第73章 (第2/3页)
这可能比你想象的更严重：医学似乎很难理解样本的正常波动——有时，它很难区分“统计显著性”和“显著性”之间的区别。某种疾病可能会稍微缩短你的寿命，但是却显示出“很高的统计显著性”，导致人们产生恐慌情绪，而实际上所有这些研究可能只是在说，它们以“显著的统计边际”证明，在某些情况下，比如说1%的情况下，患者有可能受到伤害。换句话说：效用的大小、效果的重要性不是根据所谓的“统计显著性”来定的，这种东西往往会欺骗专家。我们需要看的是：病症轻重，也就是说血压与正常值相比高出多少，这可能会影响到你的预期剩余寿命；以及所导致结果的严重性。
为什么这件事很严重？如果你认为统计学家真的理解现实生活中（即“大世界”，而非教科书中的“小世界”）复杂环境下的“统计显著性”，那我要揭示一些让你吃惊的事。卡尼曼和特沃斯基指出，统计人员在现实生活中也会犯错误，忘记他们是统计学家（我提醒读者，思考总是需要做出努力的）。我的同事丹尼尔·戈尔茨坦和我针对数量金融工程师作了一些研究，发现他们中绝大多数的人不明白他们在几乎每一个方程式中都会用到的一些基本概念，如“方差”或“标准差”的实际影响。最近，埃姆雷·索耶尔和罗宾·贺加斯所开展的一次强大的研究表明，计量经济领域中的许多专家，提供了诸如“回归”和“相关”等看似高深的数据，在把他们制造的数据应用到实践中时会犯一些严重的错误——他们的方程式是正确的，但在现实应用中却犯了严重错误。他们几乎总是低估随机性和结果中的不确定性。而且我们还只是谈论统计学家所犯的诠释错误，尚未谈及统计数据使用者，如社会科学家和医生所犯的诠释错误。
可惜的是，所有这些偏差都会使人们采取干预行动，而几乎从来不是放弃行动。
此外，我们现在知道，厌恶脂肪的热潮和标榜“不含脂肪”的口号，其实都源于一个初级错误，即我们误读了一个回归结果：当某个效应是两个变量共同作用的结果（在这里就是碳水化合物和脂肪）时，人们有时却只将结果归因于其中一个。肥胖其实是脂肪和碳水化合物的共同作用的结果，但许多人却错误地将问题归咎于脂肪，而不是碳水化合物。此外，揭示了统计数据误读现象的伟大的统计学家戴维·弗里德曼与其合著者非常有说服力地指出，大家执着地认为盐和血压之间存在的关联，其实根本没有统计学依据。这种关联可能在高血压人群中可以看到，但这更像是例外而非常规情况。
医学中的“严谨数学”
我们可能会嘲笑社会科学中隐藏在虚构数字背后的骗局，但你可能也会好奇，为什么在医学领域没有发生这种事？
实际上，糟糕的观点（和隐藏的观点）显示出，数学在医学领域也愚弄了我们。人们做了很多已被人遗忘的努力，企图将医药数学化。曾有一段时间，医药还从物理科学中衍生出解释模式。乔瓦尼·博雷利在《运动的动物》一书中，就
（本章未完，请点击下一页继续阅读）