5月14日，晴。
阅读书目：《简单统计学》。
作者：加里·史密斯是这门课程的老师，他是耶鲁大学的博士，曾在耶鲁执教七年。他的课程以结合生活中的案例，深入浅出地介绍数据知识见长。
金句：
当任何两样事物随时间增长时，他们之间可能没有任何因果关系，但他们仍然具有统计相关性。
我们都想强调与我们理论相符的数据，忽略与之相矛盾的数据。或者将那些与我们的理论相冲突的数据错误地解读成与之相符的数据。
我们应当对缺乏思考的计算保持警惕。计算是一项相对容易的工作，更有难度的问题是这种计算是否有道理。
我们天生倾向于寻找模式并且相信我们看到的模式背后一定存在某种合理的解释。
计算机可以迅速而正确地完成计算任务，但它不会考虑这些计算的意义和合理性。计算机只会做人们要求它去做的事情。
记录及感悟：本书其实源自于耶鲁大学极其火爆的一门公开课，这门课程曾经两度获得教学大奖，这本书还受到了诺贝尔经济学奖获得者罗伯特·希勒的大力推荐。作者深入浅出地介绍了统计学知识，号称“只需懂加减乘除就能看懂的统计学”。
一、为什么我们那么容易被欺骗？我们人类古老的认知模式并不能够适应现代的生活。我们所面临的环境和数据已经十分复杂，不能够简单地进行解释和归纳。而这种现实和认知的差异就导致了两种错误。首先，我们十分容易被那些模式化的事物和解释模式的理论所忽悠。同时，在我们紧紧盯着某种我们相信的理论的时候，我们往往会忽视那些与之矛盾的数据。就像在长胜的牌桌上出现了一次败局，我们往往会选择找到一些借口，来继续相信自己势不可挡的胜利势头。
二、到底是什么在欺骗我们？数据本身。首先便是“混杂因素”，它能够对实验结果产生干扰。2008年欧洲杯期间，章鱼保罗曾经预测过全部有德国队的比赛结果，准确率为80％，但保罗选择的，并不是它认为会胜利的球队，只是它最喜欢的国旗。同时，我们忽略了预测失败的九千九百九十九个人，也忽略了那些小猫小狗预测比赛失败的情况。这就是问题的关键，这一种认知错误，也被叫做幸运者偏差。当我们试图描述数据或是解释数据的时候，我们常常会采用图象的办法。一张图所涵盖的信息，可能胜过千言万语。可是，图象，也有可能暗自给我们设下圈套。比如说原点的数字真的是零吗？我们可得注意被零点抹去的那些数字，因为这一抹去，就可能将图象的起伏放大，产生误导效果。再看看坐标轴上表示的数字的区间是不是忽大忽小呢？人所产生的误解。安慰剂效应，它指的是人们相信医学的力量，相信它会为自己带来积极的治疗效果，即使它根本没有用。我们可永远不要低估自我感觉的力量。当然，除了人们的主观感受外，人们对数据的处理，同样也会产生大问题。在花样滑冰等需要裁判主观打分的比赛中，往往会采取去掉最高分和最低分的方式，来避免结果偏差太大。不过在有时候，这种排除异常值的做法，同样可能产生偏差。无论是剔除也好，综合考虑也好，我们都要时刻对数据保持警惕。在选择数据时是这样，在分析数据时更是这样。一次糟糕的运气并不能保证下一次就会出现与之相平衡的好运，它可能只是随机状态的一种表现而已，或者是你目前状态的一种表现。成功，并不会作为失败的补偿而出现。这就像一个不会枪法的人对着一面墙胡乱开枪，然后再在枪眼最多的地方画上靶子。即使是随机数据，也是可能出现聚集现象的。并不是存在某种模式，就一定会有某种原因的。我们不能够想当然地分析，也不能够轻率地做出推论。我们得留心那些一本正经的胡说八道——由数据本身产生的迷惑和我们主观上的错误理解造成的花招。
三、我们应该如何来识破这些花招呢？常识。当你觉得一个理论违背你的常识时，暂且不要急着推翻自己的常识，尤其是在这个到处充满噱头的时代。很有可能，这些违背常识的理论本身就是错误的。在人们想要迫切地寻找到某个答案的时候，很容易想到对数据本身做手脚，以便能够为自己的理论提供更多的支持。而且，假如统计数据本身已经给出了人们想要的结果，那人们自然不愿意进行进一步的筛查了。我们尤其需要对这些看似严谨的研究保持警惕，如果它看上去是不可信的，我们就需要对其所采取的数据进行审视和筛查。即使是专业的研究人员，也是会犯错误的。新数据。运用常识来发现端倪是其一，可是我们如何来检验这些数据呢？毕竟这些数据看起来是如此真实可信，它们被编造出来就是为了使这套理论看起来更加具有说服力。假如我们还用这套数据进行检验的话，当然只会重复之前的结论。这里，我们就应该采用那些没有被污染过的数据做检验。
在我们的思维中存在着许多的思维陷阱，数据统计中趋势相同的两组数据并不必然表示其具有相关性，你所以为的就真的是你以为吗？在这个信息爆炸的时代更需要我们具有批判性思维，冷静而理智的去分析和判断了解和掌握的数据和信息，才能避开思维中的种种陷阱，成功并不会作为失败的补偿而出现，真正可控的，真实的只有清晰而坚定的分析、梳理、修正以及持续精进。
