幸存者偏差 vs 损耗偏差：区别到底在哪？

幸存者偏差和损耗偏差都会因为漏掉相关案例而误导判断，但它们描述的是两种不同的机制。幸存者偏差来自只看通过了某道筛选或"可见性"过滤的案例；损耗偏差来自一个最初已被纳入或观察的样本，在后续跟踪中发生了"有信息量"的流失。这个区别在研究、考试成绩宣传和产品留存看板里都很要紧。

一句话答案

损耗可能让研究者手里只剩一群"幸存者"，但两个术语指向的是不同的事实。幸存者偏差强调的是决定谁可见的那道过滤；损耗偏差强调的是一个明确起始样本随时间的流失。

两者的修正都从分母开始：找出结论声称要描述的完整群体，而不是只看还能拿来检查的那些案例。

幸存者偏差：从看得见的幸存者身上总结经验

当结论建立在通过了某种选择、筛查或可见性过滤的案例上，而失败、中止或以其他方式缺席的案例被忽略时，就出现了幸存者偏差。

这道过滤不一定是字面意义上的"存活"。它可以是一家公司还在经营、一个学生读完了项目、一个产品仍在被使用，或者一个故事因为结局好而获得了关注。

研究例子：某项目的毕业生

一所大学只调查读完某研究生项目的学生，发现他们汇报的职业发展很好，于是得出该项目能稳定产出这种结果的结论。

这里的问题是幸存者偏差，因为调查以"完成项目"为条件。入学但没读完的学生不在样本里，而他们的结果对"该项目整体效果"的说法是相关的。

被拒的申请者、去了其他项目的人可能也重要，如果大学想说是这个项目造成了差异的话。但那是另一类对照组问题，不是这个例子里核心的幸存者问题。

考试例子：高分者的经验

一个备考网站采访了成绩优异的学生。很多人说自己每个周末做一套完整模拟题，于是读者得出结论：这个安排能稳定带来好成绩。

这个结论可能就是幸存者偏差。读者看到的是用了这个安排的成功学生，看不到用了类似安排却考得不好、练到倦怠、或者中途放弃的学生。

这些建议仍可能有用。它自己无法证明的，是这个安排导致了高分，或者它对大多数学生都有效。这是幸存者偏差详解：例子、常见误区与快速测验里讲的那类更广泛推理错误的常见变体。

产品例子：只分析留下来的用户

一个订阅产品团队研究最活跃的现有用户，发现他们在第一周经常使用某个功能，于是决定向所有新用户推广该功能来提升留存。

被观察的这些用户通过了"留存"这道过滤：他们还活跃着。已流失的用户可能试过这个功能但不喜欢，也可能因为引导流程失败根本没走到那一步。现有用户并不自动代表所有注册过的人。

更好的起点是最初的注册队列，然后比较留存用户和流失用户。这方面最经典的历史案例是二战中的幸存者偏差：那架布满弹孔的飞机。

损耗偏差：跟踪期间"有信息量"的流失

当一个最初被纳入或观察的样本，其成员在跟踪期间流失，而这种流失改变了剩余数据能公正说明的东西时，就出现了损耗偏差。

光有流失还不够。两组之间流失率不同是一个警示信号，但它既不是损耗偏差的必要条件也不是充分条件。两组流失同样多，如果离开的人在与结果相关的特征上有差异，流失照样"有信息量"；反过来，流失率不同也未必实质性地扭曲结果，只要流失和被估计的结果无关。

核心问题不只是"走了多少人"，而是"缺席的这些案例会不会改变比较或估计"。

研究例子：压力管理课程

一项研究跟踪被分配去上压力管理课程的员工和对照组员工。跟踪期间，课程组里初始压力最高的人特别容易不再回复问卷。

到最后一次问卷时，课程组剩下的人报告的压力低于对照组。这个结果可能被扭曲了，因为被观察到的课程组已经不再代表所有开始干预的人。这种流失是有信息量的：它和一个对结果重要的特征相关。

