The Evidence That Isn't There: Why We Learn from Survivors and Learn Wrong
所有关于成功的方法论，都建立在一批被结果筛选过的样本上。问题不在于我们看不见失败者，而在于我们常常不知道「看不见」这件事本身已经是一次筛选——于是把幸存者的特征当成了原因
一、返航的飞机
1943 年，哥伦比亚大学的统计研究组（Statistical Research Group）接到一项很具体的任务：给轰炸机加装甲。装甲有重量，只能装在关键部位，问题是装在哪。
军方带来了一份很干净的数据：返航飞机上的弹孔分布。机翼最多，机身中段次之，发动机和油箱附近最少。按这份数据的指引，最该加固的显然是弹孔最密的地方。
沃德（Abraham Wald）给出了相反的结论：应该加固弹孔最少的地方——发动机、油箱、驾驶舱。
理由只有一句：你看到的只是回来的飞机。 在发动机上中弹的飞机没有回来，所以它们的弹孔从未被记录。返航飞机上弹孔稀少的部位，不是因为那里不容易中弹，而是因为在那里中弹的飞机已经不在这一页表上了。沃德为此写了一份正式报告（《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》，统计研究组，1943 年，编号 CRC 432，后由海军分析中心于 1980 年重印）。
这个故事在管理培训里被讲了无数遍，通常被讲成「逆向思维」的范例。这个讲法恰好丢掉了最重要的部分。沃德做的不是灵机一动，而是一件更笨也更硬的事：他建立了一个估计模型，用可见的损伤分布去反推不可见的生存函数。他不是猜到了答案，他是把「缺失」本身当成了数据来建模。
这是本文要处理的问题：当我们从经验中学习时，那些没有进入样本的东西，究竟带走了什么；以及，在什么条件下我们仍然可以从残缺的样本里学到真东西。
二、删失有三种，只有一种能被统计处理
统计学给这类问题起了名字：删失（censoring）。它指的不是数据有错，而是某些观测因为某种原因根本没有被记录下来。关键在于，删失分两类，性质完全不同。
第一类是随机删失。一项为期五年的临床试验，有的病人第三年搬走了，此后失访。只要失访与病情本身无关，这类缺失是可以被处理的——生存分析里的 Kaplan-Meier 估计就是为此设计的，它把「不知道后来怎样」的人按已知的存活时间计入风险集，而不是简单删掉。随机删失损失的是精度，不是有效性。
第二类是信息性删失：缺失的概率本身取决于结果。基金清盘、公司退市、创业者转行、门店关门——它们从数据库里消失，而消失的原因恰恰是表现差。这时候删掉它们，不是减少样本，而是系统性地删掉了分布的下半段。任何在这个剩余样本上算出的均值、增长率、存活率，都是被抬高的。
还有第三种，最容易被忽略：在场但沉默。客户没有投诉不等于满意，员工没有反对不等于同意，读者没有反馈不等于读懂了。这一类删失不留痕迹，因为被删掉的人还在你的样本里，只是他们的信息从未被采集。
三者合起来指向同一个枢纽，也是本文全部论证的支点：
缺失本身不是问题，缺失与结果相关才是问题。
一个样本残缺到什么程度并不要紧，要紧的是「谁不见了」和「为什么不见」这两件事，是否与你要解释的那个结果纠缠在一起。如果是，那么样本规模再大也无济于事——你不是样本太小，你是样本被结果挑选过。
三、为什么幸存者的故事特别有说服力
如果幸存者偏差只是一道统计题，它不会如此顽固。它顽固，是因为它同时得到了三种认知力量的支援。
第一是叙事完整性。 成功者有完整的故事：起点、转折、决策、结果。失败者只有断裂——公司没了，当事人不愿谈，档案散了。故事越完整，越像解释；而断裂的部分不构成故事，也就不进入讨论。于是我们讨论的从来不是「全部案例」，而是「有故事的案例」。
第二是可得性。 可见的样本占据注意力，而注意力是稀缺的。这一点在信息过剩的环境里反而加剧：能被讲述的成功被反复讲述，不能被讲述的失败连一次讲述的机会都没有。
第三层更隐蔽：幸存者叙事自带因果外观。 因为它成功了，所以它的每一个特征都被读成原因。罗森茨维格（Phil Rosenzweig）在《光环效应》里把这类研究的错误归成三种：依赖二手报道因而充满光环、把因果方向弄反（公司先成功，才有余裕去「专注」，而不是因为专注才成功）、以及把相关当成因果的「组织物理学」。
