如果一个采石场找了无数专家论证，在你家门口修建采石场对你而言是天大的好事，别人求都求不来，你会欢天喜地的迎接这块从天而降的馅饼吗？如果说一个出名的历史古镇，突然间发现它变成了一个杀人狂魔聚集的地方，你会不会从此就改变了对这个小镇的看法？

如果你得了风湿，去医院各种看就是不见效，有个隔壁大爷跟你说他有个非常好的偏方，不仅是他还有好多人用过，而且都治好了，你是不是很心动，想要马上去买买买，赶紧用起来，而且用过后，真的觉得好多了，那么是不是真的这个偏方就是被医学界蒙尘的明珠，是中医被证实的一个强有力的证据?

证实性偏差

比如，采石场的例子，在2005年，美国最大的矿业公司申请在蒂梅丘拉附近建造采石场的许可证。每天，采石场将动用4500公斤的炸药，并且还将建造两个沥青厂、一个混泥土厂和一个碎石回收厂。公司认为，不必担心采石场对于当地旅游业和房屋所有者的影响。

该公司聘请的以为专业的经济学家论证，采石场如果开在这里，将会为这里带来1.72亿美元的收益，而且不会给这里带来任何损失。

经济学家提出了复杂的表格，这些细节看起来是一套非常严格的经济分析论证。但这个结论却明显不符合常识。

如果真的是这样，为什么采石场就愿意把这么大块蛋糕白白的送给这里，难道不应该政府地区都打破头去竞相争取吗？这天上掉馅饼的事情就那么好，正正的砸在自己的脑袋？

且不说采石场带来的环境污染，灰尘、噪音、刺鼻的味道，单单看经济学家论证的复杂表格就能发现很多猫腻。细细分析专家的复杂表格，所谓的获益1.72亿美元，其中1.52亿美元属于公司的年利润，这个利润是不会被当地居民所分享的。

并且剩下的2200万美元，也是源于新建采石场的99个工作岗位，其中大部分是将骨料运送到建筑工地的卡车司机的。再分析看看，发现，如果在这里新建了采石场，之前的采石场可能就会关闭，实际上仅仅是将原来采石场的工作岗位转移到新建的采石场而已。

另外一位咨询师声称，采石场不会给当地居民带来任何损失，因为在70km之外的克罗那市的房价与矿山的生产出现了“直接的正相关”。

刚好在这里可以提到一点，正相关就是因果关系吗？我们总是能从数据中得到奇葩的结论，比如已婚人口与啤酒的销量存在统计性的正相关，则已婚人口导致了啤酒销量增加，所以，啤酒想要增加销量，则需要提高人们的结婚数量。是不是很荒谬？

这就是相关性不等于因果性。

就像有名的三段论：

                              苏格拉底是人

                              人会死

                    所以：苏格拉底会死

但如果改成了

                          苏格拉底是会死

                           猫会死

                      所以：苏格拉底是猫

这就是相关性不等于因果性的原因，我们总会犯这样的逻辑错误，因为相关性，则就论证他们的因果性。而且经济学家或是咨询公司的工作人员，很可能因为利益相关，他们为了证明一件事情，就会去发现某种表面上的证据，并且死死地抓住这种证据不放，这就是证实性偏差。

其实在我们生活中也很懂一出现这种谬误，我们为了证明自己观点正确，就去寻找支持自己观点的蛛丝马迹，然后认为自己是对的。

安慰剂效应

比如另外一个例子，我妈妈最爱听信各种偏方，并且认为去医院是没有用的，高手在民间，她特别爱去开会领药，就是讲得病的老太太老头拉在一个大的会场，用一个特别激昂高亢的主持人宣称发明了一种新药，对风湿有奇效，但是因为种种政府的过错，导致药品很难造福光大中老年朋友，大家看看，某某大骂自从贴了这个膏药，腰不酸了，腿不痛了，一下子能上10层楼梯了。现在给大家免费发放，有效了再买，没有效果不要钱，买不了吃亏，买不了上当，有效果想根治，需要10个疗程。然后，我妈妈总是能领回来很多各种三无产品，并且声称真的有奇效。

每次我都很担心老太太别吃出毛病了，怎么样都劝不住我妈，因为去医院真是没效果，领的药真的就是那么神奇，就是不痛了。我总是百思不得其解，安慰剂的效果那么好吗？我又看到一个医学上的例子才发现，真的是永远不要低估暗示的力量。

说开大会一听就很忽悠，来个权威的例子，2002年，关节镜手术被发表在《新英格兰医学期刊》上，几十年来医生对病人进行此类手术，患者都表示自己的病情出现了明显的好转。但在6年后，发表在同一期刊的另一项研究证明，关节镜手术与只接受药物和物理治疗的对照组相比并没有对膝关节炎患者带来任何更多的好处。

那为什么患者做完手术后就感觉自己好多了呢？可能的原因是患者倾向于给出他们所认为的正确的答案。如果一个事物并没有被随机双盲实验进行对照的话，就很难排除安慰剂效应。也很难去论证说这个偏方真的就是好用，有可能是安慰剂效应，也有可能是身体自愈后的结果。

大数和小数

我们太容易跟着别人的思路走，感觉好像真的很有道理，如果再加上百分比，感觉就真的是太科学了，不容质疑，真的吗？

比如说美国马萨诸塞州的一个小镇韦尔弗利特，这是一个非常安宁的艺术之乡，但波士顿有一份报纸报道说这里的谋杀率是马萨诸塞州之最，每10万居民就有4起谋杀案——这个数字是波士顿的两倍多。简直令人咂舌。

后来发现，原来是一名被控在30km外的谋杀案男子在韦尔弗利特自首。这个案件被算成这个小镇的谋杀案。这个小镇只有2491名居民，这样算下来，一个人的误差则造成了每10万居民就有4起谋杀案这样一个耸人听闻的新闻事件。

所以，当基数很小的时候，一点点误差都会给统计带来巨大的影响，所谓失之毫厘，谬之千里。想要避免由于小误差而导致的数据错误，最好的方式就是扩大基数。怎么扩大呢？可以拉长时间维度，已获得更大的基数，这样可以避免扰动。

比较是证实研究的生命线。如果我们想要证明一件事情有效，比如某种药物、疗法、政策或策略，都需要寻找一个参考对象，这个参考对象是完全可以控制的变量（随机、双盲），然后仅仅只是这件事情有变化，如果有效，我们才能说这件事是有效的。否则，我们是无法确定某种药物、疗法、政策或策略的有效性。

另外，我们也需要去警惕用大数和小数比，任何一个小小的扰动，都会让小数的变化十分剧烈；也需要警惕除了时间增长外没有其他共同特点的比较，以及无关数据的比较。如果记不住，想想，“苏格拉底是猫”的论证谬误。