統計的藝術
大衛．史皮格霍特勒
57 分鐘
9 重點
4.7 評分內容重點
發現資料詮釋的力量，並學習如何運用統計方法做出有根據的決策。
您將學到
1. 統計的基礎 2. 了解資料的意義 3. 資料在決策中的角色 4. 避免統計上的錯誤 5. 統計在日常生活中的應用 6. 使用統計工具進行資料分析 重點
01統計不只是數學課
你聽到「統計」這兩個字，腦中浮現的是什麼畫面？是不是充滿了複雜的公式、令人頭痛的符號，還有大學時期那段差點被當掉的痛苦回憶？如果我告訴你，真正的統計學，跟你在學校裡學的可能完全是兩回事，它更像是一門藝術，一門教我們如何透過數據來理解世界的偵探學，你會不會有點好奇？ 這本《統計的藝術》的作者大衛．史匹格哈特，他可不是那種躲在象牙塔裡的老學究，他是英國最頂尖的統計學家之一，還因為對統計學的貢獻被女王封為爵士。他想告訴我們的第一件事就是：忘掉那些嚇人的公式吧！統計的核心不是計算，而是「提問」。沒錯，一切都始於一個好問題。 作者提出了一個超級實用的思考框架，叫做「PPDAC循環」，這五個英文字母分別代表： P (Problem)：問題 - 我們到底想知道什麼？ P (Plan)：計畫 - 我們要怎麼做才能找到答案？ D (Data)：資料 - 讓我們開始收集資訊吧！ A (Analysis)：分析 - 這些資料告訴了我們什麼故事？ C (Conclusion)：結論 - 所以呢？這一切代表什麼意義？ 聽起來是不是沒那麼可怕了？這根本就是我們解決日常問題的思路嘛！比方說，你想知道「每天喝一杯珍珠奶茶，真的會變胖嗎？」這就是你的「問題（Problem）」。 接著，你會開始「計畫（Plan）」。我該怎麼找出答案？我應該找兩組人來實驗嗎？一組每天喝，一組完全不喝？我要追蹤多久？一個月？三個月？我要怎麼測量「變胖」？是只看體重，還是要看體脂率？這些思考過程，就是統計學的計畫階段。一個好的計畫，能讓你避免走一堆冤枉路。 再來是「資料（Data）」。你開始執行你的計畫，每天記錄兩組人的體重、體脂、飲食內容。這些原始的紀錄，就是你的資料。這個階段的重點是「忠實記錄」，不能因為某天某個人吃了大餐，就覺得這個數據「不準」而把它刪掉。 然後，最有趣的「分析（Analysis）」階段來了。你把這一個月的資料攤開來看，可能會畫個圖表，比較兩組人體重變化的趨勢。你會發現，喝珍奶那組的平均體重，是不是真的比沒喝的那組增加了？體脂率的變化又是如何？有沒有什麼特例？比如，有人天天喝，但因為他同時也在瘋狂健身，所以反而變瘦了？分析，就是從一堆看似雜亂的數字中，找出模式和規律，像個偵探一樣，尋找線索。 最後，就是「結論（Conclusion）」。根據你的分析，你可能會得到這樣的結論：「在這次為期一個月的實驗中，每天喝一杯全糖珍珠奶茶的組別，其平均體重比對照組增加了1.5公斤。這顯示，在其他條件不變的情況下，每天攝取珍珠奶茶可能與體重增加有關。」同時，你也要說明這個結論的局限性，比如這次實驗的樣本數很小，或者時間不夠長，所以不能完全推論到所有人身上。 你看，從頭到尾，我們有用到任何複雜的數學公式嗎？沒有。這整個過程，就是一趟充滿邏輯與思辨的旅程。作者說，這就是統計的「藝術」所在。它不是冷冰冰的計算，而是充滿人性的探究。它需要我們發揮好奇心去提問，發揮創造力去設計計畫，發揮嚴謹的態度去收集資料，發揮洞察力去分析，最後，用清晰且誠實的方式，說出我們從數據中學到的故事。 這跟我們平常在新聞上看到的統計數字有什麼不同？最大的不同在於，我們通常只看到「結論」。