柯林斯的《从优秀到卓越》是检验这三点的好样本。它出版于 2001 年，研究区间是 1965 至 1995 年，选出 11 家「实现跃迁」的公司，并为每家配了一家同行业、面临相似机会却未能跃迁的对照公司。这份设计比大多数同类著作认真得多——它确实做了对照。但问题出在更前面：「卓越」是按结果定义的。 先按股价表现挑出赢家，再回头找它们的共同点，共同点必然存在，这是逻辑必然，不是发现。这就是事后分层。
芝加哥大学的史蒂文·莱维特（Steven D. Levitt）做过一个直接的检验：如果在 2001 年按这本书的名单建一个组合，它会跑输标普 500 指数；11 家公司里只有纽柯（Nucor）大幅跑赢，雅培与富国银行表现尚可。而名单上的电路城（Circuit City）在 2008 年申请破产保护、次年清盘，房利美（Fannie Mae）在 2008 年 9 月被政府接管。
这不是说研究不诚实。这是说：当样本按结果选取时，方法论上的严谨也无法补救结论的时效性——你描述的是「曾经卓越过的一组公司」，读者收到的却是「卓越的配方」。
对照之下，《商界局外人》研究八位 CEO 时用的是同期同行业的对照 CEO，并且用每股价值而不是营收规模来衡量，这在设计上就避开了「按结果划线」。而《百倍股》研究历史上涨过一百倍的股票，问题不在于研究不认真，而在于「一百倍」这个门槛本身就是结果——按定义，只有活到那一天的公司才在名单上。
四、反方：删失并不总是致命的
如果论证停在这里，结论会是「一切成功学都不可信」。这个结论太强，而且错。至少有三条有力的反驳。
第一，沃德本人就是反例。 他用的全部数据都来自幸存者，却得出了正确结论。这说明信息性删失并非不可逾越——只要你把缺失机制写进模型，用可见部分的形状去反推不可见部分的形状。这是可以被数学化的工作，不是玄学。真正致命的不是删失，是不知道自己在删失。
第二，随机删失完全可以处理。 临床试验、设备寿命、保险赔付，这些领域每天都在和数据缺失打交道，靠的不是追求完整，而是明确假设缺失与结果独立，然后在这个假设下估计。缺数据是可以的，缺假设不行。
第三，向成功者学习有独立价值。 它证明可行解存在。你不需要知道所有失败的原因，才知道某条路走得通；你只需要一个反例就足以否定「不可能」，而一个正例就足以否定「不可行」。这是存在性论证，它比因果论证弱，但它便宜、可靠，而且往往正是决策当下唯一能拿到的东西。如果要求「必须有完整样本才能学习」，结果是学习瘫痪——而在历史、军事、创业这些失败样本根本无从获取的领域，拒绝学习比学错更糟。
所以辩护是成立的，但它有前提：这些辩护全部依赖「缺失机制可以被显式说明」。 一旦缺失机制不明、且与结果相关，从幸存者出发的任何因果断言都不成立。反方赢的是「不必绝望」，不是「可以随便归纳」。
五、判断：三个判据
据此可以给出一组可操作的判据。读任何一本成功学、管理书、投资书，或者复盘自己的一次判断，先问三件事。
一、缺失是否与结果相关。 如果消失的原因正是你要解释的那个结果——业绩差所以清盘、亏损所以退赛、失败所以不写回忆录——那么样本就是被结果筛选过的。这时候你算出的任何比率都只是幸存者的比率。
二、有没有独立的失败样本。 注意措辞：不是「有没有失败者」，而是「失败者的数据是否以同样的方式被采集」。事后在记忆里找几个反例不算，因为能被想起来的反例同样经过了一次筛选。这一步必须靠设计，不能靠回忆。
三、你的结论是存在性还是因果性。 「有人这样做并且成功了」是存在性断言，弱，但通常安全。「因为这样做所以成功」是因果断言，强，但需要对照、需要排除、需要时间。把前者说成后者，是绝大多数商业叙事的失真方式。
三个判据都过，你得到的也只是「在某个已经消失的世界里成立的相关性」。这不是悲观，这是准确的成本核算：幸存者偏差不是一种可以被彻底消除的偏差，它是从有限经验中学习的结构性代价。
真正可做的不是假装已经校正过，而是据此调整结论的强度——把「这样做会成功」降级为「这样做曾经成功过，样本被结果筛选，且失败者无从查证」。这个句子读起来远不如前者有力量，但它包含的信息更多，而且它是真的。
谦逊在这里不是一种态度，而是一种技术：承认你的样本是被挑选过的，然后让结论的强度与样本的强度匹配。做不到这一点，学得越多，错得越整齐。