一份严谨的报告应该给出每组开始时有多少人、每次跟踪时还剩多少、以及关于缺失观测已知的信息。

考试例子：推理训练营

一所学校跟踪报名了十周推理训练营的学生，在结束时测量模拟考的进步幅度。最吃力的学生更可能中途不来了，错过最终测评。

如果学校只报告完成最终测评的学生的平均进步，估计可能过于乐观。问题不只是有人走了，而是从最初报名样本里的流失和可能的成绩相关。

这是损耗偏差，因为相关的扭曲是在跟踪期间形成的，而不只是一堆按成功筛选出来的见证。

产品留存例子：引导流程实验

一个产品团队把新用户随机分到两个版本的引导流程，两个月后请他们填满意度问卷。早早取消订阅的用户几乎不会填。

假设 A 版本在回复者中的满意度更高。这可能说明引导做得更好，但如果不满意的用户在 A 版本的跟踪回复中缺席得更多，这也可能是损耗偏差。两组回复者可能已经和最初分配的两组不可比了。

有用的分析会保留最初的队列，并把跟踪完成率和满意度结果放在一起报告。

怎么区分幸存者偏差和损耗偏差

读研究、论证、成绩宣传或数据看板时，按这个顺序问：

1. 结论声称描述的是哪个群体？
2. 用作证据的是哪些被观察到的案例？
3. 可见性是否取决于通过某道选择过滤？
4. 是否有案例最初被观察到、后来在跟踪中流失？
5. 缺失的案例有没有可能改变结论？

当论证把可见的幸存者当作代表、无视被筛掉的案例时，叫它幸存者偏差。当最初样本在跟踪期间的有信息量流失扭曲了结果时，叫它损耗偏差。

真实案例可以两者兼有。一项研究可能只招募某项目的毕业生，然后在后续跟踪中又不均匀地流失了毕业生。当两种机制各自解释了不同的问题时，把两个都点出来。

这种诊断对逻辑推理题很有用：把陈述的证据和结论声称覆盖的群体分开。要更系统地识别论证漏洞，参见 LSAT 逻辑推理题型：如何识别并解决每一种。

快速辨认练习

1. 盈利的创业公司

一档播客采访达到盈利的创业公司创始人，因为受访者多数没拿外部融资，就得出"不融资是最好的策略"的结论。

答案：幸存者偏差。 播客先挑出了盈利的公司，再从这些可见的幸存者身上泛化。它漏掉了同样没融资但失败或没能盈利的公司。

2. 课程完成率结果

一门在线课程在报名时和八周后各测一次。进步很小的学生更可能不再登录、错过最终测评。课程方只报告完成了测评的学生的进步。

答案：损耗偏差。 这些学生一开始在被观察的样本里，之后在跟踪中流失，而流失和"进步"这个被测量的结果相关。

3. 设备可靠性

一家医院请员工评价目前在用设备的可靠性。因反复出问题而被撤下的设备不在评价范围内。

答案：幸存者偏差。 证据只限于还在使用的设备，排除了会影响可靠性估计的故障设备。

三道题够看出模式，不够练成本能。幸存者偏差测验再给你十二个场景，答完即判，每条解析都点名那道"过滤"在哪。

常见问题

幸存者偏差和损耗偏差是一回事吗？

不是。幸存者偏差关注的是以"通过过滤的可见案例"为条件；损耗偏差关注的是最初被观察样本在跟踪期间的有信息量流失。损耗可能留下一群"幸存者"，但因果机制不同。

两组流失率不同就一定是损耗偏差吗？

不一定。流失率不同应该引起审视，但它本身不能确立偏差。缺失的案例必须在某种会改变估计或比较的方式上有所不同。

流失率相同还会有损耗偏差吗？

会。如果结果更差的人在两组里以相似比例离开，用剩余样本做的估计仍可能被扭曲。百分比相似并不保证缺失的信息相似。

怎么在备考建议里识别幸存者偏差？

问一句：用了同样方法但没成功、中途放弃、或者根本没出现在成功故事样本里的人怎么样了？高分者的建议可以用来提出假设，但它不自动成为"普适方法"的证据。

结论

幸存者偏差关乎被选择过滤"露出来"的案例；损耗偏差关乎一个明确样本在跟踪期间的有信息量流失。无论哪一种，更好的推理都从三个问题开始：谁不见了，为什么不见了，手头这些案例撑不撑得起结论。