例如，「研究顯示，喝咖啡可以降低罹患心臟病的風險！」但我們很少去問：這個「研究」是誰做的？它的「問題」是什麼？它的「計畫」有多嚴謹？它收集了多少人的「資料」？追蹤了多久？它是如何「分析」的？有沒有可能，是那些本來就比較注重健康、有餘裕喝咖啡的人，心臟病風險才比較低？ 如果我們不懂得去問這些問題，我們就只能被動地接收這些結論，把它們當成聖旨。但一旦你掌握了PPDAC這個思考框架，你就等於拿到了一把萬能鑰匙，可以去打開任何統計數據的黑盒子，親自檢視裡面的東西是貨真價實的黃金，還是只是鍍了金的廢鐵。 所以，統計學遠比我們想像的更貼近生活。它不只是考試卷上的一道題目，它是我們在這個資訊爆炸時代，用來辨別真偽、做出明智決策的必備工具。從決定要不要買某支股票，到評估一種新的減肥方法有沒有效，再到看懂政府公佈的疫情數字，背後都隱藏著統計的邏輯。 這本書，就是要帶我們走一遍這個完整的旅程。它會教我們，在每個環節，有哪些常見的陷阱，有哪些我們必須睜大眼睛看清楚的「眉角」。這趟旅程的起點，就是先建立一個正確的心態：統計不是數學，它是一門解決問題的藝術與科學。有了這個心態，我們就能擺脫對數字的恐懼，開始享受從數據中挖掘真相的樂趣。準備好了嗎？讓我們一起來學習如何像個偵探一樣思考吧！
02你的數據可信嗎？
我們上一章聊到，統計就像一趟偵探之旅，而PPDAC循環就是我們的辦案地圖。這趟旅程的第一站，就是要問對問題，然後制定一個好計畫。但接下來，我們要面對一個最關鍵，也最容易出包的環節，那就是「資料（Data）」。俗話說得好，「垃圾進，垃圾出」（Garbage In, Garbage Out），如果一開始收集到的資料就有問題，那後面不管你用多厲害的分析方法，得出來的結論也只會是一堆沒用的垃圾。 那麼，什麼樣的資料才算是「好資料」呢？作者告訴我們，關鍵在於「代表性」。也就是說，你收集到的這一小群人的資料，能不能真實地反映出你想要研究的那一大群人的樣貌？ 舉個例子，假設你想知道「台灣上班族平均每天花多少時間通勤？」你跑到台北捷運的忠孝復興站，在早上八點發問卷，問了一千個行色匆匆的上班族。這樣收集到的資料，你覺得能代表全台灣的上班族嗎？ 恐怕不行。首先，你只在台北問，那中南部、東部的上班族呢？他們的通勤狀況可能完全不同。其次，你只在捷運站問，那那些開車、騎機車、搭公車，甚至走路上下班的人呢？他們都被你忽略了。最後，你只在早上八點問，那些需要輪班、工作時間比較彈性的人，也都被你排除了。 你這樣做，就犯了一個統計上最常見的錯誤，叫做「抽樣偏差（Sampling Bias）」。你的樣本（那一千個在忠孝復興站被你問到的人），根本無法代表你的母體（全台灣所有的上班族）。用這個有偏差的樣本得出來的結論，比如說「台灣上班族平均通勤時間為一個半小時」，很可能就會嚴重高估實際情況。 這就是為什麼我們常常在網路上看到一些很瞎的民調。比方說，某個汽車論壇辦了一個投票：「你下一台車會考慮買電動車嗎？」結果顯示90%的網友都說會。這個媒體小編看了可能就馬上發一篇新聞：「台灣駕駛人心態轉變！九成車主未來將換購電動車！」但這可信嗎？當然不。會去逛汽車論壇，又願意參與投票的人，本身很可能就是對車子、對新科技特別有熱情的一群人，他們的想法，怎麼能代表所有開車的人呢？ 那麼，要怎麼做才能避免抽樣偏差，得到有代表性的資料呢？統計學家發明了一個最強大的武器，叫做「隨機抽樣（Random Sampling）」。 「隨機」這兩個字聽起來很簡單，但執行起來卻非常嚴謹。它的核心精神是：母體中的每一個成員，都有「相同」的機會被選中。