据的选定子样本而产生偏差？
我和我的同事们一直在花很多时间研究医疗决策。假设你走进急诊室，你可能正在或可能没有心脏病发作。如果我测试你，我会知道我是否做出了正确的决定。但如果我说，“不太可能，所以我直接让她回家，”这几乎与幸存者偏差相反。我永远无法知道我是否做出了正确的决定。这种情况非常普遍，不仅在医学领域，在每个行业都如此。
同样，有一项研究表明，发生车祸的人也更容易患癌症。这有点令人费解，直到你想，“等等，我们在谁身上测量癌症？” 我们不是在每个人身上测量癌症。我们是在接受过测试的人身上测量癌症。我们测试谁？我们测试在医院里的人。所以有人因为车祸去医院，然后我做了一个核磁共振检查，发现了一个肿瘤。现在这导致车祸似乎提高了肿瘤的水平。所以任何让你住院的事情都会提高你的“癌症率”，但这并不是你真正的癌症率。
这是我最喜欢的例子之一，因为它真正说明了即使像癌症这样的疾病，我们实际上也不是在没有选择偏差的情况下进行测量的，因为我们只在人群的一个子集中进行测量。
人们如何避免成为这些偏见的牺牲品？
审视你的生活以及你获得反馈的地方，并问：“这些反馈是经过选择的，还是我正在获得未经修饰的反馈？”
无论是什么样的说法——可能是“我擅长某事”或“哇，我们的命中率很高”或任何类型的评估——然后你思考一下数据来自哪里。也许是你过去的成功。而这是关键：思考一下生成数据的过程是什么。所有其他可能发生的事情是什么，可能导致我无法衡量它？换句话说，如果我说“我很擅长面试，”你会说，“好的。那么，你基于什么数据得出这个结论？” “嗯，我雇佣的人都很优秀。” 你可以反驳说：“你有没有考虑过你没有雇佣的人？”
这是一个非常简单的事情，你只需要问这个问题：哪些数据不存在？