這是周震宇先生的第二本書，他強調如何透過聲音的表達，讓別人更喜歡你，讓更多人受你的影響，進而創造更多的財富。
首先，學會傾聽，
目標，主導你想要的溝通意圖，
編劇，讓溝通像一齣戲，
掌握情境，表達愛，怒，拒絕，求助，道歉等，
掌握需求，彼此想要的，找到交集，找到解法，
發問，慢慢找到共同的默契，
好話，正向的語言，
好說，清楚的表達，
好聲音，有影響力的聲音。
7/31/2014
聲入人心
這是周震宇先生教讀者如何訓練聲音的第一本書。
書中最有趣的是第2與3部分
第二部分：他將說話的人分成DISC四類，分別是強勢主導者，活潑社交者，支援體貼者，冷靜分析者，1&4為理性與2&3為感性，1&2為外向多言者與3&4為內斂少言者，1多底音／聲音宏亮／簡潔，2多顫音／速度快／音調起伏多，3氣音多／速度慢／音量小，4語調平淡／速度慢／音量中／修飾音。四種人的特質不同，因此彼此類型不同時，要調整聲音聲調，以達到最佳效果。
第三部分，教讀者如何讓聲音更動聽，如何變聲（音質，音長，音階，音量）
音質：發音的氣來自胸腔，喉腔，口腔或鼻腔， 都會有不同感受
音長：速度與節奏，快，中，緩，慢等四種節奏，反應不同的情緒
音階：高音階熱情，中親和，低同情。句子的音調，起伏多（曲折）令聽者期待，降調（尾音低）展現誠意，平調則表現冷漠，升調則挑逗性或大集合時吸引注意
音量：輕重音負責凸顯重點；音量大小聲也有不同的意義。
四種說話動聽的訓練方式，底氣（肺腑發出），顫音，氣音（感動人的聲音）與殘心（餘韻繚繞）。
書中提供很多小技巧，讓讀者可以參考練習。
7/11/2014
7/09/2014
看穿統計naked statistics - 結論
許多研究採用統計方法去進行分析，目的在求證一些假設是否正確，或是在投入巨額資金前，作為決策的參考。但是這些專案的評估，面臨取樣的難題，控制組／實驗組隨機抽樣的問題，控制組無法做到一定程度對某些變數一致性控制。以下幾個例子說明困難點：
Q：美國攻打伊拉克是否讓美國更安全？
A：這個問題沒有答案。因為，如果美國沒有入侵伊拉克，海姍可能會發瘋的使用化學武器，也可能向北韓購買化學武器，也可能一點都沒有影響美國。但是，美國已經入侵伊拉克了，卻沒有發現化學武器，確保海姍不會用化學武器攻擊。但這是事後諸葛，在入侵前，這是沒有答案的。
Q：祈禱能不能提高心導管手術的病人治癒率？
A：實驗分三組，一群手術病人沒有被祈禱；一群被祈禱且被告知；一群被祈禱但未告知。結果這三群人的手術治癒率沒有差異。這是典型的實驗組，控制組，干擾組。實驗結果是否可靠？有些人說，這些人在醫院沒有被醫院志工祈禱，但也許他們在家中的親友有幫他們祈禱，也許他們教會的牧師或教友幫他們祈禱有效。（這個實驗花了240萬美元做完研究）
Q：伊利諾州A城市執行勞工訓練以提升就業率。2年後，發現A城市失業率依然上昇，請問A城市的勞工訓練是否失敗？
A：不確定，必須進行比較。 difference in differences 方法，就是去比較和A城市類似的B城市，如果B城市2年前失業率與A城市相同，2年來沒有勞工訓練，比較看B城市2年前與現在的失業率是否明顯提升， 來看出A城市勞工訓練有效性。這種方法也可適用在比較某種教學方式，考試方式，囚犯改造方式等，在差異中找到差異比較，進而推論其效果。
作者最後一章，問了5個問題，並透過這5個問題的討論，總結這本書：
（1）足球隊員受到腦傷後，往往造成永久性的神經傷害，因此，足球比賽只是為了取悅觀眾，但對與參與者卻是永久傷害，這種活動是否應該禁止？ 利用本書的工具，可以更清楚的找出足球員VS一般人， 他們的腦傷比例與永久性神經傷害的關係。
