小数定律 (Law of Small Numbers)
快速定义：小数定律（Law of Small Numbers）是一种错误的信念，认为小样本应该像大样本一样准确地反映总体的特征。
通俗解释：这就像只读了前五页就评价一整本书——你在根据整体中极小的一部分做出宽泛的结论。
核心问题：“这个模式是真实的，还是仅仅是小样本中的随机噪音？”
使用 FunBlocks AI 应用小数定律：MindKit 或 MindSnap
常见误区：
- ❌ “小样本和大样本一样可靠” → 小样本更容易出现随机变动和极端结果
- ❌ “如果我在几个数据点中看到了模式，它一定是真的” → 小样本中的模式往往会随着数据的增加而消失
- ✅ 目标是区分信号与噪音，而非完全忽略小样本
核心要点（30 秒速读）
- 定义：一种认知偏见，即我们高估了小样本的代表性。
- 核心原则：小样本比大样本更具变动性且更不可预测。
- 适用场景：每当你从有限的数据中得出结论时——如客户反馈、投资表现、个人经历。
- 主要益处：防止过度自信和过早的概括。
- 主要局限：如果走向极端，可能导致分析瘫痪——有时小样本是你拥有的全部。
- 代表人物：丹尼尔·卡尼曼和阿莫斯·特沃斯基（行为经济学先驱）。
1. 引言：小样本中的显著性错觉
你是否曾掷过几次硬币，并对连续出现正面或反面感到惊讶？或者你是否曾根据几条好评就去尝试一家新餐厅，结果体验却很平庸？这些日常场景往往突显了人类心理中一个引人入胜、有时又具误导性的方面：小数定律。
想象你是一名正在调查一系列看似相关事件的侦探。你可能会忍不住从仅仅几个线索中建立联系，假设存在一个其实并不存在的模式。这正如我们的大脑处理数据的方式——我们倾向于高估在小样本中观察到的模式的显著性，相信它们代表了更大的真理。
小数定律是一种认知偏见，描述了我们倾向于相信小样本能高度代表其所属总体的倾向。我们直觉地期望小样本表现出与大总体相同的特征，从而导致我们在证据不足的情况下做出概括和预测。这种思维捷径虽然有时对快速决策有用，但在当今数据丰富却往往充满噪音的世界中，可能导致显著的判断和理解错误。
在这个信息全方位轰炸的时代——从社交媒体趋势到有限的客户反馈——理解小数定律比以往任何时候都更重要。它是导航现代生活复杂性的重要思想模型，帮助我们从随机噪音中辨别真正的模式，并在商业、个人生活及其他领域做出更明智的决策。通过识别这种固有的偏见，我们可以培养一种更细致、统计学上更合理的视角，让我们看清世界，避免得出过早结论的陷阱。
简单来说，小数定律是一种错误的信念，认为小样本应该像大样本一样准确地反映总体的特征。 这种错误的直觉会导致我们高估随机事件的可预测性和显著性，特别是在处理有限数据时。
2. 历史背景：认知启发式的先驱洞察
小数定律的正式表述和探索主要归功于丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯·特沃斯基（Amos Tversky）的开创性工作，他们是行为经济学和认知心理学领域的两位巨匠。他们在 20 世纪 70 和 80 年代的研究彻底改变了我们对人类在不确定性下如何做决策的理解，揭示了往往导致我们偏离理性选择的系统性偏见和启发式。
卡尼曼和特沃斯基并未发明统计误解的概念，但他们细致地研究并命名了其背后的认知机制。他们的工作植根于这样一种观察：人们经常依赖启发式（即思维捷径）来简化复杂的判断。这些启发式虽然通常有助于快速决策，但也会导致可预测的错误。小数定律被认为是其中一种启发式——代表性启发式（representativeness heuristic）的体现。
代表性启发式描述了我们倾向于通过一个事件与我们脑海中的原型或刻板印象的相似程度，来判断该事件发生的概率。例如，如果我们相信一枚公平的硬币应该产生大致相等数量的正面和反面，我们可能会期望即便是一段很短的掷硬币序列也能表现出这种平衡。然而，这种期望恰恰就是小数定律发挥作用的地方。
