1943 年前后，二战正打得凶。美国空军想给轰炸机加装甲——装甲重，不能到处糊，只能加在最挨打的地方。于是他们统计了从欧洲战场飞回来的轰炸机，把机身上的弹孔一个个标出来。图画完了，结论很直观：弹孔密密麻麻集中在机翼、机尾和机身两侧，发动机那一块反而干干净净。军方的意思很明确——哪里弹孔多就加固哪里。
一个叫 亚伯拉罕·瓦尔德（Abraham Wald，当时在哥伦比亚大学一个叫「统计研究组」的战时机构做数学）的数学家看了图，说：你们搞反了。要加固的，恰恰是那些没有弹孔的地方——发动机。
为什么？因为你统计的样本，全是飞回来了的飞机。发动机中弹的那些，根本没飞回来，落在了海里和敌占区，从没进过你的统计表。你看到的弹孔分布，不是「炮火打在哪」，而是「打在哪还能活着回来」。机翼中几个洞照样能飞，所以机翼上的弹孔你看得到；发动机中一发就掉下来了，所以你的样本里发动机永远是干净的。那片干净不是安全，是死人不说话。
你的样本是从哪个门进来的
上一章我们讲期望值和不对称：判断的落点是赢面乘赔率，但一次归零就出局。结尾留了个问题——我看到的样本，是随机撒给我的吗？瓦尔德的飞机就是答案的第一层：不是。你手里的数据，往往不是从总体里随机抓的一把，而是先经过了一道看不见的筛子。
这道筛子有个名字。
幸存者偏差（survivorship bias）：当你只能观察到「活下来 / 通过了某个门槛」的那一批个体，却拿它们来推断整个群体的规律时，结论会系统性地跑偏。关键词是「系统性」——它不是随机噪声，你多采几个样也纠正不了，因为门就那样歪着，多进来一个还是歪的。
说人话：你去问一屋子创业成功的人「成功靠什么」，他们说坚持、说 all in、说相信自己。这些话可能没错，但屋子里没有那些同样坚持、同样 all in、同样相信自己，然后赔光离场的人——因为他们没被请来演讲。你以为你在研究「成功的原因」，其实你在研究「活下来的人的共同点」，而这两件事根本不是一回事。
为什么这是「最大误差常出现的入口」
我在开头说：判断最大的误差，常常不在计算，而在样本的入口。这话值得掰开。
前面几章的工具——概率、贝叶斯更新、期望值——都假设了一件事：你手里的数据是干净的，至少是没被人动过手脚的。你可以把先验算得再准，把更新做得再规范，但如果喂进去的数据本身就是筛过的，后面所有精密的计算都在给一个歪掉的输入做精加工。垃圾进，垃圾出，而且是「精致的垃圾」——因为算得越仔细，你越相信那个错误的结论。
这就是为什么幸存者偏差比一般的算错更危险：算错你自己心里没底，会去复查；而幸存者偏差会给你一种数据翔实、结论扎实的踏实感。你看的是真实的弹孔，真实的成功者，真实的历史业绩——每一个数据点都是真的，可它们拼出来的图是假的。假在缺失的那部分，而缺失的东西不会举手告诉你「我不在这里」。
基金广告：合法地给你看幸存者
换个离钱更近的例子。你打开一个基金销售页面，上面列着一堆产品，很多都写着漂亮的年化回报，五星评级，过去五年跑赢大盘。你可能会想：这家公司真会选基金啊。
问题在于：你看到的，是现在还挂在货架上的那些。
一只基金如果连年亏损、业绩难看，会发生什么？它通常不会一直挂在那儿丢人。行业里有个词叫 基金清算 / 合并（fund liquidation / merger）：业绩差、规模缩水的基金会被悄悄关掉，或者并进另一只表现好的基金里，名字和难看的历史一起消失。等你打开页面时，看到的是经过多年淘汰后还活着的那批。
