二战飞机装甲难题是幸存者偏差（survivorship bias）的经典案例：只观察返航的飞机，却忽略那些没有返航的飞机。亚伯拉罕·瓦尔德（Abraham Wald）的洞见是，最重要的证据有时恰恰是缺失的证据。如果返航飞机某个部位的弹孔很多，那里受到攻击后或许反而更容易幸存，而未必是最该加装装甲的地方。
二战飞机难题与亚伯拉罕·瓦尔德的答案
第二次世界大战期间，分析人员检查了成功返回基地的作战飞机。返航飞机上有明显的损伤，机翼和机身等部位布满弹孔。一个很自然的建议是：在弹孔最多的地方加强防护。
在统计研究组（Statistical Research Group）工作的数学家瓦尔德，却换了一个角度来思考。这些飞机并不是所有在战斗中中弹飞机的随机样本，而是那些中弹后仍然幸存并成功返航的飞机样本。
这一差别会改变建议：
- 返航飞机上弹孔很多的部位，往往说明飞机在这些部位受损后仍有较大机会存活。
- 发动机等弹孔较少的部位，可能是因为一旦中弹，飞机更可能无法返航，因此在样本中出现得较少。
- 所以，应考虑为那些看似未受损的关键部位加装装甲，而不能仅因某处可见损伤最多，就自动优先加强那里。
这个故事的教训并不是“永远保护没有损伤的部位”，而是：先问一问，究竟是什么过程决定了你能看到哪些案例。
想了解更全面的入门说明和日常案例，可参阅幸存者偏差详解：案例、误区与快速测验。
为什么显而易见的答案如此令人信服
人的注意力会自然追随看得见的东西。返航飞机能提供地图、照片以及可计数的弹孔；未能返航的飞机则无法留下同样直接的记录。
这会造成一个失真的数据集：
| 问题 | 返航飞机能告诉你什么 | 它们单独无法告诉你什么 |
|---|---|---|
| 幸存者在哪里中弹？ | 可幸存损伤的位置 | 所有战斗中中弹的位置 |
| 哪些部位弹孔较少？ | 这些部位在幸存者中较少受损 | 它们是很少被击中，还是一旦被击中便致命 |
| 装甲应该装在哪里？ | 仅凭这些信息还不够 | 还需要推理未返航飞机的情况 |
错误在于，把“在幸存者中经常观察到”视为“在整体人群中很常见”。当是否幸存会影响能否被观察到时，这两者并不等同。
这与有效演绎和基于证据的归纳之间的区别密切相关。如果你想更清楚地把握这一差异，演绎推理与归纳推理：区别、案例与练习题会是很好的延伸阅读。
核心逻辑：一步一步看清楚
当一个数据集只包含赢家、幸存者、客户、毕业生、已发表研究或成功产品时，都可以使用以下步骤。
1. 确认被观察到的群体
在瓦尔德的例子中，被观察到的群体不是“二战飞机”，而是“从战斗中返航的二战飞机”。
这种表述很重要。一个样本即使规模很大、测量很仔细，也可能以系统性的方式不完整。
2. 点出缺失的群体
缺失的群体是那些中弹后未能返航的飞机。它们的受损模式可能与幸存飞机的模式大相径庭。
一个很有用的诊断问题是：要让结果呈现出这种样子，哪些人必须从数据中消失？
3. 判断是否由结果决定是否纳入样本
一架飞机只有在相关损伤后存活下来，才会出现在检查数据中。因此，是否幸存会影响它是否被纳入样本。
这正是幸存者偏差的标志：在你开始分析前，数据生成过程已经先筛掉了一些案例。
4. 重新解读可见的模式
返航飞机的机翼上有很多弹孔，并不表示机翼中弹是最大的威胁；它说明机翼中弹的飞机往往仍具备返航能力。
返航飞机发动机上的弹孔很少，也不能证明敌人很少瞄准发动机。一种合理的解释是，发动机中弹往往造成灾难性后果，因此没有返航飞机可供检查。
快速检验：识别幸存者偏差
当一段论证举出成功案例时，可以用以下四个问题检查：
- 被统计的是哪个群体？
- 哪些可比案例缺席了？
- 缺失案例是否可能具有不同特征？
- 结论是否假定被观察到的群体代表所有人？
如果第四个问题的答案是肯定的，这段推理就可能受到幸存者偏差影响。
例如，有人说：“几家大公司的创始人都中途离开了大学，所以离开大学是通往商业成功的可靠途径。”这些知名创始人很容易被列举出来，但更多离开大学却没有创办大公司的人，并未被纳入比较。
问题不在于成功创始人的案例毫无意义，而在于它们不足以用来估计通常会出现什么结果。