卡尼曼和特沃斯基通过大量实验证明，人们倾向于高估小样本反映底层总体的程度。在他们的开创性论文《不确定性下的判断：启发式和偏见》中，他们向参与者展示了涉及样本量和概率的情景。他们发现，个体往往无法体会小样本中固有的更大的变动性。
他们研究中的一个经典案例涉及两家医院：一家大医院和一家小医院。两家医院都记录了出生男婴比例超过 60% 的天数。问题是：哪家医院更有可能记录到这样的日子？许多人直觉地认为两者的可能性大致相同。然而，在统计学上，小医院更有可能经历这种严重偏离 50% 平均男婴出生率的日子。这是因为小样本本质上更容易受到随机波动的影响。
卡尼曼和特沃斯基的工作突显了我们的直觉往往无法掌握统计学的基本原理，特别是在处理随机性和样本量时。他们描述的小数定律在数学意义上并不是一条正式的定律，而是一个描述普遍认知偏见的术语。它是一条关于信念的“定律”，反映了人们对小数的思考方式，而不是数字在统计学上的真实表现。
随时间推移，对小数定律的理解已日益精炼，并整合进更广泛的认知偏见和决策理论中。研究者探索了它在金融、医学、体育和营销等各个领域的内涵。虽然核心概念仍植根于卡尼曼和特沃斯基的最初洞见，但后续研究进一步阐明了起作用的心理机制，并探索了减轻其影响的策略。他们的遗产持续塑造着我们对人类判断的理解，以及在一个数据饱和的世界中批判性思维的重要性。
3. 核心概念分析：拆解对小样本显著性的误解
从本质上讲，小数定律源于对统计变动性和样本代表性的误解。要真正掌握这一思想模型，我们需要剖析其关键组成部分和原则：
3.1 小样本中代表性的错觉： 小数定律的基石是这样一种错误信念：即便是小样本也应紧密镜像其所属总体的特征。这种直觉往往植根于代表性启发式，即我们根据一个事件看起来多么典型或具有代表性来判断其可能性。
想象一个装满大理石的罐子，50% 是红色，50% 是蓝色。如果你随机抽取 100 个大理石的大样本，你理所当然地期望得到接近 50 个红色和 50 个蓝色。然而，如果你只抽取 4 个大理石的小样本，得到 3 红 1 蓝甚至 4 红 0 蓝这种极端结果的几率要显著更高。然而，我们的直觉往往引导我们期望即便只有 4 个的样本也能在某种程度上反映整罐 50/50 的比例。
这就是小数定律的本质：我们倾向于低估小样本中固有的随机性和变动性程度。我们错误地相信即便只有几个数据点也应准确反映底层的总体参数。
3.2 随机性与变动性的角色： 随机性在理解为什么小样本会产生误导方面起着至关重要作用。在任何随机过程中，如掷硬币、股市波动或客户选择，总会存在固有的变动性。这种变动性在小样本中更为显著。
可以这样想：如果你掷 1000 次硬币，正面的比例几乎肯定会非常接近 50%。这是由于大数定律（Law of Large Numbers），一个统计学原则，指出随着样本量增加，样本平均值将收敛于总体平均值。然而，只掷 10 次硬币，结果可能仅仅由于偶然就显著偏离 50/50。你可能得到 7 正 3 反，甚至 9 正 1 反，而硬币本身并没有偏差。
小样本仅仅是更容易受到这些随机波动的影响。它们更有可能表现出无法准确代表整体总体的极端结果。小数定律在认知背景下本质上是大数定律的反面——我们错误地将大数定律的直觉应用到了小样本上，而这在小样本中并不成立。
3.3 对有限数据的过度自信： 小数定律会导致对从有限数据得出的结论产生过度自信。当我们观察到一个小样本中的模式时，我们可能会过度确信这个模式是真实的且会在更大总体中持续存在。这种过度自信在决策中尤其成问题，因为它可能导致我们做出冒险或毫无根据的选择。
例如，想象你正在评估一个新的营销活动。你在 20 名客户的小组中运行了先导测试，看到了非常积极的响应率。由于小数定律，你可能变得过度乐观并得出结论：该活动在大规模推广时会获得巨大成功。然而，小先导组中的积极结果可能仅仅由于随机偶然，或者是该小组并不代表更广泛客户群的特定特征所致。
