按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
ㄊ寡５奶逵に憔逊环＃�
“自从最高法院做出给予被告更多权利的决定后，犯罪率就不断地上升。”（但是有可能自从最高法院做出这项决定后失业率也在上升。）
正如你可能猜想到的那样，政界和商界的领袖们喜欢使用这种“在此之后、由此引起”的推论方式，尤其是当这种推论符合他们的意愿时。例如，在承担了领导者角色之后，如果发生了好事，他们就倾向于认为是由自己的领导引起的，如果发生了坏事件就把责任归咎到其他方面。
记住：不能仅仅由于一件事情紧接着另一件事情发生，就认为二者存在因果关系；这有可能只是个时间上的巧合。当你看到这样的推理时，一定要问问你自己：“是否还有其他原因也能说明这件事？”还有，“除了两件事在时间上接近以外，还有没有其他有力的证据呢？〃
解释独立的事件或行为
一家大能源公司的总经理为什么要在2002 年欺骗公司的股东？2001 年的9 月11 日，恐怖主义分子为什么要袭击世贸大厦？2002 年西南地区的干旱是由什么原因引起的？
和我们对于凡 高的耳朵的疑问一样，以上这些问题试图对一些独立的历史事件做出解释。科学研究不能回答这些问题，我们必须自己从过去中寻找线索。一个这样的研究会使我们学会一些方法，从而对推理上的错误更加敏感，其中的一些方法尤其值得我们记住。第一，正如我们从凡 高的事例中所认识到的那样，对于同一件事，很多不同的解释都可能是“有道理的”。第二，我们解释事件的方法受到社会力量和政治力量的极大影响，也会受到个体的心理力量的影响。例如，“自由主义者”与“保守主义者”对于总经理的欺骗行为的原因就有不同的看法，女权主义者与医生对于食欲减退的原因也有不同的看法。
另外，“基本归因错误”是一种常见的偏见，即在解释他人的行为时，我们会过高地估计个人倾向性的作用，而降低了环境因素的作用。也就是说，当我们评价他人的行为时，我们更倾向于从内在因素（他人的人格特征）找原因，而不是从外在因素（环境的力量）找原因。因此，举例来说，当某人约会迟到时，一开始我们倾向于认为他迟到的原因是他这人一向比较磨蹭或者他做事不考虑其他人。然而，我们还应当考虑一下他是否遇到了意外状况，比如，汽车抛锚、塞车或者临时有未预约的客人到访。另一种常见的心理错误就是，一开始就限定了可能原因的数目，然后如果发现了一些补充信息（甚至是不恰当的信息），不是把它们当成独立的、新出现的或者更复杂的假设对待，而是当成已经存在的、被确定的假设来解释。我们的倾向是简化世界；但是事情往往需要复杂的解释。解释一件事并不像流行的脱口秀节目所邀请的专家讲得那样简单。
如何得知对于某件事或某些事我们的解释是否“好”呢？我们无法确定。但我们可以通过提一些批判性的问题来有所提高。当你接受你所遇到的第一个解释时，请小心。请你寻找其他原因并比较它们的可靠性。我们必须接受这个事实，即许多事件都不能用一个简单的原因解释。
解释一件事或一系列事件的线索
当你试图发现干扰性原因时，请用以下的问题问问你自己。．是否有证据表明这种解释得到了批判性检验？
．社会力量、政治力量或心理力量会不会使假设带有某种偏向？．还有哪些十扰性原因还没被考虑？与千扰性原因相比，作者的假设有多可靠？
．对于事件的疑点，作者的假设是否全面？
．作者的假设与所有与事件有关的那些有价值的证据的一致性程度有多高？
。 “在此之后、由此引起”的推理是连结事件的幸要推理吗，
评估干扰性原因
在作者提出进一步的证据之前，你所提出的看似合理的干扰性原因越多，你对作者最初所提供的解释的信任程度就越低。作为一名批判性思考者，你希望尽可能准确地评估每一种解释与可利用的证据有多符合，同时尽量注意避免你个人的偏见。在对各种原因进行比较时，我们建议你使用以下的标准：1 ．逻辑合理性；