（2）美國小孩的自閉症患者比例，從10年前的 6%，成長到5年前 9%， 2012年到12%。什麼原因造成兒童自閉症的升高？是手機，代糖，超音波還是生活環境？統計分析，發現在嬰兒1和2歲生日為好發期，所以是疫苗造成的？如果從疫苗中移除某些成分，是否可以改善？透過統計可以這樣一步步的抽絲剝繭，了解潛在的因素。
（3）我們如何找出並獎勵好學校與好老師？分辨對象的前提就是設定 KPI，然後進行衡量。設定KPI本身就是困難的， 衡量的方法也是另一個挑戰。接下來獎勵的制度設計，又會影響到老師與學校的做法，如何透過獎勵來督促他們走向KPI的方向？獎勵是否會扭曲部份學校老師的避重就輕，達到權重較高的KPI，而忽略其他重要卻權重不高的項目？
（4）對抗全球貧窮最佳的工具是什麼？法國經濟學家利用控制組實驗組方式來統計分析，印度教師曠課率過高造成學生教育差，他設計激勵鼓勵教師與學生上課打卡，比較曠職教師班級的學生成績；他對肯亞農夫分成兩群，贈送農藥與不贈送，比較他們農作物生產量，得出農藥重要性與農民貧窮買不起農藥的現象；他比較開發中國家的家庭開銷由男性或女性控制，對於兒童有沒有吃飽的影響。較富裕的國家女性對開銷掌控權高，小孩較容易吃飽，較貧窮國家為男性掌控，他們則把收入花在酒吧，小孩則較不容易吃飽。
（5）誰會搜尋然後知道你在做什麼？google 和 facebook 手上握有所有會員的行為和資料，他們可以經過資料分析， 知道你是誰以及過去行為，然後預測未來的變化。
總之，我們可以列出許多生活中不可或缺的事物，例如火，刀子，汽車，美容用品等，然後找出規律性。統計在這裡也扮演不可或缺。但是水可載舟，也可覆舟，使用統計，不能完全依賴數字，而要彈性。
Q：美國攻打伊拉克是否讓美國更安全？
A：這個問題沒有答案。因為，如果美國沒有入侵伊拉克，海姍可能會發瘋的使用化學武器，也可能向北韓購買化學武器，也可能一點都沒有影響美國。但是，美國已經入侵伊拉克了，卻沒有發現化學武器，確保海姍不會用化學武器攻擊。但這是事後諸葛，在入侵前，這是沒有答案的。
Q：祈禱能不能提高心導管手術的病人治癒率？
A：實驗分三組，一群手術病人沒有被祈禱；一群被祈禱且被告知；一群被祈禱但未告知。結果這三群人的手術治癒率沒有差異。這是典型的實驗組，控制組，干擾組。實驗結果是否可靠？有些人說，這些人在醫院沒有被醫院志工祈禱，但也許他們在家中的親友有幫他們祈禱，也許他們教會的牧師或教友幫他們祈禱有效。（這個實驗花了240萬美元做完研究）
Q：伊利諾州A城市執行勞工訓練以提升就業率。2年後，發現A城市失業率依然上昇，請問A城市的勞工訓練是否失敗？
A：不確定，必須進行比較。 difference in differences 方法，就是去比較和A城市類似的B城市，如果B城市2年前失業率與A城市相同，2年來沒有勞工訓練，比較看B城市2年前與現在的失業率是否明顯提升， 來看出A城市勞工訓練有效性。這種方法也可適用在比較某種教學方式，考試方式，囚犯改造方式等，在差異中找到差異比較，進而推論其效果。
作者最後一章，問了5個問題，並透過這5個問題的討論，總結這本書：
（1）足球隊員受到腦傷後，往往造成永久性的神經傷害，因此，足球比賽只是為了取悅觀眾，但對與參與者卻是永久傷害，這種活動是否應該禁止？ 利用本書的工具，可以更清楚的找出足球員VS一般人， 他們的腦傷比例與永久性神經傷害的關係。
（2）美國小孩的自閉症患者比例，從10年前的 6%，成長到5年前 9%， 2012年到12%。什麼原因造成兒童自閉症的升高？是手機，代糖，超音波還是生活環境？統計分析，發現在嬰兒1和2歲生日為好發期，所以是疫苗造成的？如果從疫苗中移除某些成分，是否可以改善？透過統計可以這樣一步步的抽絲剝繭，了解潛在的因素。