3.4 说明小数定律的案例：
- 案例 1：股市“手感发烫”。想象你听说一位股票交易员在过去一个月获得了惊人的回报。由于小数定律，你可能忍不住相信这位交易员极具天赋，且这种“手感”会持续。然而，在高度波动的股市中，短期成功往往归功于运气或随机波动。一个月在长期市场表现背景下是一个非常小的样本量。许多交易员由于偶然会经历成功和失败的周期，而根据一个短周期就归因于技能，是小数定律在行动的典型案例。类比：认为一个晴天意味着一整年都会是晴天。
- 案例 2：餐厅评论。你正在网上找吃饭的地方，看到一家餐厅有 5 条五星好评。你可能被这些评论打动，认为这家店肯定很棒。然而，5 条评论是一个非常小的样本量。这些评论可能来自店主的朋友、恰好在好日子光顾的极度满意的顾客，甚至是虚假评论。整体的客户体验可能远比这几条好评暗示的要多样。从这么小的样本做出概括会导致失望。类比：只读了前五页就评价一本书。
- 案例 3：癌症病例的聚集。想象一个新闻报道说一个小镇经历了高于平均水平的癌症病例。住在那个镇上的人可能会感到惊恐，担心环境污染或其他本地原因。然而，即便是在大样本人群的纯随机分布中，聚集现象也会偶然发生。在任何大地图上，随机的点有时会出现在一起，创造出模式的错觉。小数定律引导我们将这些随机聚集看作有意义的模式，即便它们仅仅是统计噪音。类比：看云识物——有时那只是随机的云朵形状。
这些案例突显了小数定律如何导致我们误读随机事件，并从有限的数据中得出毫无根据的结论。识别这种偏见是迈向做出更明智、统计学上更合理判断的第一步。
4. 实际应用：识别行动中的小数定律
小数定律不只是一个抽象的心理学概念；它体现在各种现实场景中。理解其实际应用能显著提高我们的决策和批判性思维技能。以下是五个具体的应用案例：
4.1 商业与营销：避免过早的产品发布和误导性的 A/B 测试： 在商业中，特别是产品开发和营销中，决策往往基于来自用户测试、调查和 A/B 测试的数据。小数定律在这里尤为危险。 想象一家公司正在开发应用的新功能。他们在 10 名参与者的小组中进行用户测试，收到了压倒性的好评。兴奋于这些初始结果，他们可能急于向全体用户发布该功能。然而，这么小的一个小组的好评可能无法代表更广泛的用户群体。初始测试者可能是早期采用者、更懂技术，或仅仅是有着与平均用户不同的一套需求和偏好。基于这一小样本发布，可能导致功能最终无法在大多数用户中产生共鸣。 同样地，在 A/B 测试中，公司通常测试营销材料或网站设计的不同版本。如果 A/B 测试运行的样本量太小，结果可能具有误导性。一个版本看起来表现显著优于另一个，可能仅仅由于小样本中的随机变动。如果基于这些统计学上不显著的结果做决策，公司最终可能选择了一个效果较差的营销策略。 应用分析：企业在从大规模用户测试或早期营销数据中得出结论时需谨慎。在做出重大产品或营销决策前，应优先考虑 A/B 测试和用户研究中具有统计显著性的样本量。忽视小数定律会导致资源浪费和机会错失。
4.2 个人理财与投资：抵御短期投资“大师”的诱惑： 个人理财和投资领域充满了小数定律的影子。投资者常被那些吹嘘近期成功的自封投资“大师”们的建议轰炸。这些“大师”可能展示一小段时期的超常回报，引导人们相信他们发现了一套万无一失的投资策略。 然而，短期的投资表现极易受到随机性和市场波动的干扰。几次幸运的交易或牛市期可以让即便是一个平庸的投资者在短时间内看起来像个天才。小数定律导致人们高估了这些短期成功的预测能力，并基于有限且可能具有误导性的信息进行投资。许多人因为追逐“内幕消息”或遵循基于轶事成功故事而非稳健财务原则的投资策略而亏了钱。 应用分析：在个人理财中，专注于长期投资策略并避免被短期表现声明所动摇至关重要。应优先考虑历史数据和统计学上稳健的分析，而非轶事证据和“保证”回报的说法。理解小数定律可以保护个人免受冲动且潜在有害的投资决策。