2 ．与其他知识的一致性．
3 ．是否曾经成功地解释或预测了某些事件。
使用这个批判性问题
对于一个具有批判性的思考者来说，每一个关于因果关系的观点都会立刻引起他的好奇心和求知欲。但是对于这种现象是否还有可供选择的原因？最具有建设性的批判是让某人来思考干扰性原因。你这样做的目的是要找到一个更好的原因来解释因果关系。
证据与你自己的写作和演讲
在上三章已经间接地为你提供了获得有效沟通的线索。当你为你的观点提供强有力的、充分的证据时，你的听众就会对你的观点印象深刻。不过这条线索还蕴涵着一个警告：你的听众期望或者说要求你的观点能够有充分的证据来支持。你要成为一名成功的作者或演讲者，满足这项要求就是对你最大的挑战。
总结
对于同一件事情的原因，如果出现了其他的解释，那么已经存在的解释就会受到削弱。这些对先前的解释具有威胁的原因就叫做干扰性原因。
人们在解释所观察到的结果时存在一个普遍的逻辑错误，就是混淆了相关和因果关系。因此，请你一定要想想，是否还有其他的原因也能解释所观察到的结果。尤其要小心混淆“在此之后、由此引起”的逻辑错误。
练习
以下的每个例子都提供了一个论证来支持一个因果关系推论。请你针对每个观点找出干扰性原因。然后，请你试着判断由于你所知道的干扰性原因的存在，在多大程度上削弱了作者的观点。
练习l
一点阳光就能战胜冬季抑郁症。有的人会由于冬季白昼变短而感到抑郁，这就是冬季抑郁症。接受研究的9 名冬季抑郁症患者在睡醒之前和太阳下山之前都要接受明亮的光照，每次照3 小时。一周之内，这9 名患者中有7 人完全康复，其他两人也表示症状得到了缓解。这种光照疗法通过让身体误以为是夏季而生效。
练习2
是什蜘蒙因导致邮局的一个职员突然发狂并杀死了6 名职员？通过仔细地厦顿罪犯的童年，洲门找到了答案。他8 岁时失去了母亲，他的父亲经常虐待他。还有，他的哥哥姐姐都比他优秀，他成长在他们的阴影下。当他还是个孩子时就很难交到朋友，对自己的性别也不认同。成年后，他盲目地换了一个又一个工作，井产生了一些古怪的幻想。最后，邮局成为导致他这一切失败的社会象征。为了成为“有成就的人”，最终他转向了暴力。
练习3
近期的一项研乡裱明，导致青春期的少喇巳罪的一个主要原因是这些十几岁的少年缺乏自尊。研究人员从田纳西州那什维尔少年潜力培训班选取了500 名少年进行研究，这些少年接受了关于犯罪行为原因的测验。研究人员对这些丈吓级的少年们洲亏了访问，让他们完成了罗伯特自尊测验，并询问他们参加犯罪活动的频率。研究人员发现，对自己的评价越糟的孩子，参加犯罪活动的可能陛越高。另外，研究人员还发现，在以后两年里，自尊测验分数增加的那些孩子参加犯罪活动的频率呈现出减少的趋势。这项研究说明，如果教师想要减少青少年犯罪，就应当关心青少年的自尊状况。抽样回答― 练习1
结论：光照疗法战胜了冬季抑郁症。
理由：一周之内，接受光照疗法的9 个患者中有7 人完全康复。除了光照疗法，还有没有其他原因也能解释患者的好转呢？答案是肯定的；有很多明显的、可供选择的解释研究人员都没有列出来。例如，有可能患者本身就希望能好起来，这种期望使他们在接受治疗后主观上感觉好起来了。还有，患者知道了光照疗法的目的，为了取倪研究人员，即使没有好转，他们也报告感觉好些了。我们还可以假设，在这一周之内，周围环境的改变导致了患者好转。比如，在治疗的这一周之内，也许天气特别好，这些患者花了比平常更多的时间来做户外运动。另一种可能就是这些人由于陷入某种沮丧状态，而自然地期望在短时间内尽快从这种状态中恢复。你还能找出其他干扰性原因吗？
