这些案例代表什么？也许你会说“因果谬误”。不对，我把它称为轶事证据（anecdotal evidence）。什么意思呢？

按照定义，以非正式手段，收集的源于私下传闻的证据，进行概括归纳，用在工作中。就像，有些案例以八卦、假新闻被人一传再传，造成三人成虎，让人听久便信以为真。

它的关键是，不同寻常的故事，不能代表完整的经验。

比如：

遇到奇妙经历，我们更有可能撰写离奇怪异的评论，结果，从轶事中吸取的经验是，这种单一事件有可能会发生。

你听到“有人抽烟没得肺癌”，只能证明，你不抽烟的话，不能保证一定会得肺癌；仅依靠这则轶事，你并无法知晓普通吸烟者患肺癌的概率，或吸烟者患肺癌概率的可能性，比不抽烟者大多少。

轶事证据会引发什么呢？

统计学家用“相关性不代表因果性”（correlation does not imply causation）描述过这种谬论，当出现轶事时，人们会忽略某个混淆因素。

“混淆因素”指，并非显而易见的第三方因素，该因素既会影响“假定的原因”，也会影响观察者的效应，从而造成人们无法得到正确结论。

比如：

人们在季节交替接种疫苗，就很容易把感冒和流感混淆；其实，不论是否接种，这段时期都容易得病。

其他情况下，相关性可能随机出现，如今互联网发达，各种信息之间的相关性比任何时候容易，当中必然出现诸多虚假信息。

有本书叫《虚假相关》(Spurious Correlations)，指两个没有因果关系的事件，可能基于其他没有见过的干扰因素，让人猜想“两件事有所联系”，然而，这种联系并不能通过精细的分析得到结论。

作者泰勒·维根(Tyler Vigen)展示了一些可笑的案例。

比如：

劳伦上高中时，有一回觉得自己好像要感冒，爸爸让她多喝水，说这样能够好起来；那一天她足足喝掉半箱斯纳普（Snapple）牌树莓果汁。

令人惊讶，第二天居然感觉好很多，这种情况你在现实中，是不是也遇到过？难道，该证据就能表明，树莓果汁有治疗普通感冒的功效吗？

显然，不能。

她可能因为喝了一大堆果汁后，身体原本的自愈能力，恰巧让她康复了；也可能根本没病，只是前天没睡好，造成第二天感觉不好。

许多品牌宣传会借助顺势疗法，加入类似的巧合轶事，它们并不会提到，如果没有进行治疗，可能会发生什么事，毕竟，你的确得病后，每天的症状也不同。

所以，在相信任何品牌（商品）具备某功效前，应该先获取可靠数据，甚至相关权威性报道来重新审视。

也许，你作为品牌方并不知道商品有这些功效，想靠市场调研收集反馈，第一步就是“界定或理解假设”，对所有研究的效应提出解释。

提前弄清楚有助于避免“德州神枪手谬误”（Texassharpshooter fallacy），该谬误得名一个笑话，说一个人来到一座谷仓，发现墙上画着很多靶子，每个靶子中间都有一个弹孔。

他为射手的精准度感到惊叹不已，后来发现，射手在乱射一通后绕过弹孔画的靶子，与此相似的概念叫“移动的目标”，指，得出实验结果前修改目标，以便支持自己的结论。

简单的说，大量数据或者证据中，只挑选对自己有利的证据。想避免上述情况发生，可以采用A/B测试法（A/B testing）。

该方法被称为“黄金标准”。

在互联网中会分为A或B两个版本来对照用户行为，或者将参与者分为两组，比较两组的结果。

另外，最理想的状态，还可以进行“盲测”（blinded），也就是，不让参与者知道自己是哪一组，这样可以避免他们有意、无意的偏好影响实验结果。

盲测目的有助于减少“观察者期望偏差”，但并不能完全避免，因为分析中，我们会通过选择性的阅读背景资料，根据先前构想的概念假设，以及选择性地汇报实验结果等。

你肯定听说过“安慰剂效应”。

分析时收到的东西看起来，感觉起来与实现时类似，只是本该毫无结果，很多老板在工作中，经常让员工调研一番，最后还是会依照此前决定进行，这种效应并非纯粹出于想象。

比如：

“止痛药”引起的大脑活动和“缓解疼痛的药物”基本一致、对父母来说，“爱的亲亲”能缓解孩子内心疼痛，但是安慰剂效应，也很容易出现副作用。

如果你想设计出可靠的实验，难点在于“关键指标”，它可能包括，是否有人购买产品、用户是否点击了网站上的某个按钮等。

有些关键指标并无法准确衡量，我们会采用“替代指标”（surrogate marker），以保证与自己想要测量的最终结果接近。

就像：

《美国新闻与世界报道》杂志，每年都会将一系列客观性和相对主观的衡量标准，综合起来，用一种替代指标给各所学校排名。

数据分析中，常见替代指标还包括衡量肥胖度的“体质指数”（BMI）和测量智力的“智商”（IQ），它们更容易遭到吐糟，因为不准确，是间接性。