4.3 教育：基于有限数据评估教师效能和评判学校表现： 在教育领域，日益强调由数据驱动决策，但小数定律很容易扭曲我们对教育数据的解读。例如在评估教师效能时，管理者可能依赖学生的考试成绩或课堂观察。然而，基于一个班级的表现或几次观察就得出关于教师能力的定论，可能会产生误导。 班级规模通常相对较小，且学生表现受许多教师无法控制的因素影响，如学生动力、先验知识和外部环境。一年时间的班级表现可能无法代表教师的长期效能。同样，基于某一年一小届学生的成绩来评判学校的整体表现也是有问题的。 应用分析：教育机构在基于有限数据评估教师和学校表现时应保持谨慎。应考虑长期内的多个数据点，兼顾背景因素，并避免从小样本中得出定论。为了确保教育评估的公平准确，需要一种更细致、统计信息更丰富的方法。
4.4 技术与用户反馈：基于代表性数据而非仅早期采用者进行迭代： 在技术行业，快速迭代和用户反馈至关重要。然而，仅仅依赖一小群早期采用者或 Beta 测试者的反馈会导致产品不适合更广泛的市场。 早期采用者通常是一个有着特定特征和技术专长的自选群体。他们的反馈对于识别 Bug 和易用性问题很有价值，但他们的偏好和需求可能无法代表平均用户。如果产品开发仅由这一小群人的反馈驱动，最终产品可能迎合了小众受众，却无法获得主流采用。 应用分析：科技公司需要从其目标市场中多样化且具代表性的样本中收集用户反馈。应超越早期采用者和 Beta 测试者，收集更广泛用户的数据。理解小数定律能帮科技公司避免开发出仅针对其潜在用户群中一个极小且不具代表性细分市场而优化的产品。
4.5 个人生活与决策：避免基于有限接触的刻板印象和概括： 小数定律也影响着我们的个人生活，影响着我们对人、地点和事件的认知。我们经常基于有限的接触或轶事证据形成刻板印象和概括。 例如，如果你与某个特定职业或国籍的人有一次负面经历，你可能倾向于将这种经历推广到该群体的所有成员。这是个人生活中应用小数定律的典型案例。一次负面接触，甚至几次，都是一个非常小的样本量，不足以据此得出关于整个群体的结论。这种概括会导致偏见和不公平的判断。 同样，在一次简短的旅行中访问一个新城市，你可能会基于有限的经历形成关于该城市的强烈看法。如果你恰好有几次积极互动并去了令人愉快的地方，你可能得出结论说这个城市整体非常棒。然而，一次简短的旅行只提供了关于该城市整体性格和文化的微小且可能有偏差的样本。 应用分析：在个人生活中，我们在形成关于人、地点和事件的意见和判断时，应警惕小数定律。我们应抵制基于有限经历和轶事证据进行概括的冲动。寻求多元视角并承认人类经验固有的变动性，可以帮我们避免形成不准确的刻板印象和做出不公平的判断。
5. 与相关思想模型的对比：导航认知版图
小数定律并非孤立的认知现象。它与主宰我们在不确定性下判断和决策的其他思想模型紧密相连且往往交织在一起。理解这些关系可以为我们的认知偏见提供一个更全面、更细致的视角。让我们将小数定律与几个相关模型对比：
5.1 小数定律 vs. 确认偏误 (Confirmation Bias)： 确认偏误是倾向于以证实或支持个人先验信念或价值观的方式，去搜索、解读、偏好和召回信息的倾向。小数定律会加剧确认偏误。 想象一个已经相信某种特定投资策略高度有效的人。如果他遇到几个关于该策略的轶事成功故事或小样本的积极结果，小数定律将引导他高估这些有限数据点的显著性。他会将这些小样本视为确认其既有信念的强力证据，即便整体统计证据很弱或无定论。确认偏误随后介入，导致他选择性地关注并记住这些证实性的实例，而忽视或淡化矛盾证据或更大的、能挑战其初始信念的代表性数据集。
- 关系：确认偏误提供了动机（寻求验证既有信念），而小数定律提供了强化这些偏见的认知机制（过度解读小样本）。它们协同作用，强化了基于证据不足的错误信念。
- 区别：确认偏误是关于选择性地寻求和解读信息；小数定律是关于误读小样本的显著性而不论预设信念，尽管它可以被确认偏误放大。
- 何时选择：使用确认偏误来理解既有信念如何扭曲信息处理。使用小数定律来理解为什么我们会过度强调小数据集中的模式。