（3）我們如何找出並獎勵好學校與好老師？分辨對象的前提就是設定 KPI，然後進行衡量。設定KPI本身就是困難的， 衡量的方法也是另一個挑戰。接下來獎勵的制度設計，又會影響到老師與學校的做法，如何透過獎勵來督促他們走向KPI的方向？獎勵是否會扭曲部份學校老師的避重就輕，達到權重較高的KPI，而忽略其他重要卻權重不高的項目？
（4）對抗全球貧窮最佳的工具是什麼？法國經濟學家利用控制組實驗組方式來統計分析，印度教師曠課率過高造成學生教育差，他設計激勵鼓勵教師與學生上課打卡，比較曠職教師班級的學生成績；他對肯亞農夫分成兩群，贈送農藥與不贈送，比較他們農作物生產量，得出農藥重要性與農民貧窮買不起農藥的現象；他比較開發中國家的家庭開銷由男性或女性控制，對於兒童有沒有吃飽的影響。較富裕的國家女性對開銷掌控權高，小孩較容易吃飽，較貧窮國家為男性掌控，他們則把收入花在酒吧，小孩則較不容易吃飽。
（5）誰會搜尋然後知道你在做什麼？google 和 facebook 手上握有所有會員的行為和資料，他們可以經過資料分析， 知道你是誰以及過去行為，然後預測未來的變化。
總之，我們可以列出許多生活中不可或缺的事物，例如火，刀子，汽車，美容用品等，然後找出規律性。統計在這裡也扮演不可或缺。但是水可載舟，也可覆舟，使用統計，不能完全依賴數字，而要彈性。
7/03/2014
看穿統計 naked statistics - 回歸分析的問題
許多人拿到一些數據，就開始做回歸分析，他們的邏輯是，先把資料丟進去電腦裡面跑回歸，然後從運算中尋找相關性，他們設法把不相關的變數回歸找出相關性，希望在無因果關係中找到突破性的發現。
參考作者書中的案例，他舉出體重與其他變數間的相關係數。
體重（Y）＝4.4 x 身高 ＋ 0.08 x 年齡 － 5.7 x 性別（女性＝1） － 0.7 x 學歷年數 ＋ 3.7 x 低運動量（幾無運動者＝1）＋ 5.6 x 貧窮者（領食物卷者＝1）＋9.7 x 非拉丁美洲黑人 －117
回歸分析的相關係數，必須注意三件事：
－sign （正負號）代表兩個變數之間的正相關或是負相關，例如體重與身高正相關，身高越高體重也越高，性別則是負相關，女性比男性體重會減少。
－size（大小）代表兩個變數之間的相關大小程度，就是X-Y 座標上直線的斜率，但是這個數字未必有太大的意義，例如體重與身高的係數 4.4，表示身高增加 1英吋，體重增加 4 磅；而只要是貧窮者，體重會比非貧窮者多5.6磅。
－significance （顯著性） 代表兩個變數之間的關係重不重要，採用的計算方式是拿標準差 standard error，t 分佈， p value， 信賴區間與R平方。這麼多的衡量工具表示統計學最重要的在於找到變數之間真正的有價值變數，因為很難找到好的變數，於是要透過不同的工具來衡量顯著性。
作者接著利用30頁的篇幅，說明回歸分析的7種錯誤，大概的重點摘要如下：
（1）對非線性相關的事情，拿來做回歸分析，一定產生錯誤。記得：回歸分析只適用于線性關係的變數。例如高爾夫球教練費與高爾夫球杆數分佈類似微笑曲線，如果做回歸分析，可以得到一條直線，但那條直線無法解釋事情的真相。
（2）相關性不等於因果關係，誤解的話會硬擺出荒唐的邏輯。。例如觀察過去一段時間美國的自閉症病人數與中國的經濟成長率高度相關，但兩者是否有因果關係，未必可以因相關而斷定。
（3）正向因果關係不成立時，不代表反向就成立。例如我們相信失業率與經濟成長率高度相關；然而降低失業率後，未造成GDP成長；並不代表提升GDP成長，就能降低失業率。
（4）小心省略某些變數所做的回歸分析，可能造成偏誤。例如研究指出打高爾夫球的人，比打籃球的人較容易患有心血管疾病與癌症。這個研究忽略了年齡的因數，打高爾夫球的人年齡通常高於打籃球的人，這群人罹患這些疾病的比例原本就比較大。
