聪明的直觉，也会算错

很多推理错误并非算术太难，而是我们在开始计算之前，已经悄悄换掉了问题。

可靠的警报，为什么可能经常误报？

设想一座工厂有一万台机器，其中1%存在某种故障。一个预警系统能识别90%的故障机器；对于正常机器，它也有5%的概率发出警报。现在某台机器被标记了，它真正有故障的概率是多少？以下数据是为说明原理构造的例子。

直接回答90%很诱人，但90%描述的是“有故障时会响”的比例。我们要问的是“响了之后有故障”的比例，条件的方向已经倒了过来。把概率改成人数，问题会清楚很多。

585次警报中，90次来自故障机器。因此，某台被标记机器实际有故障的概率约为90/585，即15.4%。系统能抓住大多数故障，与大多数警报都对应故障，并不是同一件事。正常机器远多于故障机器，较小的误报率也可能产生很多误报。

这就是基率的作用。判断异常行为、过滤垃圾信息、寻找稀有事件，都需要先问目标本来有多常见。一个漂亮的识别率若没有误报率和发生率，就不足以说明筛选结果的含义。

每组都更好，总体却更差？

再看一个自造的数据例子。甲、乙两种方法分别用于简单与困难任务。困难任务中，甲成功18/30，乙成功10/20；简单任务中，甲成功9/10，乙成功72/90。甲在两组里都领先：60%对50%，90%对80%。

合在一起，甲成功27/40，成功率67.5%；乙成功82/110，成功率约74.5%。总体竟然变成乙更高。并没有任何算术冲突：甲承接了更多困难任务，乙承接了更多简单任务。总体比例实际上是带着不同权重的平均。

这类反转被称为辛普森悖论。它提醒我们，看到汇总结果时，除了问“谁更高”，还要问“谁面对了什么样的任务”。不同学校、平台、群体或赛段的成绩，可能被选择与分配机制改变。划出一个分组，并不自动解决所有因果问题；分组变量为何出现、在因果链上扮演什么角色，同样重要。

因此，不能机械地宣布“分组一定比总体可靠”。如果分组方式本身受到结果或共同选择机制影响，控制它也可能引入偏差。需要先理解问题结构，再决定哪些比较回答了我们的原始问题。

看见一个稀有结果，不等于已经证实解释

假设我们随机生成一串很长的0和1。任何事先指定的完整序列都很难出现，但最终总会出现某一串。若看到结果后，再为它寻找一个“如此巧合”的故事，就会把事后挑选误当成事前预测。

这与从很多指标中挑出最漂亮的一个、从很多尝试中只报告成功的一次，具有相似的结构。我们看到的结果可能是真的，但评估它有多意外时，需要计算那些本来都有机会被挑中的结果，而不仅仅计算最终被展示的那个。

在生活中，一个简单的习惯很有帮助：尽量在结果出现前写下预期、判断标准与允许修改的范围。一次预测错误之后，可以学习并更新；如果每次都在事后重新定义成功，就很难知道自己究竟学到了什么。

把贝叶斯更新写成“证据乘了多少倍”

前面的故障例子可以换一种更容易复用的写法：后验赔率=先验赔率×似然比。先验故障率1%对应赔率1:99；检测灵敏度90%、误报率5%，阳性似然比就是0.90/0.05=18。看到警报后，赔率变成18:99，转换为概率仍是18/(18+99)≈15.4%。

这个表示把两个来源分开了：事情原本有多常见，以及当前证据对两种解释有多大区分力。同样的检测证据，在不同基率环境下会得到不同后验概率。若先验故障率为50%，赔率1:1乘以18后变成18:1，概率约为94.7%；不是检测突然更可靠，而是背景发生了变化。

这也提醒我们不能把“某现象在假设成立时很常见”直接当成假设成立的证明。关键还在于：假设不成立时，这个现象是否也很常见？如果两种解释都强烈预测同一个观察，它对区分这两种解释就没有多少帮助。

