统计数据会说谎

一、全书概览

书名： How to Lie with Statistics（《统计数据会说谎》/《统计数字会撒谎》/《统计陷阱》） 作者： 达莱尔·哈夫（Darrell Huff），1913年生于美国爱荷华州，毕业于爱荷华州立大学，获学士和硕士学位，Phi Beta Kappa 荣誉学会成员。长期为《哈泼斯》《星期六邮报》《时尚先生》《纽约时报》撰稿。1963年获美国国家学院钟奖。 初版： 1954年 篇幅： 约 144 页，10 章 豆瓣评分： 8.1（856 条短评）

这本书是 20 世纪下半叶最畅销的统计学读物，没有之一。1954 年出版后持续再版 70 年，被译成数十种语言。它不是一本教材，而是一份"防骗手册"——用马克·吐温式的幽默和真实案例，把统计操纵的常见手法拆解得干干净净。

世界上有三种谎言：谎言、弥天大谎和统计数据。——迪斯雷利（Disraeli）

全书逻辑清晰：从数据采集（抽样偏差）出发，经过数据处理（平均数陷阱、遗漏数据、图形操控、偷换概念），到逻辑推论（相关≠因果），最后收束于一套可操作的质疑框架——"五问法"。这个闭环设计很完整，读完你会对"用数据说话"这件事产生本能的警觉。

值得说的是，这本书写于 1954 年，但里面提到的每一种骗术——有偏样本、平均数游戏、图表裁剪、相关因果混淆——今天依然在广告、新闻、政策报告、投资研报里反复出现。70 年过去了，骗术没有进化，受众也没有进化。这本身就是最有力的注脚。

二、逐章要点

第一章：带有偏差的样本

核心问题： 你的数据从哪来的？样本能不能代表总体？

开篇就是那个经典案例——"耶鲁大学 1924 届毕业生平均年收入 25,111 美元"。这个数字精确得让人服气，但也大得让人怀疑。哈夫一层层拆：

样本偏差 1： 只联系上了地址明确的毕业生。混得不好、频繁搬家、和母校断了联系的那些人呢？他们恰恰是收入偏低的人群。
样本偏差 2： 收到问卷愿意回复的，更有可能是混得好的、愿意炫耀的。收到但不回复的，收入低的概率更大。
数据污染： 即便回复了，出于虚荣会虚报，出于税务顾虑会瞒报。

结论：这个"25,111 美元"是一个被层层过滤后严重偏高的数字，跟 1924 届全体毕业生的真实收入没有关系。

一个以抽样为基础的报告如果要有价值，就必须使用具有代表性的样本。

| 偏差类型 | 机制 | 举例 | |---------|------|------| | 选择偏差 | 样本获取方式排除了特定群体 | 只联系到地址明确的校友 | | 自选择偏差 | 被调查者自行决定是否参与 | 收入低的校友不愿回复问卷 | | 回答偏差 | 受访者给出不真实答案 | 虚报收入或隐瞒收入 |

[ ] 下次看到任何"调查报告"，先问样本怎么来的
[ ] 检查样本是否有明显的群体缺失
[ ] 思考"谁被排除了"比"谁被包含了"更重要

第二章：精心挑选的平均数

核心问题： "平均"到底是什么意思？

同一群居民，房产商说"平均年收入 10,000 英镑"（均值，被几个百万富翁拉高），纳税人委员会说"平均年收入 2,000 英镑"（中位数，更能反映普通家庭）。两个数字都是合法的"平均数"，但给人的印象天差地别。

哈夫解释了三种平均数的区别：

| 平均数类型 | 定义 | 特点 | 适用场景 | |-----------|------|------|---------| | 均值（Mean） | 所有数值之和 ÷ 个数 | 极易受极端值影响 | 数据分布均匀时 | | 中位数（Median） | 排序后最中间的值 | 不受极端值影响 | 收入、房价等偏态分布 | | 众数（Mode） | 出现频率最高的值 | 反映最常见情况 | 离散分类数据 |

关键在于数据的分布形态。如果接近正态分布（如身高），三种平均数几乎一样，用哪个无所谓。但收入分布是典型的偏态——少数极高收入者会把均值拉到离谱的高度。2025 年中国统计局公布的"全国居民人均可支配收入"，均值和中位数的差距就是最好的现实注脚。

当被告知某个数是平均数时，除非你能明确说出它的具体种类——均值、中位数还是众数——否则对它你仍知之甚少。

[ ] 看到"平均收入"立刻追问：均值还是中位数？
[ ] 收入、房价、资产类数据默认看中位数
[ ] 公司宣称"员工平均工资"时，想想老板的工资是不是也算进去了