5.2 小数定律 vs. 可得性启发式 (Availability Heuristic)： 可得性启发式是一种心理捷径，我们会根据例子出现在脑海中的难易程度来估计事件的可能性。那些更生动、近期或带有强烈情感色彩的事件往往更容易被回忆起，从而被判断为更可能发生。 小数定律可以由可得性启发式驱动。如果我们听说一个关于在小样本中发生罕见事件（如小镇疾病聚集）的戏剧性新闻，故事的生动性和情感冲击力会让它在我们的记忆中唾手可得。可得性启发式随后引导我们高估此类聚集在一般情况下发生的概率，强化了小样本具有高度信息量和代表性的错误信念。 此外，如果我们个人在小样本中经历了几个生动的例子（如与某公司几次负面的客服互动），由于可得性启发式，这些难忘的经历更容易被想起。小数定律随后引导我们从这几个可得例子中做出概括，并得出该公司客服普遍很差的结论，即便我们的样本量微小且不具代表性。
- 关系：可得性启发式影响哪些信息出现在脑海，而小数定律影响我们如何解读那部分随时可得（但可能有偏差）的信息的显著性。
- 区别：可得性启发式关于回忆难度影响感知概率。小数定律关于误读小样本的代表性。
- 何时选择：使用可得性启发式来理解由于记忆和信息生动性导致的偏见。使用小数定律来理解由于误读小样本统计数据导致的偏见。
5.3 小数定律 vs. 赌徒谬误 (Gambler's Fallacy)： 赌徒谬误是一种错误的信念：如果某件事在某段时期比正常发生得更频繁，那么它在未来就会发生得不那么频繁（反之亦然），即便事件之间是独立的。它常出现在博弈中。 小数定律在概念上与赌徒谬误相关，并可能促成赌徒谬误。当赌徒在博弈中观察到一段短期的连输（或连赢）时，由于小数定律，他们可能错误地相信这段小序列在某种程度上预示了底层概率的改变，或者“运气”注定要反转。他们期望小序列能表现出大序列在随机事件中才有的属性，即便每次事件是独立的。这种期望助长了赌徒谬误，引导他们相信在一连串输局后，赢局就“该来了”。
- 关系：小数定律为赌徒谬误提供了底层的认知基础——即认为短序列也应表现出与随机事件长序列相同属性的错误信念。
- 区别：赌徒谬误专门针对在序列独立事件（如博弈）中关于概率的错误信念。小数定律是一个更广泛的偏见，关于在各种背景下过度解读小样本的代表性。
- 何时选择：使用赌徒谬误来理解关于序列独立事件概率的错误信念。使用小数定律来理解跨领域过度解读小样本数据的更普遍偏见。
理解这些相关的思想模型有助于我们赏识认知偏见的相互关联性，以及它们如何共同影响我们的判断和决策。通过识别这些认知陷阱，我们可以努力实现更理性、基于证据的思考。
6. 批判性思维：驾驭模型的局限与误用
虽然小数定律是理解认知偏见的强大工具，但必须承认其局限和潜在误用。对该模型的批判性思考涉及识别其缺点并避免常见误区。
6.1 局限性与弊端：
- 现实情况的过度简化：小数定律主要关注样本量和代表性。然而现实世界的情况往往复杂得多。其他因素，如数据质量、测量误差和混杂变量，也会显著影响从数据得出的结论的可靠性，而不仅仅是样本量的问题。不考虑这些其他复杂性而过度依赖小数定律，可能导致不完整甚至具误导性的分析。
- “小”的定义依赖背景：什么构成“小”样本不是绝对的，很大程度上取决于背景。在某些情况下，30 个样本可能被视为小，而在其他情况下则可能相当大。小数定律并未提供一个“小”的刚性阈值。有效地应用它需要对数据的特定统计属性以及被研究的总体有深入理解和判断。
- 并非总是“偏见”：在某些特定场景下，特别是对于非常同质的总体，即便是小样本也可能相当具有代表性。小数定律描述的是一种高估代表性的普遍倾向，但它不是一条总是导致错误的万能规则。如果不考虑总体的特定特征和抽样方法而盲目应用，也是一种过度简化。
6.2 潜在误用案例：
- 营销与广告：营销人员可以利用小数定律创造误导性的印象。通过选择性地突出几条好评或证言，他们可以创造出客户普遍满意的假象，即便整体客户体验更多样。呈现孤立的成功故事而不加背景说明，可以利用这种认知偏见操纵消费者的感知。
