Survivorship Bias
倖存者偏差
只看見「活下來的」案例，忽略沉默的失敗者——成功故事的樣本本身就被篩選過。
這個偏誤在做什麼
二戰時，軍方想在中彈最多的機身部位加裝甲。統計學家 Abraham Wald 指出該加在「沒有彈孔」的部位——因為中那些部位的飛機根本沒能飛回來，你只看得到倖存的樣本。 這就是倖存者偏差：你能觀察到的資料，是被「存活」這個條件篩選過的，據此推論會系統性偏誤。輟學創業者、基金績效榜、爆紅 creator——你看到的全是倖存者，那些用同樣方法卻失敗的人沒被記錄、也不會來告訴你。
日常的樣子
「大學輟學的都變億萬富翁」——你看到 Gates、Jobs、Zuckerberg，卻沒看到幾百萬輟學後默默無聞、生活更艱難的人。
你正在踩進它的訊號
- ·你只研究成功案例，就下了「該怎麼做」的結論。
- ·你用「他們都這樣做才成功」當作證據。
- ·你沒問「同樣做法但失敗的人有多少」。
- ·你的資料來源天然排除了失敗者（榜單、訪談、還活著的公司）。
對抗它的具體動作
- 1主動去找「失敗組」——同樣起點卻沒成功的人，他們的故事去哪了？
- 2問：「這個樣本是怎麼被選出來的？誰被排除在外？」
- 3對「成功者的共同點」打折——看看失敗者是不是也有這些共同點。
- 4用整體 base rate 推論，而不是用倖存的個案。
用這些框架對抗它
容易與這個混淆的偏誤
並列對比
常見問題
倖存者偏差跟基準率忽視怎麼分？
基準率忽視是「有統計卻不用，被生動個案說服」；倖存者偏差更隱蔽——你連統計都拿錯了，因為失敗樣本根本沒出現在你的資料裡。一個是忽略可得的整體數據，一個是你看到的數據本身就被存活條件篩選過。
研究成功案例難道沒用嗎？
不是沒用，而是不能只看成功組。一個「特徵」只有在「成功者有、失敗者沒有」時才有解釋力。如果失敗者也都有那個特徵（例如「努力」「熱情」），它就無法區分成敗。研究成功案例，一定要配上失敗案例當對照組。
日常生活中最常踩到倖存者偏差的地方是？
投資（只看賺錢的人/還在的基金）、創業（只聽成功創業者演講）、職涯（「那些人這樣轉行就成功了」）、買股票看「過去報酬率」（虧到下市的早就消失在資料裡）。任何時候你的資訊來源是「還在場上的人」，就要警覺缺席的失敗者。