第三章：没有透露的小小数据

核心问题： 没说的往往比说了的更重要。

"多克斯牙膏减少 23% 蛀牙"——听起来很厉害。但样本可能只有 12 个人。在小样本里，纯粹靠偶然性就很容易出现极端结果。广告商只需要反复做小规模实验，直到碰上一个想要的结果，然后把其余全部丢掉。

另一个例子：智商测试。彼得 98 分，琳达 101 分。表面看琳达更聪明。但智商测试有 ±3 的概率误差，彼得的实际区间是 95-101，琳达是 98-104。两个区间大量重叠，根本分不出谁更聪明。

所谓"正常"智商 100，其实应该理解为 90-110 的范围。同样，儿童几个月会坐的标准也应是一个范围，而不是一个精确时间点。

遗漏的关键信息通常包括：

样本量（n=?）
误差范围 / 置信区间
比较的基准是什么
纵坐标的单位是什么
[ ] 看到百分比变化，追问"从多少到多少"
[ ] 看到精确数字，追问"样本量多大"
[ ] "统计上显著"≠"实际上有意义"

第四章：夸大其词的数字

核心问题： 百分比和指数是怎么骗人的？

哈夫举了一个"员工持股计划"的例子：某公司宣称通过持股计划，员工工资增长了 100%——从 2 美元涨到 4 美元。数字没错，但"100% 增长"的描述极大地放大了实际感受。基数太小的时候，任何百分比变化都可以做得很漂亮。

另一个陷阱是混淆百分比和百分点的区别。"利率从 3% 上升到 4%"，可以描述为"上升了 1 个百分点"，也可以描述为"上升了 33%"。后者听起来吓人得多，但说的完全是同一件事。

指数的问题更隐蔽。基期的选择可以彻底改变趋势的观感。如果把某一年设为基期（100），其他年份与之比较，那么基期的选择就能决定趋势看起来是上升还是下降。

如果你有一个桶脏水，又有一桶干净水，你更愿意把哪桶喝下去？——但如果脏水只比干净水脏 1%，而且脏水桶大 100 倍呢？

[ ] 看到"XX% 增长"先还原绝对值
[ ] 区分"百分比"和"百分点"
[ ] 注意指数的基期选择，换一个基期结论可能反转

第五章：惊人的图形

核心问题： 图表是最隐蔽的谎言。

这是全书最有趣的一章。同一个 10% 的增长，可以画成一条平缓上升的线（看起来普通），也可以通过截断纵坐标、压缩横坐标、拉大纵轴比例，让视觉上看起来像 100% 的增长。

具体手法：

截断纵轴： 不从 0 开始。本来 2:1 的差异，视觉上可以变成 8:1
改变比例： 缩小横轴、拉长纵轴，让微小变化看起来陡峭
维度陷阱： 用面积图表示一维数据。直径扩大 1 倍，面积实际扩大 4 倍
省略刻度： 不标单位和刻度，读者无法判断变化幅度

嘴上说的是 1.5 倍，看起来却是 3 倍。

[ ] 看到任何图表先检查纵轴是否从 0 开始
[ ] 检查是否有刻度和单位
[ ] 警惕用面积表示一维数据（面积 ∝ 半径²）

第六章：混淆因果

核心问题： 相关不等于因果。

哈夫列举了一连串荒谬的相关关系：抽烟与大学成绩、独身与上大学、屋顶白鹤鸟巢数量与出生率、马萨诸塞州牧师收入与哈瓦那朗姆酒价格。这些确实在数据上相关，但显然不存在因果关系。

问题在于，两个变量同时变化可能有三种解释：

A 导致 B（因果）
B 导致 A（反向因果）
C 同时导致 A 和 B（共同原因 / 混杂因素）

现实中第三种最常见，也最容易被忽略。比如"喝咖啡的人心脏病发病率更高"，可能的共同原因是"工作压力大的人既爱喝咖啡又容易心脏病发作"，跟咖啡本身没关系。

抽烟与大学成绩的相关关系——不是因为抽烟让人变聪明，而是因为抽烟在美国曾经是"成熟、世故"的标志，而这类学生恰好更倾向于上大学。

[ ] 看到任何"研究发现 X 导致 Y"先问：有没有控制混杂变量？
[ ] 区分"相关"和"因果"，这两个词不是同义词
[ ] 反向因果经常被忽略：是成功导致了自信，还是自信导致了成功？

第七章：偷换概念

核心问题： 用一个指标代替另一个，让数字讲了一个完全不同的故事。

哈夫举了一个经典案例：某公司声称"工伤事故率下降"——但仔细一看，他们改了统计口径，把"需要报告的事故"改成了"导致停工超过 X 天的事故"。口径变了，数字当然变，但说的已经不是同一件事了。

另一个例子是"正常"和"理想"的偷换。金西报告只是描述了性行为的普遍频率（normal = 正常的/普遍的），但被很多人解读为"推荐的/理想的做法"。描述事实 ≠ 推荐做法，这是两个完全不同的问题。

