0:00:06.636,0:00:09.077
统计数据的说服力很高，

0:00:09.077,0:00:12.541
以至于很多个人、机构甚至整个国家

0:00:12.541,0:00:17.747
在做最重要的决定时都会参考统计数据。

0:00:17.747,0:00:19.484
但其实这样做有一个问题。

0:00:19.484,0:00:23.301
任何一系列的统计数据都也许有一些隐藏的因素，

0:00:23.301,0:00:27.251
可以颠覆整个结果。

0:00:27.251,0:00:30.920
例如，想象你现在需要在两家医院中选择一家

0:00:30.920,0:00:33.434
为家里的老人做手术。

0:00:33.434,0:00:36.434
在每个医院最近收治的1000例患者中，

0:00:36.434,0:00:39.612
A医院有900例患者存活。

0:00:39.612,0:00:43.021
然而，B医院只有800例患者存活。

0:00:43.021,0:00:46.170
这样看来，A医院是更好的选择。

0:00:46.170,0:00:47.843
但是，在你做出决定前，

0:00:47.843,0:00:51.411
要记得，这两家医院收治的患者入院时，

0:00:51.411,0:00:53.811
健康状态并不一致。

0:00:53.811,0:00:56.703
如果我们将1000例患者分为两组，

0:00:56.703,0:01:01.132
入院时健康状态好的[br]和入院时健康状态不好的，

0:01:01.132,0:01:03.772
结果就截然不同。

0:01:03.772,0:01:07.849
A医院只有100例入院时健康状况不好，

0:01:07.849,0:01:10.325
其中30例存活。

0:01:10.325,0:01:14.852
B医院有400例入院时健康状况不好，[br]210例被救活了。

0:01:14.852,0:01:17.169
对于重症患者来说，

0:01:17.169,0:01:19.739
去B医院的生存率为52.5%。

0:01:20.741,0:01:24.526
所以，B医院是更好的选择。

0:01:24.526,0:01:28.445
那如果您的亲人入院时健康状态好呢？

0:01:28.445,0:01:32.271
出人意料，轻症患者在B医院的生存率超过98%，

0:01:32.271,0:01:35.676
B医院依旧是更好的选择。

0:01:35.676,0:01:38.733
既然B医院两组病人的生存率都更高，

0:01:38.733,0:01:44.830
为什么A医院的总体生存率会更高呢？

0:01:44.830,0:01:48.589
我们遇到的这种现象被称为“辛普森悖论”——

0:01:48.589,0:01:51.899
同一批数据仅因为分组不同，

0:01:51.899,0:01:54.664
得出的结果完全相悖。

0:01:55.138,0:01:58.138
“辛普森悖论”常常发生在总体数据隐藏了条件变量时，

0:01:58.744,0:02:01.377
条件变量有时被称为潜伏变量。

0:02:01.377,0:02:06.584
这个隐藏的额外变量会显著影响结果。

0:02:06.584,0:02:10.023
这里，隐藏变量是患者到达医院时

0:02:10.023,0:02:13.264
健康状况的构成比。

0:02:13.264,0:02:16.544
“辛普森悖论”并非只是假说，

0:02:16.544,0:02:18.924
它时不时出现在现实生活中，

0:02:18.924,0:02:22.132
有时，是很重要的背景下。

0:02:22.132,0:02:24.130
英国一项看起来展示出，

0:02:24.130,0:02:27.600
在20年里，

0:02:27.600,0:02:29.846
吸烟者生存率高于不吸烟者。

0:02:29.846,0:02:33.307
但根据参与者的年龄分组后，

0:02:33.307,0:02:37.823
发现不吸烟组人群的平均年龄显著较高，

0:02:37.823,0:02:40.930
所以，不吸烟组在随访过程中更容易死亡，

0:02:40.930,0:02:44.438
恰巧是因为不吸烟者通常更长寿。

0:02:44.438,0:02:47.176
在这个例子中，年龄就是潜伏变量，

0:02:47.176,0:02:50.176
而且它对于正确解释数据至关重要。

0:02:50.176,0:02:51.559
另外一个例子中，

0:02:51.559,0:02:54.281
佛罗里达州一项在死刑犯中所进行的分析显示，

0:02:54.281,0:02:58.265
在黑人和白人在被指控谋杀的时候，

0:02:58.265,0:03:01.581
判刑轻重没有种族差别，

0:03:01.581,0:03:06.396
但根据受害者的种族分组后，结果大不相同。

0:03:06.396,0:03:07.969
无论在何种情况下，

0:03:07.969,0:03:11.091
黑人都更容易被判处死刑。

0:03:11.091,0:03:15.066
白人之所以总体被判刑的比例高，

0:03:15.066,0:03:18.692
是因为当受害者是白人的时候，

0:03:18.692,0:03:21.359
相比于受害者是黑人而言，

0:03:21.359,0:03:24.091
更容易导致死刑的判决；

0:03:24.091,0:03:28.483
而且，大部分的谋杀都发生在同一个种族内的。

0:03:28.483,0:03:31.319
我们怎样才能不被“辛普森悖论”所误导呢？

0:03:31.319,0:03:34.686
不幸的是，并没有统一的答案。

0:03:34.686,0:03:38.504
数据可以有无数种分组方法，

0:03:38.504,0:03:42.106
相对于将数据分成具有误导性的，主观性的类别而言，

0:03:42.106,0:03:46.638
总体数字有时能更给出更加精准的图景。

0:03:46.638,0:03:52.089
我们能做的就是仔细地研究这些数据所描述的实际情况，

0:03:52.089,0:03:55.977
并且考虑是否有潜伏变量。

0:03:55.977,0:04:00.823
否则，那些用数据去操纵别人，同时推进自己的日程的人，

0:04:00.823,0:04:03.378
可以轻松伤害我们。