常见统计学谬误；伯克森悖论

举个例子，

小女遇见过很多情侣，从开始到结束，随后她总结了一个经验：

男性呢，长的帅的都不咋靠谱，女性呢，长的好看的容易成渣女

那么她遇到各方面还不错的小男，长的也可以，也会套用这套逻辑，反而可能觉得各方面不咋地的小丑比较好

那么其实这样统计并不是太好

长的帅和靠谱存在负相关这个道理如果深入的推敲一下：

长的好看和靠谱，都在一个世界里,那么他看到的是这样的

高代表靠谱，右代表好看

其实实际上并没有变多少，都是随机分布

但是如果加上长相+人品=80分的话那么看到的是这样的

tru

如图没有被遮挡的那部分

这样就很容易看到极端，人品好，丑。好看，人品差

为什么会有这个原因呢？

很简单的一个数学问题，只要总值等于8，任意一方面好的话都能把总分拉高

比如两者平均的入选，比如颜值高单人品差入选，人品好但颜值低入选

就很容易造成一定的印象和总结的经验

---

归于选择性偏差

伯克森悖论和幸存者偏差都属于选择性偏差

幸存者偏差和伯克森悖论的区别在哪里？

这两个在表达方面有所不同

幸存者偏差侧重于一个特征，而伯克森悖论侧重两个特征的关系

举例子：

著名的美国战斗机事情，当时他们根据中弹数量来判断，哪个地方需要加强防护。

当然实际上，真正需要防护的地方根本在战斗中飞不回来。

而伯克森悖论则是所谓的长相与人品两个特征的关系