这不是阴谋，甚至大多是合规的。但后果很实在：如果你拿「现存基金的平均历史回报」去估计「买主动型基金的期望收益」，你会系统性地高估。因为分母里那些死掉的、拖后腿的，被清算这道门筛掉了。学术界对此有专门测算——把消失的基金补回来后，行业整体的历史平均回报会明显下调。具体数字各家研究不一，我不给你一个精确到小数点的数好显得权威，你只要记住方向：幸存者偏差让「买基金」这件事看起来比真实情况更划算。
类比一下：这就像一个班每次考完试，老师把不及格的同学都转走，然后跟你说「你看我们班平均分年年上升」。平均分确实在升，但升的原因不是教得好，是差生被筛走了。分数是真的，故事是假的。
历史、老房子、和「以前的东西质量真好」
幸存者偏差还藏在一些你根本不觉得是「数据」的地方。
比如你常听人说：「以前的家具 / 老房子 / 老工具真结实，现在的东西都是垃圾。」听上去很有道理，因为你身边确实能找到用了几十年还好好的老物件。但想想瓦尔德的飞机——你能摸到的这些老家具，是那批结实到能活到今天的。当年同一批里那些做工差的，早在几十年里坏掉、扔掉、烧掉了，你根本没机会见到它们。你不是在比较「过去的平均质量」和「现在的平均质量」，你是在比较过去的幸存者和现在的全体。这场比较从一开始就不公平。
再比如「读书无用论」的反面版本：「你看那谁没上大学不也当了老板。」这句话在逻辑上和飞机弹孔是同一个错误——它只数了没上大学还成了老板的那几个（幸存者），没数没上大学然后过得很辛苦的一大片（没飞回来的）。举得出反例，不等于反例是常态。
这一章其实只教你一个动作
幸存者偏差听起来是个偏差，但对做判断的人来说，它更像一个可以随身带的反射动作。每当有人给你一组数据、一堆案例、一个「你看，事实证明」，你都在心里问一句：
没出现在我面前的那些，去哪了？
把这句话拆成几个更具体的问法，方便你临场用：
- 这批样本是从哪个门进来的？——是随机抽的，还是「活下来 / 通过了考核 / 还挂在货架上」的才进来的？门决定了一切。
- 失败的那些会不会自动消失？——死掉的基金会被清算，破产的公司不办讲座，坏掉的老家具早被扔了。凡是「失败会让样本自己退出观察」的场景，几乎一定有幸存者偏差。
- 我是在研究「原因」，还是在研究「幸存者的共同点」？——成功者都爱冒险，可能只是因为爱冒险的人里，输光的那批你见不到，赢了的那批被你请上了台。
注意，答案不总是「所以数据没用、别信」。瓦尔德没有说「统计骗人」，他用的还是同一批数据，只是把缺失的那部分推理了回来——干净的地方正是致命的地方。真正的判断力不是拒绝数据，是能看见数据里那个不说话的洞，并把它补进你的结论里。
还有一层，更麻烦
到这里为止，我们说的筛子都是「无意的」：炮火自己筛掉了飞不回来的飞机，市场自己筛掉了活不下去的基金，时间自己筛掉了不结实的家具。这些筛子没有意图，它只是物理规律和市场规律的副产品，你识破它靠的是「多想一层」。
但样本被筛，有时候不是自然发生的——是有人故意筛好了摆给你看的。
基金公司把清算的历史藏起来、只展示明星产品，这已经在无意和有意之间了。往前再走一步：培训机构挑几个学员的暴富截图放在首页，「专家」只晒预测对了的那几次而绝口不提错的，卖课的人给你看的永远是学生的成功案例……这时候，那道筛子后面站着一个知道你会怎么被数据说服、并据此挑选给你看什么的人。他不需要撒谎，每一张截图都是真的，他只需要控制你能看到哪些真话。
这就把问题从「我怎么识破一道无意的筛子」推进到了一个更硬的地方：当对面是一个有动机、会算计你反应的人，他给你的每一个信息本身就是他的动作。要看穿这种筛选，光靠「多想一层样本」不够了，你得先问一个更根本的问题——这个给我信息的人，他靠什么吃饭，我怎么被摆在他的利益里？
这，正是下一章要拆的东西。