- 政治宣传：政治运动和宣传常依赖轶事证据和精挑细选的小样本来支持其议题。展示几个符合特定叙事的例子极具说服力，特别是对那些统计学素养不高的受众。将小样本伪装成代表更广泛公众意见或趋势，是左右公众认知的常见手段。
- 对科学发现的误读：在科学研究中，特别是在样本量小的领域（如某些心理学或医学研究），存在由于小数定律而过度解读统计学上不显著发现的风险。研究者可能忍不住在小样本的嘈杂数据中看到模式或趋势，导致得出并不稳健或无法复现的过早结论。这助长了一些科学学科中的“复现危机”。
6.3 关于避免常见误区的建议：
- 关注统计显著性和样本量：评估数据时，始终考虑发现的统计显著性以及产生发现的样本量。警惕从小样本得出的结论，特别是当它们在统计上不显著时。寻找置信区间和 P 值来评估证据强度。
- 考虑基础概率和先验概率：在从小样本得出结论前，考虑该事件或特征的基础概率或先验概率。如果基础概率很低，即便小样本中有几个正面实例也可能在统计上不显著，且容易归因为随机偶然。
- 寻求更大且更具代表性的样本：尽可能争取从更大且更具代表性的样本中收集数据。大样本提供了对总体参数更稳定可靠的估计，且不易受随机波动干扰。确保抽样方法最小化偏见且准确反映目标总体。
- 对轶事证据保持怀疑：轶事证据本质上基于小且往往不具代表性的样本。对从个人经历或孤立例子中做出的概括保持谨慎。虽然轶事可以具说明性，但不应作为做出广泛结论的首要证据。
- 提升统计素养：提高统计素养对于减轻小数定律的影响至关重要。理解基本的统计概念，如样本量、变动性、置信区间和统计显著性，将赋能你批判性地评估数据并避免常见的认知偏见。
通过留意这些局限、潜在误用和误区，我们可以更有效地将小数定律作为批判性思维工具使用，而非掉入其陷阱。它在于理解细微差别并审慎应用模型，而非将其作为死板规则。
7. 操作指南：在日常生活中应用小数定律
将小数定律整合进你的思维过程是做出更理性、明智决策的一项宝贵技能。这里有一个分步指南，帮你开始在日常生活中应用此模型，并附带一个简单的练习：
7.1 分步操作指南：
- 识别涉及小样本的场景：第一步是意识到你什么时候在处理源自小样本的信息。这可以是任何事：客户评论、新闻报道、个人轶事或项目的早期结果。问自己：“这是基于多少数据的？”以及“相对于整体总体或背景，这属于大数据还是小数据？”
- 质疑代表性：一旦识别出小样本，批判性地评估其代表性。问：“这个样本是否可能准确反映更大总体的特征？”考虑样本选择过程中的潜在偏见。是否有理由相信这小部分人并不典型？例如，网上评论是否仅来自高度满意或高度不满意的客户，而大多数中间派保持了沉默？
- 避免过度概括：抵制仅基于小样本就得出宽泛结论或进行扫射式概括的冲动。认识到小样本更容易出现随机变动和极端结果，而这些可能并不预示大局。与其急于下结论，不如保持健康的怀疑态度。
- 寻求更大的数据集或更多证据：主动寻找更大的数据集或额外证据，来佐证或挑战从小样本中获得的初始发现。如果你基于几条评论评估一款产品，搜索来自不同来源的更多评论。如果你在解读项目早期结果，收集更长时期的更多数据。优先考虑来自更大、统计学上更稳健样本的信息。
- 考虑基础概率和背景：始终考虑你所评估事件或特征的基础概率或先验概率。如果基础概率很低，即便是小样本中看起来积极的结果也可能在统计上不显著。背景非常重要。在从小数据得出结论前，理解更宽泛的背景和底层概率。
- 警惕轶事证据：对轶事证据要特别谨慎。虽然故事可能很动人，但它们固然基于小样本，且往往被选择性地展示以支持特定观点。将轶事视为说明性案例，而非统计学上稳健的证据。
- 拥抱统计思维：培养一种统计思维模式。学习基础统计概念并应用于日常生活。理解样本量、变动性和统计显著性的重要性。这将为你配备能力，更有效地在数据丰富的环境中穿行，并避免被小数定律误导。