（5）當多變數的回歸分析時，要提防把高度相關的獨立變數放進去回歸，讓原本彼此應該獨立的變數，蒙上互相牽制的陰影。例如作者研究海洛因與古柯鹼對SAT成績的影響，計算SAT對海洛因的相關係數，計算SAT對古柯鹼的相關係數，結果，某學校672吸毒學生的樣本，其中只有3人吸海洛因（不吃古柯鹼），2人吃古柯鹼（不吸海洛因），其他667位同時吸食兩種毒品。這樣的多變數回歸，只針對那5個樣本，就失去客觀性。
（6）丟進來太多無關的變數，會讓分析失焦，也很難解釋。例如連續多次丟銅板，最後從40個學生中找出一個能夠連續丟出5個正面的學生，這時候老師就專訪這個學生，你是怎麼辦到的？你能不能再連續丟出5個正面？ 這表示許多研究其實無法複製情境，有些純屬偶然，卻硬生生要解釋，是太過外行的做法。
總之，作者認為回歸分析只是一個工具，使用時必須注意到前述的錯誤。此外，他提醒任何對數字有興趣的人，不要貿然的做回歸，最好先設想你心目中的X-Y 中關係，先有一套說得過去的邏輯說服自己，再來透過數字分析加強佐證。
參考作者書中的案例，他舉出體重與其他變數間的相關係數。
體重（Y）＝4.4 x 身高 ＋ 0.08 x 年齡 － 5.7 x 性別（女性＝1） － 0.7 x 學歷年數 ＋ 3.7 x 低運動量（幾無運動者＝1）＋ 5.6 x 貧窮者（領食物卷者＝1）＋9.7 x 非拉丁美洲黑人 －117
回歸分析的相關係數，必須注意三件事：
－sign （正負號）代表兩個變數之間的正相關或是負相關，例如體重與身高正相關，身高越高體重也越高，性別則是負相關，女性比男性體重會減少。
－size（大小）代表兩個變數之間的相關大小程度，就是X-Y 座標上直線的斜率，但是這個數字未必有太大的意義，例如體重與身高的係數 4.4，表示身高增加 1英吋，體重增加 4 磅；而只要是貧窮者，體重會比非貧窮者多5.6磅。
－significance （顯著性） 代表兩個變數之間的關係重不重要，採用的計算方式是拿標準差 standard error，t 分佈， p value， 信賴區間與R平方。這麼多的衡量工具表示統計學最重要的在於找到變數之間真正的有價值變數，因為很難找到好的變數，於是要透過不同的工具來衡量顯著性。
作者接著利用30頁的篇幅，說明回歸分析的7種錯誤，大概的重點摘要如下：
（1）對非線性相關的事情，拿來做回歸分析，一定產生錯誤。記得：回歸分析只適用于線性關係的變數。例如高爾夫球教練費與高爾夫球杆數分佈類似微笑曲線，如果做回歸分析，可以得到一條直線，但那條直線無法解釋事情的真相。
（2）相關性不等於因果關係，誤解的話會硬擺出荒唐的邏輯。。例如觀察過去一段時間美國的自閉症病人數與中國的經濟成長率高度相關，但兩者是否有因果關係，未必可以因相關而斷定。
（3）正向因果關係不成立時，不代表反向就成立。例如我們相信失業率與經濟成長率高度相關；然而降低失業率後，未造成GDP成長；並不代表提升GDP成長，就能降低失業率。
（4）小心省略某些變數所做的回歸分析，可能造成偏誤。例如研究指出打高爾夫球的人，比打籃球的人較容易患有心血管疾病與癌症。這個研究忽略了年齡的因數，打高爾夫球的人年齡通常高於打籃球的人，這群人罹患這些疾病的比例原本就比較大。
（5）當多變數的回歸分析時，要提防把高度相關的獨立變數放進去回歸，讓原本彼此應該獨立的變數，蒙上互相牽制的陰影。例如作者研究海洛因與古柯鹼對SAT成績的影響，計算SAT對海洛因的相關係數，計算SAT對古柯鹼的相關係數，結果，某學校672吸毒學生的樣本，其中只有3人吸海洛因（不吃古柯鹼），2人吃古柯鹼（不吸海洛因），其他667位同時吸食兩種毒品。這樣的多變數回歸，只針對那5個樣本，就失去客觀性。
（6）丟進來太多無關的變數，會讓分析失焦，也很難解釋。例如連續多次丟銅板，最後從40個學生中找出一個能夠連續丟出5個正面的學生，這時候老師就專訪這個學生，你是怎麼辦到的？你能不能再連續丟出5個正面？ 這表示許多研究其實無法複製情境，有些純屬偶然，卻硬生生要解釋，是太過外行的做法。