這就像我們辦抽獎，會把所有人的名字都丟進一個大票箱裡，然後攪拌均勻，再伸手進去盲抽。這樣對每個人才公平，抽出來的中獎者，才不會有爭議。 做研究也是一樣的道理。如果要認真地做前面那個通勤時間的調查，研究機構可能會先從政府那裡，拿到一份涵蓋全台灣、各行各業的上班族名冊（當然要去掉個資），然後用電腦程式，像抽獎一樣，從裡面隨機抽出幾千個號碼，再派訪員去一一聯繫這些被抽中的人。這樣得到的樣本，才會比較接近全台灣上班族的真實樣貌。 你可能會想，這樣也太麻煩了吧！的確，完美的隨機抽樣，既花錢又花時間，在現實世界中很難做到百分之百。但重點是，我們要對「資料是怎麼來的」這件事，抱持著高度的警覺心。 下次當你看到一則報導說，「調查顯示，有七成的民眾支持XXX政策」，你腦中第一個警鈴就該響起。你要去問：這個「調查」是誰做的？他們是怎麼找到這些「民眾」的？是在網路上讓人自由填寫的嗎？那可能只有對這個議題特別有意見的人才會去填。是在路邊攔人問的嗎？那他們在哪條路、什麼時間攔人？這些細節，都會嚴重影響調查結果的可信度。 作者在書中舉了一個經典的例子，就是1936年的美國總統大選。《文學文摘》這本雜誌，寄出了一千萬份問卷，回收了兩百多萬份，根據這個超巨大的樣本，他們信心滿滿地預測共和黨的候選人會大勝。結果呢？民主黨的羅斯福壓倒性地贏了。 為什麼會錯得這麼離譜？因為他們的抽樣出了大問題。他們是從電話簿和汽車登記名單去找人的。但在1936年那個年代，家裡有電話、有汽車的，大部分都是比較有錢的共和黨支持者，而廣大的勞工階級、窮人，也就是羅斯福的主要票倉，根本就不在他們的名單上。他們的樣本雖然大，卻有著致命的偏差。 與此同時，一個叫蓋洛普的年輕人，只用了幾千人的隨機樣本，就成功預測了羅斯福會勝選，從此一戰成名，開啟了科學民調的時代。這個故事告訴我們：樣本的「品質」，遠比「數量」來得重要。一個小而美的隨機樣本，勝過一個大而偏頗的垃圾樣本。 除了抽樣偏差，資料的來源還有很多其他的坑。例如，問題的問法也會影響答案。如果我問你：「為了下一代的健康，你是否支持政府課徵含糖飲料稅？」這樣帶有引導性的問法，可能會讓你更傾向於回答「是」。但如果我換個方式問：「你是否支持政府加稅，讓你的手搖飲變得更貴？」答案可能就完全不一樣了。 所以，當我們在解讀任何統計數據之前，一定要先像個龜毛的偵探一樣，對資料的來源進行一番嚴格的審查。問問自己：這個數據是怎麼來的？樣本是誰？是怎麼被選出來的？有沒有可能存在系統性的偏差？問問題的方式公正嗎？ 如果這些問題的答案都交代不清，那這個統計數據的可信度，就要先打上一個大大的問號。記住，面對數據，我們的第一反應不該是全盤相信，而應該是「等等，讓我想想」。這種批判性的思考，正是《統計的藝術》想教會我們的核心技能之一。
使用 LeapAhead 應用程式繼續閱讀
完整摘要正在應用程式中等您
03. 數字到底想說啥
04. 別被相關性騙了
05. 賭一把的科學
06. 從一小撮人看全世界
07. 好故事比好數據更危險
08. 結語
關於 大衛．史皮格霍特勒
大衛．史皮格霍特勒（David Spiegelhalter）為英國知名統計學家，現任教於劍橋大學統計實驗室，並擔任溫頓風險理解講座教授。他長期致力於統計學與風險溝通的研究，是該領域備受推崇的權威之一，同時也是活躍於公共領域的統計教育者，擅長以清晰易懂的方式，引導大眾正確理解數據、機率與不確定性。在《統計的藝術》中，他結合嚴謹的學術基礎與豐富的實務經驗，展現統計思維如何幫助我們更明智地解讀世界。