练习2
结论：杀害邮局职员的暴力行为是由于童年时期生长在破碎的家庭、遭受到身体上的虐待、兄弟姐妹的敌对以及孤独导致的。
第11 章
第11 章统计数据是否具有欺编性 203 统计数据是否具有欺骗性
下面的内容有多少能使你信服？
据国际反家庭暴力联盟估算，已婚妇女中有超过一半的人（超过2700 万妇女）在婚姻生活中会遭遇家庭暴力，超过113 的人（超过1800 万妇女）每年都被丈夫一而再、再而三地殴打。事实表明，在交通事故中，酒后驾车的男、女司机的比例分别是23 ％和9 。6 ％。可见，女性比男性更适合驾驶。
你无须对上面所讲的事件记忆深刻。因为它们都在月统计数据斯编我们！
人们常运用统计数据来提出证据。可能你经常听到人们用这样一些话来支持自己的论证：“我能用统计数据证明这一点。”很多时候我们都使用统计数据（往往是不恰当地使用）来帮助我们做出决定，比如，评估国家的经济活动和社会发展、决定保留什么电视节目、确定投资策略、帮助人们决定该赌什么体育项目、评估人们对性生活的满意度、预测天气等。
统计数据是一种以数字形式表现出来的证据。这样的证据可以给人留下深刻的印象，因为数字使证据看起来非常科学、精确，让人感觉似乎这就代表着“事实”。然而，统计数据可以并且经常欺骗大家！表面上它们很有说服力，事实上却不一定。作为一个批判性思考者，你必须力求查明误用统计数据的推理。由于篇幅有限，我们不可能把所有带欺骗性的统计数据都列举出来。然而，这一章将为你提供一些普遍的、广泛使用的策略，你可以通过这些策略来查明统计数据的欺骗性。除此之外，这一章还将通过许多最常见的滥用、误用统计数据的事例，来提醒你小心统计数据所提供的证据。
圆批列性问题：统计数据是否具有欺骗性？
不可知的、有偏见的统计数据
找出具有欺骗性的统计数据，首要策略是尽可能多地了解人们如何获得这些统计数据。我们能否知道美国的艾滋病患者、堕胎者、盗窃商店者、白领阶层犯罪者、公务员、每天饮酒超过三瓶啤酒的人、殴打妻子的人、流浪者以及吸毒者的精确人数？对此我们表示怀疑。为什么？因为在获得准确的统计数据的过程中，由于某些特定原因，将出现各种各样的干扰，比如，不愿提供真实信息、没能记录下事件过程、观察事件时出现仪器故障或随机误差。因此，统计数据常被看作是“经过训练的推测”。那些推测很可能相当有用，也可能相当具有欺骗性。你需要时常提醒自己：“作者是如何得出这些估计的呢？〃
在关干各种身体不适症及医疗不适症的报告中，普遍存在着误用数据的情况，尤其是当某种不适症被人们关注的时候更容易被误用。例如，近期一本关于进食障碍的书里写到，每年有巧万年轻妇女死于厌食症。随后，媒体频繁地引用这个数据。这个巨大的数字使有些人感到不安和恐惧。有人对此进行了更精确的研究，发现事实是，每年有巧万妇女遭受进食障碍的痛苦，但是最近一年中仅有54 人因此而丧命。这些事例提醒我们要警惕那些企图说服我们的、令人印象深刻的数字，尤其是在很难使用精确的测量方法做统计时更应该注意。
令人圈惑的平均数
阅读以下这些句子，看看有什么问题：
（ l ）当前美国人的收入比以往任何时候都高；美国工人的平均收入是3 。 5 万美元。
（ 2 ）目前，工厂造成的空气污染的平均值低于危险水平。这两个例子都使用了“平均”这个词。但是，定义一个平均数有三种不同的方法，而且在大多数情况下不同的定义会得到不同的平均数值。是哪三种方法呢？
第一种方法是将所有的数据相加，再用所得的和除以数据的个数，得到的结果就叫做算术平均数。
第二种方法是按从大到小的顺序列出所有数据，找出位于中间的那个数。这个数叫做中数。一组数值中有一半数据大于中数，一半数据小于中数。
