> ## Documentation Index > Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt > Use this file to discover all available pages before exploring further. # 统计思维 > 统计思维把变异当成常态，并先问数据是怎么产生的。了解其起源、1936 年《文学文摘》民调，以及边界。 **类别**: 思维
**类型**: 认知框架
**来源**: 休哈特，1931 年；斯尼，1990 年；怀尔德与普凡库赫，1999 年；ASA GAISE，2016 年
**别名**: 统计推理、变异思维、基于数据的探究 **快速回答** — **统计思维**（Statistical Thinking）是一种习惯：把变异当成常态，先问数据是怎么产生的，再用这张图来做决定。休哈特在 1931 年给过程变异分了类；斯尼、怀尔德与普凡库赫后来让这种习惯可教。核心启示很简单：数字堆得更多，还不等于答案更好。真正的工作在产生这些数字的过程。 ## 什么是统计思维？ **统计思维**（Statistical Thinking）是一种技能：把一个数字看成会波动的过程的产出，再问这个过程能不能撑住你想下的判断。 > 一种学习与行动的哲学，建立在三条原则上：一切工作都发生在相互连接的过程系统里；一切过程都存在变异；理解和减少变异是成功的关键。这是美国质量协会采用罗纳德·斯尼 1990 年论文后写入术语表的表述。它比“会用统计”更窄。软件能算出平均数。统计思维要问：什么在变、谁被算进去、怎样才会改这个数。美国统计协会 2016 年的 GAISE 大学报告用课堂语言说同一件事：把统计学教成解决问题和做决定的探究过程，而不是一袋公式。日常图像是体重秤。周一 72.1 公斤，周二 71.8，周三 72.4。把每次晃动当成“减肥成功”或“我失败了”，是在讲性格。[经验主义思维](/zh/thinking/empirical-thinking)说要去看。统计思维说要*这样*看：带着样本、变异来源和情境。看到一个带噪声的过程，再问后来那次下降是不是新原因——生病、换了秤、水分——才是统计思维。 [概率思维](/zh/thinking/probabilistic-thinking)讲的是几率。[贝叶斯思维](/zh/thinking/bayesian-thinking)在新证据到来时更新几率。统计思维是更前面那一步：让证据本身诚实——怎么抽的样、还有什么在动、用的是哪一种变异模型。[归纳推理](/zh/thinking/inductive-reasoning)从若干事例跳到普遍结论。统计思维要问：这些事例的产生方式，能不能扛住这一跳。 ### 统计思维的三层理解 * **入门**: 不要把一个数字当成真相。日常线索是一次成绩、一条评价、一份民调，或早晨的体重。 * **实践**: 每个汇总旁边写三行：算了谁、什么在变、怎样才会改这个数。两百万个有偏样本照样会骗人。 * **进阶**: 变异不只是噪声。休哈特的划分就是决策：普通原因变异要你改系统；特殊原因要你去找那一件事。乔治·博克斯的提醒仍在：所有模型都是错的，但有些有用——前提是你还拿着情境。 ## 起源统计思维起于如何在过程变异下行动，而不是给“算平均数”起的别名。 **1931** 年，**沃尔特·A·休哈特**出版《工业产品质量的经济控制》。他把变异分成属于系统的偶然原因，和可以追查的可指出原因。控制图是工具。**W·爱德华兹·戴明**把这一划分带进管理，变成普通原因与特殊原因。过程本来就会晃，你却去责罚工人，系统会更糟。作为可迁移习惯的这个名字来得更晚。**1990** 年，**罗纳德·D·斯尼**在 *The American Statistician* 上主张：全面质量需要统计思维，而不只是统计工具。同年，**戴维·S·穆尔**为数量素养列出核心要素：变异无处不在，你需要数据，而且必须设计这些数据怎么产生。**1999** 年，**克里斯·怀尔德**与**玛克辛·普凡库赫**在 *International Statistical Review* 里画出四维框架：探究循环、追问循环、思维类型，以及倾向。他们所说的统计类型包括：需要数据、注意变异、用模型推理，以及把统计绑在情境上。课堂政策跟了上来。美国统计协会的 GAISE 大学报告（**2005** 年，**2016** 年修订）把“教统计思维”列为第一条建议。2016 年修订加了两个重点：把统计学当成探究过程，并让学生接触多变量思维。那是对一种习惯的需求。定义仍然是斯尼的三条原则，加上怀尔德与普凡库赫的要求：你要审问数据，而不只是把它们展示出来。 ## 核心要点当一个数字被要求代表更大的世界时，统计思维才值钱。把整齐的汇总当成已经完成的判断，它就会失效。计数是产出。请了谁、谁答了、量的是什么、漏了什么？[分析思维](/zh/thinking/analytical-thinking)给部件起名。统计思维给让这些部件现身的抽样和测量步骤起名。一千万张寄出的卡片，仍可能在描述错误的总体。说不清数据怎么来的，你只有一堆，没有证据。对同一过程测两次，结果会不同。