33幸存者偏差（Survivorship Bias）
费曼学习法：讲给十二岁的孩子听
二战时，盟军的飞机经常被打得满身弹孔回来。军方想给飞机加装甲，于是统计了返航飞机上的弹孔分布：
机翼和机身弹孔最多，引擎和驾驶舱几乎没有。
军方的第一反应是：给弹孔多的地方加装甲。
一位统计学家（亚伯拉罕·瓦尔德）说：恰恰相反，应该给弹孔少的地方加。
为什么？因为这份统计只包含了活着飞回来的飞机。
那些引擎中弹的飞机，根本没能回来——它们不在你的数据里。机翼中弹还能飞回来，说明机翼中弹不致命；引擎几乎没有弹孔，不是因为引擎不会被打中，而是因为打中引擎的都没回来。
看不见的样本，往往才是最关键的样本。 这就是幸存者偏差：你只看到了"成功通过筛选"的那部分，而筛选掉的部分恰恰藏着最重要的信息。
定义
幸存者偏差指：由于样本经过了某种筛选（通常是"存活"或"成功"），导致基于该样本得出的结论系统性偏离真实情况。
它的结构是一个隐藏的过滤器：
全部样本 → [筛选：只有某种特征的能通过] → 你看到的样本
↓
被筛掉的部分，永远沉默
关键洞察：被筛掉的部分不是随机的，而是与你要研究的东西相关。 返航飞机不是随机样本——"能返航"这个条件，恰恰与"哪里中弹会致命"高度相关。
常见的幸存者偏差来源：
- 成功者才会被报道：创业成功者的故事铺天盖地，失败者无人书写；
- 现存者才能被观察到：百年老店的经营之道，但同一时期倒闭的九十九家没留下经验；
- 留下来的才被统计：员工满意度调查只覆盖在职者，离职者的意见消失了；
- 被看见的才算数：社交媒体上的光鲜生活，是发布者主动筛选过的切片。
一句话
你看到的样本已经过筛选，而被筛掉的那部分往往最关键——引擎上没有弹孔，不是因为打不中，是因为打中的都没回来；所以看到任何"成功经验"之前，先问一句：那些没活下来的，去哪了？
例子
"名校退学、创业成功"的故事，是幸存者偏差最经典的温床。
比尔·盖茨、乔布斯、扎克伯格都从名校退学然后取得了巨大成功。于是"退学创业"被反复讲述，成了一种被浪漫化的路径。
但这个样本被筛选过两次：
- 只有成功的退学者会被报道，而绝大多数退学者并没有成为亿万富翁——他们根本不会出现在故事里；
- 退学这个变量，可能与成功无关，而与"已经有足够把握"有关——这些人是在有了可验证的进展之后才退学的，不是先退学再等待奇迹。
换句话说：退学可能是结果，不是原因。 而幸存者偏差让我们把结果误读成了原因。
同样的结构出现在"这些成功公司都做了 X，所以我们也该做 X"这类推理里——你只研究了活下来的公司，而那些做了同样的事却死掉的公司，不在你的样本里。 → 见 #8 相关性≠因果性
常见误用
- 不要把它当成"所有成功学都不可信"的万能标签。 幸存者偏差说明样本有偏，但不等于被观察对象的经验毫无价值。正确做法是补上对照组：去研究那些做了同样事情却失败的案例，看看差别在哪。
- 警惕"反向幸存者偏差"。 有时候被筛掉的是成功者而非失败者。比如统计"某项政策的效果"时，如果最成功的案例因为某些原因未被纳入统计，结论同样会偏。方向不重要，重要的是搞清楚筛选机制是什么。
- 主动去寻找沉默的样本。 这是最实用的对策：看创业故事时去读失败复盘；看投资业绩时问"清盘的基金去哪了"；评估团队时去听离职员工的意见；分析用户时去看流失用户，而不只是活跃用户。沉默的那部分通常信息量最大。
- 它是许多其他偏误的共同来源。 可得性偏差（容易想起的才被想起）、确认偏误（支持自己的才被记住）都会制造类似的选择性样本。看到样本时，多问一句"它是怎么被选出来的"。 → 见 #51 可得性偏差
交叉引用
→ 见 #8 相关性≠因果性 · → 见 #51 可得性偏差 · → 见 #23 基础概率 · → 见 #26 控制变量与随机对照 · → 见 #30 过度自信