倖存者偏差
軍官們只看到了「飛回來的倖存者」，忘了「沒飛回來的犧牲者」，這就是最典型的倖存者偏差。
我們只盯著「成功活下來」「做得好」的那些人或事，卻忘了還有一大堆「失敗了、被淘汰了」的情況
最後想當然得出了錯結論。下面用幾個日常能碰到的白話故事，一下子就能看明白。
先講最經典的：二戰飛機的「反常識」操作
二戰的時候，美軍的轟炸機出去執行任務，好多都被敵人的子彈打了回來。軍官們就統計這些返航飛機的彈孔，發現機翼和機身上全是彈孔，密密麻麻的，而引擎和油箱上幾乎沒什麼彈孔。軍官們一看就急了：「這不行啊，機翼中彈這麼多，得趕緊加厚機翼的防護，不然飛機都要被打下來了！」
這時候有個統計學家站出來說：「你們搞錯了！恰恰相反，應該加厚引擎和油箱的防護。」
大家都懵了，彈孔少的地方為啥要加厚？統計學家解釋得很直白：「機翼上彈孔多，還能飛回來，說明這些地方被打了也沒事，不致命；而引擎和油箱只要中一槍，飛機就直接炸了或者墜機了，根本沒機會飛回來讓你們統計。那些墜機的飛機，才是最該參考的，可它們已經沒了，你們看不到而已。」
你看，軍官們只看到了「飛回來的倖存者」，忘了「沒飛回來的犧牲者」，這就是最典型的倖存者偏差。
生活裡的那些「倖存者偏差」，你肯定遇到過
故事1：「退學說」的陷阱
身邊總有人說：「你看比爾·蓋茨、喬布斯，都是退學生，照樣成世界首富，讀書有啥用？」
這話聽著好像有道理，但其實錯得離譜。我們只看到了蓋茨、喬布斯這兩個「倖存者」——他們退了學，還能靠天賦、機遇、努力成功。可我們沒看到的是，全世界有千千萬萬的人退了學，要麼一事無成，要麼打零工謀生，連穩定的收入都沒有。那些失敗的退學生，根本沒機會被我們看見，自然就被忽略了，最後才會得出「讀書無用」的錯誤結論。
只關注「倖存下來」的成功者或可見樣本，卻忽略了已經「被淘汰」的失敗者或沉默數據
故事2：「老物件更好」的誤會
很多人都說：「現在的電影、老歌不如從前了，從前的每一部電影都是經典，每一首老歌都好聽。」
真的是從前的作品更優秀嗎？其實不是。我們現在能看到的老電影、聽到的老歌，都是「倖存下來」的精品——那些當年拍得爛的電影、唱得差的歌，早就被時間淘汰了，沒人記得它們，也沒機會出現在我們眼前。就像我們去舊貨市場，看到的都是保存完好、有價值的老東西，那些破爛不堪、毫無價值的，早就被扔了，我們根本看不到。
故事3：「創業很容易」的假象
刷手機的時候，總能刷到「95後創業，開奶茶店日入萬元」「普通人創業一年買房」這類視頻，很多人就會覺得：「創業也太簡單了，我也能行！」
可事實是，那些能被我們刷到的，都是創業成功的「倖存者」。背後有無數人創業失敗，開奶茶店虧光積蓄、開網店血本無歸，這些失敗的人，根本不會發視頻告訴大家自己虧了多少，自然就被我們忽略了。我們只看到了「賺錢的幸運兒」，沒看到「虧錢的大多數」，才會覺得創業很容易。
倖存者偏差，說到底就是「只見賊吃飯，不見賊挨打」
那些能被我們看到的成功、精品，都是倖存下來的少數；而那些失敗、被淘汰的大多數，才是最真實的情況，只不過它們沉默著，我們看不到而已。以後再遇到類似的事情，多問一句：那些沒被看到的，去哪了？就能避免犯這種錯啦。
倖存者偏差（Survivorship Bias） 是一種非常常見的邏輯謬誤與認知陷阱，指人們在分析問題時，只關注「倖存下來」的成功者或可見樣本，卻忽略了已經「被淘汰」的失敗者或沉默數據，從而得出片面、錯誤的結論。
如何避免倖存者偏差？
- 尋找「沉默的數據」
- 分析時強制問：那些失敗的人去哪了？他們的數據在哪？
- 考慮「基礎概率」
- 成功是小概率事件，不要把特例當規律。
- 完整取樣
- 研究對象必須包含所有相關個體（成功者 + 失敗者），而非僅篩選後的倖存者。
總結
倖存者偏差的本質是 「只見賊吃肉，不見賊挨打」。看得見的成功是冰山一角，看不見的失敗才是深海全貌。
