经典案例
二战期间，盟军统计返航轰炸机上的弹孔分布，计划给弹孔密集的部位加装装甲。
统计学家亚伯拉罕·瓦尔德（Abraham Wald，统计研究小组 SRG 成员）指出了一个致命错误：
这些是返航的飞机。弹孔分布显示的是"被击中后仍能飞回来"的部位。
真正需要加装的，恰恰是没有弹孔的地方——
- 引擎被击中？飞机回不来；
- 驾驶舱被击中？飞机回不来；
- 油箱被击中？飞机回不来。
那些"幸存"下来、身上满是弹孔的部位，恰恰说明它们不是致命的。
这就是幸存者偏差（Survivorship Bias）：只看到"幸存"下来的样本，而忽略了那些因为"失败"而根本没出现在你的样本中的个体。
核心机制
你的样本是被"筛选"过的——而筛选的条件，恰恰与你要研究的结果相关。
这导致对真实情况的系统性高估。
生活中的例子
一、"老物件质量就是好"
"我家的老电风扇用了 30 年还没坏，现在的东西质量太差了。"
问题：当年生产的 1000 台电扇里，990 台早就坏了、被扔了、被回收了。
你看到的那一台，是万里挑一的幸存者。
这不能证明当年的平均质量更好——它只证明了"能存活 30 年的东西，看起来很结实"。
（注意：这不意味着"老物件质量差"——真实的比较需要当年的故障率数据，而非幸存者的口碑。）
二、创业的成功学
"某某辍学创业，成了亿万富翁。"
问题：数以万计辍学创业的人失败了——他们不会写书、不会被采访、不会上封面。
你看到的样本，是被"成功"这个条件筛选过的。
更糟的是：从幸存者身上总结的"成功要素"（如"敢冒险""不服输"），在失败者身上往往同样存在——差别只在于运气和当时的环境。
因此这些要素对成功几乎没有预测力。
三、投资业绩
"这只基金过去十年年化收益 20%！"
问题：
- 那些业绩差的基金，大多已经被清盘或合并了——它们从统计中消失了；
- 基金公司会重点宣传表现好的产品（这被称为"孵化"——先发行很多基金，把表现好的推到台前）；
- 结果：公开的基金业绩统计，通常系统性高估了实际可得的回报。
这解释了为什么"过去的业绩不代表未来的表现"这句免责声明如此重要。
四、"以前的人更吃苦耐劳"
问题：过去那些没能挺过来的人，不会留下记录和讲述。
同样地："以前的学生基础更扎实"——你看到的往往是通过层层筛选留下来的那一批（幸存者），而忽略了被筛掉的大多数。
五、音乐和电影的"黄金年代"
"现在的音乐不如 70 年代。"
问题：70 年代产生的大量平庸作品已经被遗忘了。你听到的，是几十年来被反复筛选后留下的精华。
这被称为"回溯性筛选" ——时间自动完成了幸存者筛选。
如何避免
一、问一句："缺失的样本在哪里？"
看到任何基于"成功的案例"的结论，先问：
- 失败者的数据在哪里？
- 这个样本是如何被选出来的？
- 如果我看到的是全部，会是什么样子？
二、寻找"分母"
不要只看"有多少人成功了"，要看"有多少人尝试了，成功率是多少"。
例子：
- "有 100 位亿万富翁是大学辍学生" ——听起来辍学很有用；
- 但如果告诉你"有 1 亿人辍学，其中 100 人成了亿万富翁（成功率 0.0001%）"——结论就完全不同了。
三、关注"沉默的证据"
这是纳西姆·塔勒布在《黑天鹅》中强调的概念：
历史是由胜利者书写的，而失败者的经验教训随他们一起消失了。
实践意义：在读历史、案例研究和传记时，要有意识地追问"那些没被记录下来的人经历了什么"。
四、在数据分析中主动处理
- 在做统计前，明确定义样本的选择标准；
- 检查是否存在"数据只包含了存活下来的个体"；
- 在分析金融数据时，使用 survivorship-bias-free 的数据集（这在专业的金融数据服务中是重要的卖点）；
- 在 A/B 测试中，注意只统计了留存用户会导致偏差。
一个相关的偏差：选择偏差
幸存者偏差是选择偏差（Selection Bias）的一种。
其它常见形式：
- 自我选择偏差：愿意接受调查的人，与不愿意的人可能系统性不同；
- 健康用户偏倚：服用保健品的人，往往本来就有更健康的生活习惯——这使得"保健品有效"的结论不可靠；
- 发表偏倚：阳性结果更容易被发表（前文正念一文中提到过）。
一句话
当你只看到成功者时，你看到的不是"成功的配方"，而是"被筛选过的片段"。
真正有价值的做法，是去找那些失败者——他们的经验往往更具信息量。
说明：本文为统计与思维模型的知识整理。