第一章 内在有偏的样本
主要将通过偏差的样本来获得想要的数据,文中举例耶鲁大学毕业生的工资来说明这个问题,给出统计结论时却并未给出样本,通过合理的猜测,可以知道这样的样本是有偏差的,例如能联系上的人一般都不穷,愿意告诉别人自己工资的人更不穷
第二章 精心挑选的平均数
一般给统计结论时却并不给出是那种平均数,是算术平均还是中位数或者是众数,通过这种方式来欺骗人,例如最近很流行的居民平均居住面积,平均收入等
第三章 没有披露的数据
反复做试验,指给出对自己有利的数据,例如我想证明抛硬币正面出现的次数是80%,那么我每次抛10次,反复抛,直到某次试验正面出现8次,以此作为支持我结论的数据
第四章 毫无意义的工作
计算某一个数据时,需要知道这个数据可能的误差,如果不考虑这个误差,则数据毫无意义,例如智力测验,需要首先明确测验可能的误差,例如正负3,平均智力是100正负3,如果不考虑这个误差,而直接说平均智力是100,a的智力是98,b的智力是101,b的智力比a的好,这样的结论是没有意义的
第五章 惊人的统计图形
通过对图形的夸张画法,来达到误导读者的目的,例如将y轴不从0开始,x,y比例不一致等
第六章 平面图形
本章与上一章比较类似,不过图形换成了平面图形,平面图形不只有高度还有宽度,例如通过钱袋子来比较工资,本来2倍的工资只需要钱袋子高两倍就可以,但这样不协调,因此要更宽,更鼓,导致的结果就是不是2倍,看着是8倍
第七章 不相匹配的资料
问题本身并不能真实地反映这个问题所代表的观点,例如黑人与白人的就业机会均等 == 黑人与白人平等,事实上有种族歧视的人更愿意回答二者的工作机会相等,而同情黑人的人更愿意回答不等,另外很多数据与最终的结论也没有多大的关系,例如药物实现,实验室的环境,药物与最后在药店里购买的药物有可能很不一样,或者实验室环境与人体环境差别很大,等等,都导致数据的不准确性。同样晚上发生车祸的次数明显多于早上,因此你有可能认为早上发生车祸的概率较低,但同时晴天发生车祸的次数也比雾天发生车祸的次数多,能认为晴天更危险吗?!!事实上仅仅是由于晴天比雾天的天数多很多,自然车祸次数就要多。因此看数据时一定要弄清楚这个数据与结论是否相关,相匹配。又例如投资回报率,有家公司说自己的投资回报率是1%,还低于银行利率,但实际是这样的吗?例如我早上投资99份,中午收获1美元,那我的投资回报率确实是1%,但我的收益比存银行还低吗?
第八章 相关关系与因果关系
相关是两件事情一起出现的概率,例如吸烟和成绩差就经常一起出现,但不是相关的就是因果关系,例如不能说吸烟导致成绩差,相关与因果关系是没有多少关系的,实际上很有可能是A与B相关,是因为A和B都是另一个原因的产物,但人们往往想在AB之间找到因果关系。同时也有很多事情只是一起发生,人们也就乐于将其说成因果关系,例如随着消费水平的增加,最低工资阶层的绝对工资在上涨,但这却往往被说成某些人的政绩。又例如感冒发烧导致跳蚤减少,却被说成因为有跳蚤所以健康。