總之，作者認為回歸分析只是一個工具，使用時必須注意到前述的錯誤。此外，他提醒任何對數字有興趣的人，不要貿然的做回歸，最好先設想你心目中的X-Y 中關係，先有一套說得過去的邏輯說服自己，再來透過數字分析加強佐證。
7/02/2014
看穿統計 naked statistics -抽樣與推論
統計中，抽樣是很大的學問，有兩個理論必須了解：
（1）中央極限定理(Central Limit Theorem) ，他的觀念是，如果我們要研究某個母體（假設馬拉松選手與相撲選手，前者體重平均值 167磅，變異數36磅）；當我們要用抽樣來調查，第一次在某輛公車上， 第二次在某次市民運動會，接著進行到62次的抽樣，每個樣本的平均值分別記錄，也可以計算標準誤差 SE （累計每個平均值和整體平均值的誤差平方和再開根號除以62次）， SE＝ 36/根號62 ＝4.6，表示這62次調查的平均值，會很緊密的靠近 167磅這個中央值。這62次也會呈現常態分佈。做的次數越多，SE會越小，表示樣本平均值更集中。
（2）推論檢定的做法（statistical inference tool: hypothesis testing)： 會先假設null hypothesis （例這公車的人非馬拉松選手，平均體重遠大於167磅）, 再假設反義的 alternative hypothesis（這公車的人是馬拉松選手，體重落在167附近）， 然後抽樣找出資料，去檢定 null hypothesis 是真是假的。如果是真的（例如250磅），就推翻馬拉松選手的假說；反之, 如果體重落在合理區間（167+ 2 SE）內表示這些人可能就是馬拉松選手。
（3）信賴區間confidence interval與顯著程度 significant level: 抽樣調查的樣本計算後，看樣本平均值落在常態分佈的那個地方？
信賴區間 95%，表示在2個標準差之內， 顯著程度就可以用0.05 （1-95%）表示；
有些時候，信賴區間要求到 5.7個標準差，則顯著程度來到 0.0001 （1-99.99%）又叫p值。
誤差分兩種：type 1 & type 2 error:
type 1: low threshold, 信賴區間 1.5標準差， 抽樣結果很容易拒絕 null hypo, 超過1.5 SE 就不被當作合理的區間。 false positive
type 2: high threshold, 信賴區間 5.7標準差，抽樣結果很大空間接受 null hypo, 超過 2 SE 到 5.7 SE 這麼大的空間抽樣 也被接受為合理的區間。 false negative
這些統計檢定，有些困難，但常在市場調查報告中看到，必須有基本概念。
（4）POLLING （民調）是採用比率計算，而不是計算平均數，例如計算美國總統候選人的當選機率，我們抽取500個樣本，53%認為A會當選，47認為其他人會當選，因此我們計算A會當選的標準差SE＝（p x（1-p）／ n）的根號＝ （53％ x 47% ／500）的根號 ＝ 2%， 因此我們估計A會當選的機率落在 53% ＋2%與 －2%的區間。
（1）中央極限定理(Central Limit Theorem) ，他的觀念是，如果我們要研究某個母體（假設馬拉松選手與相撲選手，前者體重平均值 167磅，變異數36磅）；當我們要用抽樣來調查，第一次在某輛公車上， 第二次在某次市民運動會，接著進行到62次的抽樣，每個樣本的平均值分別記錄，也可以計算標準誤差 SE （累計每個平均值和整體平均值的誤差平方和再開根號除以62次）， SE＝ 36/根號62 ＝4.6，表示這62次調查的平均值，會很緊密的靠近 167磅這個中央值。這62次也會呈現常態分佈。做的次數越多，SE會越小，表示樣本平均值更集中。