常见偷换：

用"人均 GDP"代替"居民实际生活水平"
用"平均工资"代替"普通工人的收入"
用"用户增长率"代替"用户活跃度"
用"下载量"代替"使用量"

如果有人告诉你某个数字，先搞清楚他到底在数什么。

[ ] 看到任何统计指标先问：这个指标到底量的是什么？
[ ] 注意统计口径的变化，"下降"可能只是因为定义变了
[ ] "正常"（普遍的）≠"理想"（值得追求的）

第八章：如何反击

核心问题： 普通人拿什么武器对付统计操纵？

哈夫在最后一章给出了全书最实用的东西——"五问法"：

谁说的？ ——追溯数据来源，有利益相关的数据要打问号
他怎么知道的？ ——检查样本、方法、过程
漏了什么？ ——缺失的数据、误差范围、比较基准
有人偷换概念了吗？ ——指标定义、统计口径
这个数据合乎情理吗？ ——用常识做最后防线

毕竟，骗子早就掌握了行骗的技巧，而诚实的人出于自卫也应该学会它。

这一章的价值在于它把复杂的统计批判思维压缩成了五个任何人都能记住的问题。你不需要懂标准差、不需要会算置信区间，只要养成问这五个问题的习惯，就能挡住 80% 的统计骗局。

[ ] 把"五问法"背下来，看到数据时条件反射地过一遍
[ ] 不迷信任何来源——即便是科学论文也可能有统计操纵
[ ] 培养对数字的"嗅觉"，不合理的数据就是不合理

三、关键概念速查

| 概念 | 一句话解释 | 防范要点 | |------|-----------|---------| | 有偏样本 | 样本不能代表总体，因为获取方式排除了特定群体 | 问"谁被排除了" | | 三种平均数 | 均值（易受极端值影响）、中位数（不受极端值影响）、众数（最常见值） | 收入类数据看中位数 | | 概率误差 | 任何抽样都有误差范围，小差距可能是噪声 | 问"误差范围多大" | | 相关≠因果 | 两个变量同时变化不意味着一个导致另一个 | 找混杂因素 | | 偷换概念 | 用指标 A 的数字来证明关于指标 B 的结论 | 确认指标到底量什么 | | 基期操纵 | 选择不同的比较基准会得出相反的趋势 | 换个基期看看 | | 维度陷阱 | 用面积图表示一维数据，视觉放大 4 倍 | 注意图表的数学表达 | | 截断纵轴 | 纵轴不从 0 开始，放大差异 | 看图表先检查坐标轴 |

四、核心框架 / 模型

哈夫"五问法"（数据质疑框架）

看到任何统计数据
    │
    ├─ 1. 谁说的？（Source）
    │     → 来源是否有利益冲突？
    │     → 是广告商、政策制定者还是独立研究？
    │
    ├─ 2. 他怎么知道的？（Method）
    │     → 样本怎么选的？样本量多大？
    │     → 是随机抽样还是方便抽样？
    │
    ├─ 3. 漏了什么？（Missing）
    │     → 误差范围？比较基准？
    │     → 被排除的数据、失败实验？
    │
    ├─ 4. 有人偷换概念了吗？（Definition）
    │     → "平均"是哪种？"正常"是"普遍"还是"理想"？
    │     → 指标定义有没有悄悄改过？
    │
    └─ 5. 这个数据合乎情理吗？（Common Sense）
          → 用你已知的常识检验
          → 如果太好了不像真的，那很可能不是真的

统计骗术的"操作链"

哈夫实际上揭示了一条完整的造假流水线：

数据采集 → 有偏样本 → 数据处理 → 挑选平均数、遗漏误差 → 数据呈现 → 夸大百分比、操纵图表 → 逻辑推论 → 混淆相关与因果、偷换概念 → 最终结论 → 看似科学实则误导

每一个环节都可以做手脚，而且每一个环节单独看都"合法"。这正是统计欺骗的可怕之处——它不是造假，它是对真实的精心编排。

五、金句摘录

巧妙伪装的统计资料胜过希特勒的弥天大谎，虽然它也会引起人们的误解，却不会因此受到指责。
如果一个人以种种肯定的立论开始，他必将终止于各种怀疑；但如果他愿意抱着怀疑的态度开始，那么他必将获得肯定的结论。——培根
让我们陷入困境的并非我们不知道的东西，而是我们知道但并不正确的东西。——阿蒂默斯·沃德
毕竟，骗子早就掌握了行骗的技巧，而诚实的人出于自卫也应该学会它。
统计这种神秘的语言，在一个用事实说话的社会里是如此的吸引人，但有时它却被利用并成为耸人听闻、恶意夸大或简化事实、迷惑他人的工具。
一个没有加以限定的"平均数"最终是无意义的。
服用上述药物的确能在一个星期内治愈感冒，但人们却忽略了另一个事实——即使不服用上述药物，感冒也能在七天内痊愈。