这是斯尼的第二条，不是紧急事件。通勤一天 28 分钟、一天 41 分钟，常常是系统，不是道德失败。对单次晃动采取行动，是在追逐噪声。先画出一串点，再改计划。休哈特的划分是一条决策规则。晃动落在惯常带宽里，就改进过程，不要找罪人。若有一点冲出带宽——新供应商、流感周、表格改了——就去找那件事。把两者混在一起，管理者就会为天气惩罚人。怀尔德与普凡库赫坚持：统计知识与题材知识要一起走。博克斯 1979 年的那句是谦虚：所有模型都是错的，但有些有用。[正态分布](/zh/models/normal-distribution)是工具，不是人的定律。[系统思维](/zh/thinking/systems-thinking)提醒你：这个数字坐在一张过程网里。丢掉情境，模型就会一本正经地撒谎。 ## 应用场景当一份汇总马上要变成决定时，用统计思维。若你已经知道样本根本不是那个总体，不要用它来拖延。一次考试是带噪声过程里的一次抽取：睡眠、题目运气、教了什么。画出几次分数，写下什么在变，若整条带宽都低，再改学习过程。一个 62 分不是性格。早期职业评价也一样：一条意见不是分布。庆祝 4.8 的满意度之前，先问调查了谁、谁从未作答。只寄给开心客户的表格，就是一份《文学文摘》名单。改抽样框，或者别再把平均数当成市场。称一周，不要称一个早晨。0.3 公斤的晃动通常是水分和时机。当一串点移动了，或出现新原因——生病、换了秤——再行动。家里的睡眠和通勤时间，也值得同一张图。说得出总体、日期和未应答，再转发那个百分比标题。巨大的自愿样本，仍可能漏掉从不寄回卡片的选民。学校和医院的公开评分也会这样失败：最重的病人往往是从不作答的那些人。 ## 经典案例统计思维面向公众的那个带数字的窗口，是 **1936 年《文学文摘》民调**——不是说一家杂志发明了抽样误差。《文学文摘》曾在 **1920**、**1924**、**1928**、**1932** 年美国总统选举中都叫对了赢家。**1936** 年，它寄出超过 **1000 万**张模拟选票，名单来自订户、电话簿、汽车登记和俱乐部名录。收回超过 **230 万**张——按后来任何民调标准都是巨大样本。杂志最后的计票是：**阿尔夫·兰登 55%**，**富兰克林·D·罗斯福 41%**，**威廉·莱姆基 4%**。它预测兰登会赢。选举日罗斯福拿下普选票 **60.8%**，兰登 **36.5%**，选举人票 **523** 对 **8**。乔治·盖洛普的美国舆论研究所用小得多的定额样本，已经把罗斯福叫成赢家。佩弗里尔·斯夸尔 **1988** 年在 *Public Opinion Quarterly* 上的再分析发现，偏差是叠了两层，不是一层：大萧条时期有电话和汽车的人在名单里过多；而愿意寄回卡片的人，也不是这些名单的随机切片。杂志没有缓过来。到 **1938** 年，它没了。边界说明：缺陷不是规模，是代表性。定额抽样在 1936 年帮了盖洛普，后来在 **1948** 年失败，当时主要民调都漏了哈里·杜鲁门。统计思维不是一次定型的方法。它是每次都要问的习惯：这次算了谁，这次的计数忽略了什么变异。 ## 边界与失效场景没有可抽样的过程时，统计思维会失效。独一无二、不可逆的选择——一次手术、一项条约——仍需要判断、价值和[因果思维](/zh/thinking/causal-thinking)。过去案例的分布可以告诉你几率。它不能代替决定。世界已经换档、昨天的变异是错误模型时，它也会失效。厚尾、体制切换、新的测量系统，会让一张稳定的控制图说谎。减少变异是斯尼对重复过程的第三条。它不保证下一次冲击会像过去五十次。常见误用是货船崇拜式的计算。你跑软件、给 *p* 值打星，却跳过数据怎么来的。美国统计协会 **2016** 年的声明说得很直：*p* 值或统计显著性，并不衡量效应大小，也不衡量结果重不重要。另一种误用是用更多数据代替更好的抽样框。《文学文摘》已经做过这个实验。 ## 常见误区这个英文名会撞上软件、平均数，以及 *p* \< 0.05 的迷信。《文学文摘》有两百多万份回函，仍然叫错了赢家。请谁来、谁作答，这类偏差不会随规模冲掉。代表性胜过体量。框错了，再多也是把错的放大。平均数是工具。斯尼的定义是关于过程和变异的哲学。怀尔德与普凡库赫的类型包括要数据、换表示、保住情境。GAISE 警告不要让课上完只剩一袋互不相干的公式。软件不会替你思考。美国统计协会 2016 年的原则说的不是这样。*p* 值不衡量假设为真的概率、效应大小，或你该不该行动。微小效应在巨大样本里会变成“显著”。大效应在小样本里可能跨不过 0.05。统计思维要把效应、设计和情境放在一起读。 ## 相关概念这些页面挨着同一个问题：怎样让证据改变决定，又不让坏样本冒充世界。用几率和期望值说话。统计思维是更前面那一步：让这些几率所靠的证据站得住。新数据到来时更新信念。更新能有多诚实，取决于数据产生过程。宁可观察，也不只靠纯理论。统计思维规定了在变异之下该怎么观察。从事例跳到普遍结论。统计思维要问这些事例能不能扛住这一跳。看见相互连接的过程。斯尼的第一条在这里；统计思维加上的是变异。给部件和接缝起名。统计思维加上抽样、测量和变异模型。 ## 一句话总结信一个数字之前，先问什么在变、谁被算进去、怎样才会改这个数。