學科分類
統計學
學科編號
思維模型 ｜統計學004
簡介
只看到活下來的，忽略了消失的，就會得出錯誤的結論
英文名
Survivorship Bias
統計學思維模型 統計類模型聚焦於不確定性和資料規律，幫助我們認識機率陷阱、避免認知偏誤，用資料客觀看待世界。
倖存者偏差
Survivorship Bias
圖表中紅點標示的是返航飛機中彈的位置。這些數據僅顯示飛機被擊中哪些部位後仍能安全返航。倖存者偏差：你所獲得的資訊僅來自倖存樣本。
只看到活下來的，忽略了消失的，就會得出錯誤的結論
簡介
倖存者偏差（Survivorship Bias）是指：我們往往只關注那些成功或存續至今的案例，而忽略了那些已經失敗、消失或未被記錄的樣本，從而得出偏頗甚至錯誤的判斷。這是一種常見的認知偏誤，特別容易在研究、決策與故事敘述中出現。
最經典的例子來自二戰：盟軍分析返回基地的飛機，發現某些部位彈孔最多，於是準備強化這些區域的裝甲。統計學家指出，應加強的是「沒有彈孔」的地方，因為那些在這些部位中彈的飛機早已墜毀，無法返航（即「倖存者」樣本中不存在它們）。
為何重要？
倖存者偏差讓我們誤以為觀察到的就是全部，從而忽略了背後龐大的「沉默樣本」。這會導致過度樂觀、錯估風險、過度模仿成功者、忽視系統性失敗原因等後果。在分析數據、制定策略、學習成功案例時，若不警惕這種偏差，容易走入錯誤結論的陷阱。
應用場景
- 創業與成功學敘事 市面上充斥「XX創業成功祕訣」，但這些故事通常忽略了用同樣方法卻失敗的成千上萬人。模仿成功者可能只是幸存者效應，而非普遍可行之路。
- 投資分析與基金表現 如果只看仍在運營的基金績效，可能會低估整體風險。許多表現差的基金早已被關閉或合併，未被納入統計中。完整評估應涵蓋已消失的樣本。
- 教育與考試榜樣 學校推崇某位成績突出的學生作為典範，忽略了相同努力方式卻效果平平或失敗的學生，這容易誤導他人複製不可複製的成功模式。
- 產品評論與商業數據 只看留下好評或繼續使用產品的客戶反饋，會忽略那些已經流失、無聲離開的不滿用戶，這讓決策變得過度樂觀。
如何有效地使用？
- 主動追問「誰被排除在外？」：這個數據或故事中，有誰沒有被呈現？
- 關注樣本完整性：分析時盡量納入失敗、退出、未完成者等被忽視的群體
- 結合失敗案例研究：除了成功經驗，也要刻意研究「為何失敗」的案例，補足認知盲區
常見誤解
倖存者偏差不是說成功故事沒有價值，而是提醒我們：成功只是全體中的一部分，不能代表全部。缺乏對失敗樣本的了解，會嚴重扭曲對機會與風險的估計。
啟示
倖存者偏差提醒我們：你看到的不是全部，不被記錄的可能才是關鍵。唯有跳出「成功故事」的濾鏡，從全體樣本與多角度切入，我們才能做出更真實、更審慎、更智慧的判斷。