第三种方法是列出所有数据，然后将不同的数值排列归类。在一组数据中出现次数最多的那个数值叫做众数。
作者讨论的是算术平均数、中数还是众数，会产生很大的差异。再来分析一下美国人的收入分布状况。有的人收人极高，如年薪200 万美元。这样高的收入将会大大地提高算术平均数。然而，这些个别的高收入对于中数或众数的影响都很小。因此，如果某人希望使平均收入看起来高一些，算术平均数可能是最能达到目的的平均数。现在你明白，当人们谈论收入时，明确他们采用的是何种平均数有多么重要了吧。
让我们来仔细看看第二个例子。如果作者所给出的是众数或者是中数，都可能使我们得出错误的判断，认为空气污染的程度还没有超过安全范围。例如，即使产生严重污染的工厂只是少数，但这些工厂排放的污染物的总和远远超过危险水平― 就算把这些污染物分散到整个大气层里也是相当危险的。在这种情形下，用众数或中数来表示污染值都会非常低，但是算术平均数却会非常高。当你看见表示“平均”的数值时，都应该想想：“采用算术平均数、中数或众数是否有差别？”为了回答这个问题，请你思考使用不同平均数的含义会如何改变已知信息的意义。
通常，不只是决定采用哪一种平均数才重要，决定最小值和最大值之间的间距（即数据的范围）、每个数据出现的频率（即数据的分布）也同样重要。例如，假设你需要一些信息来帮助你决定吃或不吃从邻近海洋里捕捉到的鱼。如果只告诉你那些鱼的平均汞含量，你会满意吗？显然，这些信息是不够的。
我们还想知道汞含量值的范围，也就是说，汞含量可能达到的最高值和最低值以及不同含量值出现的频率。因为有可能所算出的平均数是在“安全”标准内，但是如果有10 ％的鱼汞含量高于“安全”标准，我想你宁愿不选择这些鱼作为晚餐。让我们再来分析另一个事例。在这个事例中，掌握数据的范围和分布是至关重要的。
美国不是一个过度拥挤的国家。就全国范围而言，每平方英里’还不到60 人，低于大多数国家的人口密度。
首先，我们怀疑算术平均数不能代表人口密度。虽然这里用算术平均数取得的人口密度可能非常低，但是，众所周知，美国的一些地区，如东北部人口密度非常高。因此，虽然美国的平均人口密度并不高，但事实上美国的一些地区是过度拥挤的。可见，当你看到平均数时，问问自己：“我是否需要了解数据的范围和分布情况？〃
结论与证据不相符合
有些人在表达他们的观点时常常使我们感到疑惑，因为他们所宣称的已经被证明的问题与他们使用的统计数据所证明的问题大相径庭。看起来这些统计数据似乎能证明作者的观点，实际上却不能！这里我们向你介绍两种判断这种欺骗的策略。一种策略是，不去着作着钟契笼计数据，并问自己：“哪种统计数据有助于证明作者的结论？”然后，将所需要的统计数据与作者给出的统计数据进行比较。如果这两种数据不匹配，你就可能找出了一个； l 平方英里约为259 平方会里― 译者注
统计数据上的谎言。下面的例子将为你提供应用这种策略的机会。一家汽车销售公司宣称其所推出的某款新型汽车是一个巨大的成功，因为每100 个购买该款汽车的人里，只有5 个人向代理商投诉这款车的性能不够好。“95 ％的买主都对这款车感到满意，”推销员说，“证明这是款非常好的车。”
汽车经销商是怎样得出95 ％的买主都感到满意这个结论的呢？他本应该在购买这款车的所有买主中随机抽取一大批人并询问他们：“你对你的新车满意吗？”但是，他没有那样做，他仅仅听到了那些提出投诉的买主的意见，并由此提出了一个未经证实的假设― 所有没有投诉的买主对这款车都感到满意。由此，经销商通过这一个事实（少数买主投诉）而得出另一个结论（多数买主满意）。从这个事例学到的重要教训就是，我们要仔细地注意统计数据的措辞和结沦的措辞，看两者说明的是不是同一件事。如果两