（2）推論檢定的做法（statistical inference tool: hypothesis testing)： 會先假設null hypothesis （例這公車的人非馬拉松選手，平均體重遠大於167磅）, 再假設反義的 alternative hypothesis（這公車的人是馬拉松選手，體重落在167附近）， 然後抽樣找出資料，去檢定 null hypothesis 是真是假的。如果是真的（例如250磅），就推翻馬拉松選手的假說；反之, 如果體重落在合理區間（167+ 2 SE）內表示這些人可能就是馬拉松選手。
（3）信賴區間confidence interval與顯著程度 significant level: 抽樣調查的樣本計算後，看樣本平均值落在常態分佈的那個地方？
信賴區間 95%，表示在2個標準差之內， 顯著程度就可以用0.05 （1-95%）表示；
有些時候，信賴區間要求到 5.7個標準差，則顯著程度來到 0.0001 （1-99.99%）又叫p值。
誤差分兩種：type 1 & type 2 error:
type 1: low threshold, 信賴區間 1.5標準差， 抽樣結果很容易拒絕 null hypo, 超過1.5 SE 就不被當作合理的區間。 false positive
type 2: high threshold, 信賴區間 5.7標準差，抽樣結果很大空間接受 null hypo, 超過 2 SE 到 5.7 SE 這麼大的空間抽樣 也被接受為合理的區間。 false negative
這些統計檢定，有些困難，但常在市場調查報告中看到，必須有基本概念。
（4）POLLING （民調）是採用比率計算，而不是計算平均數，例如計算美國總統候選人的當選機率，我們抽取500個樣本，53%認為A會當選，47認為其他人會當選，因此我們計算A會當選的標準差SE＝（p x（1-p）／ n）的根號＝ （53％ x 47% ／500）的根號 ＝ 2%， 因此我們估計A會當選的機率落在 53% ＋2%與 －2%的區間。
7/01/2014
看穿統計 naked statistics - 數據的重要
俗話說，garbage in garbage out. 數據如果沒有重視取得的品質和相對母體的代表性，則很容易輸入不適當的資料，得出不清楚的結果。尤其提到抽樣調查，調查時盡可能要找到和母體分佈相類似的樣本（例如縣市別，性別，年齡區間，行為別都和母體的分佈比例類似）。但是抽樣最好取亂數，避免失去抽樣的隨機性。偏偏電話訪問或是街頭訪問時，願意接受訪問的人，不論是為了小贈品，或是個性使然，或是打電話的時段與受訪者的工作屬性，都可能造成抽樣的誤差。
有些抽樣誤差或謬誤，條列如下：
1.selection bias: 願意接受訪問或調查的人，本身就不會是亂數隨機的，回答的資訊正確率可疑。有些焦點或專家訪談，甚至徵求自願民眾參與實驗調查，這些自發性或篩選的樣本，本身就隱藏很大的誤差。
2.publication bias: 當我們發表的數據，考慮社會群眾，公司主管，媒體編輯，論文評審官等都喜歡正面的消息，嚴惡負面的發現。加上許多人的時間很少，希望在簡短的描述中抓到分析的結果，因此許多分析的內容很豐富，但結論卻被剪接的失去全貌。
3.recall bias：人類的記憶力並不好，對於過去一段時間的往事或經驗，往往要從記憶中拼湊，甚至亂猜亂湊。尤其進行量化的追蹤過去的歷史經驗，許多人會亂回答，並非故意，而是記憶力已經不清楚。