两条证据，为什么不一定比一条强两倍

如果两份报道都来自同一条未经核实的消息，不能因为有两家媒体转载，就把它们当作两次独立确认。类似地，一个人既在测试中高分，又因同一成绩成为某社群会员，这两个记录共享同一证据源。

在概率计算中，把两个似然比直接相乘需要相应的条件独立假设。若第二份证据几乎只是第一份的复制，它新增的信息就很少。判断信息强度时，除了数有多少条记录，还要追踪它们从哪里来、哪些机制可能共同出错。

这条原则适用于论文复现、商业评价、成绩核验和日常传闻。信息传播可以非常迅速，独立证据的增长却未必跟得上。重复出现的结论，可能只是同一条回声。

分组有时消除混淆，有时却制造偏差

辛普森悖论容易让人得出“以后一定要分组”的结论，但分组本身并不是万能修正。关键在于分组变量在因果过程中扮演什么角色。若任务难度同时影响方法选择和成功率，按难度比较可能有帮助；若分组依据本身由方法和结果共同影响，反而可能引入新的偏差。

想象一个选拔项目同时看能力与推荐机会，两者都能帮助入选。只研究已经入选的人时，某些能力一般但机会较多的人，与能力较强但机会较少的人可能都达到门槛，于是入选群体内出现能力与机会之间的负向关系。这个现象不需要“机会使人变笨”才能产生，选择规则本身就能改变观察关系。

所以，观察到不同分组的关系反转时，应先画出可能的机制：谁影响谁，哪个变量在前，哪个变量是结果。统计表能揭示数值关系，因果解释还需要研究设计和背景知识。不能只选择最符合自己立场的那一种分组。

p值小，为什么不是“结论大概率正确”

p值是在一个指定模型及其假设成立时，出现当前或更极端统计结果的概率。它不是原假设为真的概率，也不是“结果纯属偶然”的概率。很大的样本可以让微小差异得到很小的p值；小样本则可能让有实际意义的差异仍然高度不确定。美国统计协会强调，解释应包含效应大小、透明报告和具体语境，不能只围绕是否越过某个阈值。〔Wasserstein与Lazar，2016〕

置信区间提供的是另一类信息：哪些参数值在相应方法下与数据较为相容。频率学派95%置信程序的含义是，在重复抽样和模型条件成立时，按该方法构造的区间约95%覆盖固定真值；它不自动等于对这一次区间赋予95%的后验概率。两种语言都可以有用，但需要说明各自的假设。

校准：一种可以长期练习的理性

如果一个人在100个判断中都说“我有90%的把握”，一个可以检查的标准是这些判断最终是否约有90个成立。长期系统性地只对一半，却始终自信90%，就是过度自信；几乎全对却只给55%，则可能过于保守。一个单独事件不能检验这种长期频率，但一系列可核查预测可以。

实践时，可以记录问题、预测概率、截止日期和判断依据，之后检查哪些类型的判断偏离最大。重点不是每次都押中，而是让表达出的不确定性与实际表现逐渐匹配。遇到新证据时更新判断，也比事后声称“我早就知道”更有信息。

更深入的理性并不总是更多公式。它往往始于几个朴素动作：写清分母，分清条件方向，检查证据是否独立，保留竞争解释，并愿意为自己的预测留下可复核的记录。

把解释拆成可以检查的步骤

面对一个惊人的数字，可以先做四件事。第一，把百分数还原为人数；第二，明确分母与条件；第三，寻找会改变比较的分组或选择过程；第四，区分预先提出的判断和看到数据后形成的故事。

这些步骤并不要求特别高深的数学。它们要求的是对问题结构保持耐心：我们真正要比较什么？哪些人没有进入数据？哪些失败尝试没有被记录？如果换一个合理的参照群体，结论是否仍成立？

认知能力可以帮助我们更快地构造解释，也可能让我们更擅长替第一反应辩护。愿意让直觉接受检查，才让速度变得有用。下一次有人说“这个结果只有万分之一的概率”，最有意思的追问通常是：在什么模型里，对什么事件，又一共试了多少次？