假精確時代：大數據的合法詐騙，讓你上鉤還服服貼貼

前 言
第一章 數字也會說謊
一、數字並不是你看起來那麼龐大
（一）網路上的「大數字」
（二）教育中的「大數字」
（三）生活中的「大」數字
（四）缺乏對比，數字大小未可知
二、這些數字是捏造出來的
（一）網路造假
（二）票房造假
（三）胡亂預測
三、看穿數字中的「假精確」
（一）廣告中的「假精確」
（二）生活中的「假精確」
四、數字真實，包裝後也會認不出
（一）你看到的，都是對我有用的
1．醫學研究中的「最優選擇」
2．經濟數據中的「最優選擇」
3．商業上的「最優選擇」
4．媒體報導上的「最優選擇」
（二）指鹿為馬，無效的比較
1．生活中的數字陷阱
2．票房中的數字陷阱
3．工作中的數字陷阱
（三）改一改，數據變了樣
1．平均值，典型值？
2．圖表，徒有其表
五、拙劣的數字謊言
（一）廣告中的數字謊言
（二）網路中的數字謊言
（三）投資中的數字謊言
（四）所謂的「公式」
第二章 風險中的數字陷阱
一、虛假的「小」風險
（一）科學中的「小」風險
（二）金融中的「小」風險
二、虛假的「大」風險
（一）科學上的「大」風險
（二）生活上的「大」風險
三、風險也分相對與絕對
（一）科學上的風險
（二）生活上的風險
四、科學謠言扎根於數字陷阱
（一）「大」數字
（二）風險「相對論」
（三）關聯不是因果
（四）毫無意義的比較
（五）離開劑量談毒性？請不要耍流氓
第三章 注意：迴歸分析也有陷阱
一、數字相關≠因果聯繫
（一）醫學上的數字陷阱
（二）網路上的數字陷阱
1．機緣巧合產生的相關關係
2．聯合變動
3．顯著相關性，變量之間毫無影響
二、A和B，哪個是因？哪個是果？
（一）科學界的因果倒置
（二）經濟上的因果倒置
（三）學習上的因果倒置
（四）廣告上的因果倒置
（五）教育上的因果倒置
三、遺漏變量，分析有誤差
（一）學校考試成績中的數字陷阱
（二）健康上的數字陷阱
（三）機率上的數字陷阱
1．環境謬誤——假設整體的機率就是個體的機率
2．獨立性謬誤——需要證明獨立性，卻假設獨立性先驗存在
3．檢察官謬誤
四、無關變量太多，結果無意義
五、預測趨勢胡亂分析，結果很可笑
第四章 統計調查，數字陷阱的重災區
一、樣本數據不足，離正確結論失之千里
二、資料不相配，何談正確結論
（一）媒體的不相配數據
（二）廣告中的不相配數據
（三）醫學上的不相配數據
（四）公司營運中的不相配數據
三、樣本選取錯誤，系統誤差不可避免
四、人性弱點，被調查者不一定說真話
五、問題問得好，被調查者才會答得好
第五章 廣告中的數字陷阱
一、徵才廣告有隱情，虛假薪資誘人心弦
二、商品折扣增加四〇％，你是否心動？
三、裝潢陷阱玩弄低價數字遊戲，你能看清嗎？
1．展開面積≠投影面積
2．單位不同，小心有詐
3．外牆面積與內牆面積
4．圖紙與預算書中的尺寸要一致
四、公司產品滿意度九九‧八％，幌子不少
五、廣告中的辛普森悖論
（一）藥物 vs 安慰劑
（二）考試成績
（三）吸菸與健康問題
六、數字形式巧變樣，感覺不一樣
（一）模糊字眼
（二）「大」數字
（三）精確數字
七、價格就怕比，弄得消費者沒主意
（一）第一個數字
（二）消費者的中庸之道
（三）我們只是缺少一個購買的理由
八、特價房屋，特價可能只是錯覺
第六章 網際網路的數字陷阱
一、婚戀網站陷阱多，機器人帳號遍地開花
二、網路金融，產品收益說得不可靠
（一）年化收益率一六％？零風險？
（二）貨幣基金收益八％？
（三）高收益吸睛，文字遊戲？
三、你的粉絲究竟有多少是虛假的？
四、網際網路的KPI，內幕真不少
1．用戶註冊數
2．活躍用戶數
3．用戶瀏覽數
五、網路上有排行，灌水太多不可靠
（一）品牌榜
（二）暢銷榜
（三）信譽榜
（四）排名應有准入門檻
（五）網路平台當擔責
六、直播平台很熱門，隱情很多，湊成堆出現
七、流傳二十多年的假數據，是時候拆穿了
八、網路數據造假為何頻頻出現？
第七章 企事業單位營運的數字陷阱
一、學校考生真是不同凡響，你關注上榜人數的背後了嗎？
二、藥價下降了，你覺得醫藥費真的會少嗎？
三、霧霾減輕了，真的是車輛限行的原因嗎？
四、電視收視率有那麼簡單嗎？
（一）收視率的玄機
（二）收視率為零？
（三）收視率 vs 收視占比
五、上市公司融資額，造假危險且愚蠢
（一）上市潛力股公司
（二）上市企業所投公司
六、高鐵上座率大於百分之百，有的車廂還沒人？
七、可恨的誘餌式標題，死亡率可不能這麼對比
第八章 生活中的數字陷阱
一、攤販找你小錢，先不要著急走開
（一）耍賴裝傻
（二）障眼法
（三）墊秤
（四）耍秤
二、步數多，健康也不一定會來
1．步數≠運動強度
2．生活步數≠運動步數
三、有折扣就便宜？可沒有那麼好的事
（一）折扣陷阱
（二）贈品陷阱
四、體重減輕，減肥就成功？
（一）越減越肥
（二）失戀減肥
（三）紋絲不動的體重數字
（四）瘦卻乾癟著
（五）身材好，體重卻沒變
五、視力度數就一定可靠？小心近視
六、葡萄酒看年份，這種常識不可輕信
七、前面有坑，小心掉入中獎陷阱
八、二手車看里程數，多長心眼別被糊弄
第九章 避免數字陷阱有妙招
一、大數據的困局，N≠所有
二、大數據，用小規模實驗求證
三、尋找偏差，不要被權威迷惑
（一）有意識的偏差
（二）無意識偏差
（三）將資料與權威人士劃清界限
四、問自己，是否遺漏了什麼？
（一）缺乏比較
（二）遺漏原因
五、拆穿偷換概念的把戲
（一）統計口徑不同
（二）口頭回答不可靠
（三）目的不同
（四）無理比較
（五）標榜第一
（六）文字遊戲
六、用提問將毫無意義的數據打回原形

李凱，數學與應用數學系，高級軟體工程師，擔任過數據分析師、專案經理等職務。主要從事大數據環境下的商業數據分析，設計酒店、金融證券、建築和行動通訊等多個行業。