4.survivorship bias: 統計上的誤差發生在我們只計算存留下來比較優秀的樣本，而不計算優勝劣敗的淘汰者，造成統計上的表現很突出。例如基金公司號稱他們公司的投資基金優於大盤，其實不是他們公司的分析師特別厲害，而是，他們有20檔基金上市，他們把不好的基金做合併或下市，只留下優於大盤的基金繼續銷售，並且宣稱優於大盤。
5.healthy user bias: 教育局長宣導穿紫色睡衣睡覺的小孩比較健康，於是許多照顧小孩的家長會專程購買紫色睡衣，並且提醒小孩睡覺時間。過了10多年後，研究發現念名校的學生許多都曾經穿過紫色睡衣。其實紫色睡衣不是讓他們健康的因素，而是他們會穿紫色睡衣的家庭環境或生活作息。
這些案例，有些在快思慢想一書中，有類似的邏輯。
有些抽樣誤差或謬誤，條列如下：
1.selection bias: 願意接受訪問或調查的人，本身就不會是亂數隨機的，回答的資訊正確率可疑。有些焦點或專家訪談，甚至徵求自願民眾參與實驗調查，這些自發性或篩選的樣本，本身就隱藏很大的誤差。
2.publication bias: 當我們發表的數據，考慮社會群眾，公司主管，媒體編輯，論文評審官等都喜歡正面的消息，嚴惡負面的發現。加上許多人的時間很少，希望在簡短的描述中抓到分析的結果，因此許多分析的內容很豐富，但結論卻被剪接的失去全貌。
3.recall bias：人類的記憶力並不好，對於過去一段時間的往事或經驗，往往要從記憶中拼湊，甚至亂猜亂湊。尤其進行量化的追蹤過去的歷史經驗，許多人會亂回答，並非故意，而是記憶力已經不清楚。
4.survivorship bias: 統計上的誤差發生在我們只計算存留下來比較優秀的樣本，而不計算優勝劣敗的淘汰者，造成統計上的表現很突出。例如基金公司號稱他們公司的投資基金優於大盤，其實不是他們公司的分析師特別厲害，而是，他們有20檔基金上市，他們把不好的基金做合併或下市，只留下優於大盤的基金繼續銷售，並且宣稱優於大盤。
5.healthy user bias: 教育局長宣導穿紫色睡衣睡覺的小孩比較健康，於是許多照顧小孩的家長會專程購買紫色睡衣，並且提醒小孩睡覺時間。過了10多年後，研究發現念名校的學生許多都曾經穿過紫色睡衣。其實紫色睡衣不是讓他們健康的因素，而是他們會穿紫色睡衣的家庭環境或生活作息。
這些案例，有些在快思慢想一書中，有類似的邏輯。
信度與效度－精確與準確
統計上有信度與效度的名詞，他們代表什麼意思？
簡單說，信度 reliability 類似precise，是指統計工具的可靠度，例如量體重，量100次，是否有較低的變異數，都集中在某一個平均值旁邊？例如射箭100次，這些箭有多少比例集中落在靶上的某個區域。
效度 validity 類似 accurate，是指統計工具可以有效的測量到想要測量的目標，例如量體重的體重計，能否量到真正的體重，測量數值和實際值的差異性很小？ 例如射箭，是否落在紅心？
舉例來說， 若做一次總統候選人的民調，如果測驗100次， 每次測量都是A先生有50%的得票率， 表示這個市調工具信度高（可靠）； 到選舉結果，如果A先生的最後得票率只有20%，表示這個調查工具效度低（無效）。
簡單說，信度 reliability 類似precise，是指統計工具的可靠度，例如量體重，量100次，是否有較低的變異數，都集中在某一個平均值旁邊？例如射箭100次，這些箭有多少比例集中落在靶上的某個區域。
效度 validity 類似 accurate，是指統計工具可以有效的測量到想要測量的目標，例如量體重的體重計，能否量到真正的體重，測量數值和實際值的差異性很小？ 例如射箭，是否落在紅心？
舉例來說， 若做一次總統候選人的民調，如果測驗100次， 每次測量都是A先生有50%的得票率， 表示這個市調工具信度高（可靠）； 到選舉結果，如果A先生的最後得票率只有20%，表示這個調查工具效度低（無效）。
訂閱：
文章 (Atom)