六、行动清单

每天做

[ ] 看到新闻里的统计数据，花 10 秒过一遍"五问法"：谁说的？怎么知道的？漏了什么？换概念了吗？合理吗？
[ ] 刷到"XX 增长了 XX%"的标题，习惯性地点进去看绝对值和基数

每周做

[ ] 挑一篇包含大量数据的文章（财报、政策解读、行业报告），用"操作链"框架拆解：采集→处理→呈现→推论，看哪个环节可能有猫腻
[ ] 检查自己的工作产出——你在写报告、做 PPT、写代码文档时，有没有无意中用了书中的骗术？

每月做

[ ] 选一个你关心的领域（投资、健康、科技），搜集 5 篇不同来源的数据报告，对比它们的统计口径是否一致、结论是否矛盾
[ ] 把"五问法"教给一个不了解统计学的人，看 TA 的反应——最好的学习是教别人

七、一句话总结

统计数据本身不会说谎，说谎的是那些操纵数据的人；而最有效的防骗武器不是数学知识，是对每个数字保持"五问"的习惯。

八、读者热议

@贾里（豆瓣）： "实际上看目录就够了。不过通俗易懂的读物往往很需要，因为畏难是开始学习的极大障碍。"

@飞林沙（豆瓣）： "在中国还很有用武之地的空间。50 年前的书还是有利用价值的，毕竟 zf 和研究所也乐此不疲。这本书是本很好的入门书，字数也不多，而且可读性非常好。"

@人造天堂（豆瓣）： "由于知识、信息和地位的不对称，普通人在面对行业精英专门设计的陷阱总是无法防备。就像普通美国民众无法理解华尔街'金融天才'搞的次级抵押贷款的潜在风险一样。"

@peterq（豆瓣）： "深谙统计之道的作者显然是个高超的骗子，本书虽如原名所说，可以当成行骗宝典，但作者本意并非如此，而是教会人们如何看穿这些把戏。"

以下为豆瓣及公开平台读者热评补充（2026-04-28）

⭐⭐⭐⭐⭐ 豆瓣读者@统计思维（长评）

没有统计思维，数据骗的就是你。这本书教我们通过5个问题来反驳统计数据：1）是谁这么说？2）他怎么知道？3）漏掉了什么？4）有人偷换了概念吗？5）这合乎情理吗？下次看到电视上的统计报告或好友转发的科普文章时，不要轻易相信里面的数据，而是通过问问题找到漏洞。

认同度：95%。 这5个问题总结得非常好，几乎可以作为「统计素养」的速查清单。特别是「漏掉了什么」这一条——很多统计数据骗人不是因为它说了什么，而是因为它没说什么。

⭐⭐⭐⭐ 豆瓣读者@贾里

实际上看目录就够了。不过通俗易懂的读物往往很需要，因为畏难是开始学习的极大障碍。

认同度：60%。 说得有道理——这本书确实不深，内容框架看目录就能把握。但对于统计学零基础的人来说，「通俗易懂」恰恰是它最大的价值。畏难确实是开始学习的最大障碍，而这本书很好地解决了这个问题。

⭐⭐⭐⭐⭐ 豆瓣读者@飞林沙

在中国还很有用武之地的空间。50年前的书还是有利用价值的，毕竟某些机构和研究所也乐此不疲。这本书是本很好的入门书，字数不多，可读性非常好。

认同度：90%。 50多年过去了，这本书不但没有过时，反而因为大数据时代的到来而更加重要。数据造假的手法在升级，但核心套路（样本偏差、相关当因果、忽略基线等）和50年前一模一样。

⭐⭐⭐⭐ 豆瓣读者@人造天堂

由于知识、信息和地位的不对称，普通人在面对行业精英专门设计的陷阱总是无法防备。就像普通美国民众无法理解华尔街「金融天才」搞的次级抵押贷款的潜在风险一样。

认同度：85%。 这个视角很关键——统计数据会说谎的问题，本质上是信息不对称和权力不对等的问题。这本书教你的不仅是识别统计陷阱的技术，更是一种对权威数据的健康怀疑态度。

⭐⭐⭐ 豆瓣读者@peterq

深谙统计之道的作者显然是个高超的骗子，本书虽如原名所说可以当成行骗宝典，但作者本意并非如此，而是教会人们如何看穿这些把戏。

认同度：有趣。 确实，读完这本书你不仅能识别统计陷阱，理论上也知道怎么制造统计陷阱了。知识是中性的，关键看你怎么用。

笔记生成：2026-04-28 by 喵喵 🐈

📚 喵喵的笔记库

探索