07｜为什么小样本会骗人？

一、先说结论

二、我们先理解一个问题

你在打球。

第一次投篮进了，第二次又进了，第三次还是进。你心里升起一个念头：手感来了。第四球你更敢出手，队友也更愿意把球传给你。

现在把问题放慢：三次进球，真的能说明“手感”这个东西存在吗？

如果投篮本来就有接近一半的命中率，那么连续三次命中，是一件极其罕见的事吗？再想想，你打过的球局里，连续三次命中到底出现过多少次？——只是你只在它出现时才注意到了它，然后给它取了个名字叫“手感”。

这就是小数定律的日常版本。

三、作者到底提出了什么观点？

卡尼曼认为，人对随机性有一套根深蒂固的误解。

第一，小样本应该被当作“有代表性”。 我们会默认，几件事情的分布，就应该和长期总体的分布差不多。所以连续几次同向的结果一出现，我们就觉得“这里一定有原因”。

第二，随机看起来应该像“均匀”。 我们期待随机序列是正反交替、均匀铺开的。可真实的随机恰恰经常成串出现——连续好几个正面，在足够长的序列里几乎是必然。

第三，我们会自动为波动编出因果。 一旦发现了“连续”，系统 1 立刻给出解释：手感、状态、运势、周期。解释来得太快，系统 2 根本来不及问一句：样本够大吗？

作者把这种倾向概括为一句话：人们相信小样本也能反映总体，就像相信存在一条“小样本的大数定律”。 这正是“小数定律”这个说法的由来。

四、把这个观点翻译成人话

抛一枚公平的硬币。

你抛出“正、正、正”，会不会觉得这硬币有点怪？

可算一下：三次抛掷一共有八种等可能的结果，其中“连续三次正面”是一种，“连续三次反面”也是一种。也就是说，三次结果全部相同的概率是四分之一——一点都不稀奇。

我们真正期待的“随机”，其实不是随机本身，而是均匀：正反正反、分布整齐。但随机数不会照顾你的审美，它只是允许成串出现。

小数定律的本质，是把“成串”误读成“规律”。

五、为什么会这样？

从系统 1 的工作方式看，这条路径几乎是被设计好的：

flowchart TD
    A[观察到少数几次结果] --> B[系统1寻找模式]
    B --> C{是否出现连续或一致}
    C -->|是| D[认定存在某种规律或原因]
    C -->|否| E[忽略, 当作噪声]
    D --> F[系统2是否追问样本量]
    F -->|否| G[规律被确认并传播]
    F -->|是| H[发现样本太小, 结果不可靠]
    G --> I[形成错误信念]
    H --> J[更谨慎的结论]

关键在 C 到 D：系统 1 天生就是一台找模式的机器，它对“一致性”特别敏感，对“样本量”却毫无概念。而这台机器最擅长的事，恰恰是拿一个连贯的故事，堵住系统 2 可能提出的那个问题。

六、举一个现实生活中的例子

还是那场球。

你连进三球，全场都开始说“他手感来了”。于是接下来，你的队友更多地把球给你，你自己也更愿意出手。

可如果你真的去统计整个赛季，你可能会发现：所谓“手感来了之后的下一球命中率”，和你平时命中的概率差不多。三连中之后，你的下一球该进还是进、该丢还是丢——真正的差别，只是你和队友都更相信那个故事了。

而且这个信念会自我强化：因为大家更愿意传球给你，你获得了更多出手机会，进了就被归功于“手感”，没进就被解释成“手感凉了”。解释永远能自圆其说，因为小样本永远能提供新素材。

同样的剧本还出现在很多地方：一个球员连续两场得分高，就被称作“进入状态”；一个基金连续三个月跑赢指数，就被称作“经理有眼光”；一家公司连续两个季度增长，就被称作“找到第二曲线”。我们没有算错任何一步算术，只是从没问过：这么少的观察，值得下这么重的结论吗？

七、回到书中重新理解

卡尼曼在书里讲过一个与此直接相关的著名研究：研究者分析了职业篮球运动员的大量投篮数据，检验“连续命中之后下一球更容易进”这个广为人知的说法。

结果与直觉相反：在数据里，连续命中之后的命中率，并没有显著高于平时的水平。也就是说，“热手”至少没有人们以为的那么明显。

卡尼曼借此指出，我们对随机性的感知，是被故事修剪过的。观众只记住了那些高光连击，忘记了同样多的普通回合；而记忆只留下“手感来了”的片段，就足以支撑一个看起来无懈可击的信念。

他同时提醒：小样本不只骗球迷，也骗专家。任何依赖短期业绩做判断的领域，都容易掉进同一个坑。

八、这个观点背后还有什么？

有几个隐含点值得拎出来。

第一，它和“回归均值”是一对。 极端表现之后，结果通常会向平均水平回摆，而我们总会把这种回摆归因于某个具体的干预——换教练、改策略、请大师。

第二，它与叙事谬误相连。 随机的短序列本身没有故事，是我们为它补上了开头、高潮和因果。

第三，它是“可得性”的近亲。 连中的片段更容易被记住、被谈论，于是它在记忆里显得比实际更常见。

第四，它提醒我们一件事： 判断一个结论是否可靠，除了看结论本身，还得看它是从多少观察里得出来的。样本量不是一个技术细节，而是结论的一部分。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于卡尼曼思想的现代延伸，不是卡尼曼的原话。

在数据泛滥的时代，小数定律的舞台比卡尼曼写作时更大。团队看周报，产品看七天留存，投资看三个月净值，运营看一场活动的转化——每一个数字都可能只来自很小的样本，却足以触发一轮“发现了规律”的兴奋。

更值得注意的是：数据越多，我们越容易从中翻出小样本的巧合。 当你能同时观察几百个指标，总会有几个指标恰好连续几期同向；把它们挑出来讲故事，几乎必然成功。

一种朴素的对抗办法，是事先定好规则：这个结论需要多大的样本才允许被认真对待？需要多长的观察窗口才允许被称为“趋势”？把这条线画在看见数据之前，而不是之后，才能挡住系统 1 事后编故事的冲动。

十一、这一篇真正应该记住什么？

1. 小数定律：把小样本结果当成总体规律。
2. 样本越小，波动越大：连续同向在小样本里很常见。
3. 我们期待随机“均匀”：但真实随机允许成串出现。
4. 系统 1 会自动补因果：手感、状态、运势都是事后命名。
5. 样本量是结论的一部分：问一句“这结论来自多少观察”，能挡掉大量误判。

十二、留一个问题

下一篇：小样本骗人的方式，是让我们把偶然读成规律。但它还有一个更隐蔽的伙伴：当两个条件叠在一起、描述变得更具体时，我们不但不觉得概率更小，反而觉得它更可信。

下一篇我们就来拆开这个问题——“琳达问题”：为什么我们偏爱更详细的描述？