练习：你能发现缺失的证据吗？
请先自行判断每一题，再阅读解释。
练习 1：装甲建议
前提：返航飞机的机翼上有许多弹孔，但发动机上的弹孔相对较少。
结论：这些证据表明，应研究如何保护发动机，而不应直接认定机翼最需要优先加装装甲。
这个结论合理吗？
合理。这个结论意识到样本只包括幸存者。返航飞机发动机上的弹孔较少，可能意味着发动机受损常常会让飞机无法返航。注意其中谨慎的措辞：证据表明应当研究。它并没有声称，仅凭这一模式就能证明最终的工程决策。
练习 2：成功应用程序名单
前提：一份报告介绍了 50 款仍在运营的移动应用程序，其中大多数在上线第一年调整过定价模式。
结论：在那一时期上线的大多数移动应用程序，都在第一年调整过定价模式。
问题出在哪里？
这个结论从仍在运营的应用程序推广到所有上线的应用程序。已经关闭的应用程序可能采用了不同的定价路径，因此报告中的样本无法证明整个上线群体的典型情况。
前提只能支持一个更狭窄的结论：报告中大多数仍在运营的应用程序调整过定价模式。
练习 3：学习策略的主张
前提：一位教师采访了取得极高分数的学生，几乎所有人都表示完成了每一套布置的练习题。
结论：完成每一套布置的练习题，保证能取得极高分数。
你首先应该质疑什么？
首先质疑受访者的选择方式。那些完成了所有练习题却没有取得极高分数的学生没有出现。虽然“保证”一词也超出了证据所能支持的范围，但幸存者偏差才是核心问题，因为样本是按照成功结果筛选出来的。
更有力的结论应是：完成布置练习题，在被采访的高分学生中很常见。这一信息具有参考价值，但不能证明存在保证。
它如何出现在 LSAT 式缺陷推理中
幸存者偏差常表现为：论证依赖一个经过筛选的群体，却仿佛这个群体代表整体。措辞中可能会提到成功企业、康复患者、被录取的申请者、畅销书作者或完成的项目。
实用做法是准确重述样本：
> 这些证据涉及的是通过某个筛选过程而留存的案例，不一定涉及所有进入该过程的案例。
然后将这句话与结论进行比较。如果结论覆盖所有案例，就要寻找缺失的失败案例或未被选中的案例。
这是论证使用的证据可能不如表面上具有代表性的多种方式之一。若想系统学习如何检验前提与结论之间的关系，请阅读如何应对 LSAT 论证缺陷题：分步方法。
幸存者偏差不意味着什么
并非每一个成功故事都存在偏差。成功故事可以为某个人或组织如何取得成果提供有用证据。错误始于：不检视可比的失败案例，就用这个故事估计同样的方法整体上有多大可能奏效。
幸存者偏差也不意味着每个数量较少的类别都暗藏危险。在飞机案例中，观察到的发动机中弹次数少，可能有不止一种解释。瓦尔德的贡献在于认识到：如果不把缺失的飞机纳入考虑，可见数据本身无法解决这个问题。
良好的推理会同时把握两点：幸存者数据很重要，而缺席案例可能改变这些数据的含义。
常见问题
亚伯拉罕·瓦尔德的二战飞机装甲方案，真的是在没有弹孔的地方加装装甲吗？
大体来说是这样，但有一个重要限定。瓦尔德的推理重点在于关注返航飞机中出现得较少的脆弱部位，而不是制定一条“所有没有标记的部位都要加装装甲”的通用规则。
为什么返航飞机上的弹孔会误导人？
它们显示的是幸存飞机在哪里中弹，而不是所有飞机在哪里中弹。未能返航飞机的受损模式可能不同。
幸存者偏差和确认偏差是一样的吗？
不一样。确认偏差（confirmation bias）是指偏向接纳支持既有信念的信息；幸存者偏差则是从按幸存或成功结果筛选出的群体中得出结论，却忽略缺失案例。
我怎样在推理题中识别幸存者偏差？
留意证据是否只来自成功、幸存、被选中或可见的案例。然后问一问：结论是否假设这个群体也能代表失败案例和未被选中的案例？
结语
二战飞机装甲难题令人难忘，是因为它颠覆了一个直觉性的结论。返航飞机上的弹孔，说明的是飞机在哪些部位中弹后往往仍能幸存；而那些没有返航的飞机，携带着最难观察到的证据。当一项主张建立在可见的赢家或幸存者之上时，在相信这个模式之前，先界定缺失的群体。
想测试自己能否在新情境中发现“缺失飞机”的推理错误吗？试试这份互动幸存者偏差测验。