我愛看偵探 小說，看偵探小說最大的樂趣不在于知道結局，而在于偵探提出犯罪假設，到現場尋找線索，然后在腦中思考這些線索的關聯和矛盾，從而建立犯 罪真相的模型，最后將線索填入模型，Bingo!得出結論的思考過程。

　　這個主題將分享我的5個尋找真相模型，體驗成為數據偵探的樂趣。

　　1. 因果關聯模型

　　我上大學時，我發現一個非常有趣的規律。周圍哥們和女朋友分手的概率是和他最 近去學校小賣部的概率成正比的，我把這個叫做“超市奪妻理論”。

　　這個發現乍一看很令人驚訝，男人去超市的次數怎么會和與女 友分手成正比關系呢?如果這兩者沒有關系，為什么數字上呈現明顯的正相關呢?

　　仔細觀察后我發現，事情原來是這樣的。一般人 去超市購買生活必需品的頻率基本是相同的，同時一個人的生活習慣和購買習慣不會輕易改變的。但有一件東 西的購買頻率是很容易改變的，就是香煙。為什么呢?因為香煙和這個人近期的心情有很大關系。除了少數見人就發煙的豪杰，大部分人的香煙都是買來供自己抽的。

　　如果一個人最近抽煙數量猛增，一般只有兩種可能。一是精神壓力極大，這往往是因為生活上遇到了困難。例如考試考不出，工作找不到，考試 沒抄著答案， 或是抄著了答案但是被發現了。這種情況下，這哥們會陷入低潮，心情失落，脾氣特差，也疏忽了女友的感受，這些因素是感情產生了摩擦，導致了感情的裂縫最終 導致分手。第二種可能是喜歡上了某種上癮的嗜好。比如麻將，打牌，網游等等。這種比較刺激的大眾文化娛樂活動非常耗費體力腦力，需要一只只的香煙提神。于 是女友因為無法忍受男友的不求上進而提出分手。

　　上面這個例子說明了一件事情，當我們看待一個事件或者數據時，A和B同時 發生，未必代表A和B有因果關系，他們可能只是有相關性而已。

　　因果關聯模型就是在腦中建立一個報警器，當看到兩個高度相關 的事件或者數據時，敏銳的識別出他們究竟是因果關系還是僅僅只有相關性，以防止我們被表 面現象或者所謂專家舉出的別有用心的數據所迷惑。

　　2. 第三因素模型

　　我們知道了AB相關并不代表因果，那么嘗試進一步思考，AB究竟為何會呈現如 此高的相關性呢?背后的原因是什么?

　　答案是第三因素。也就是說AB之間存在一個隱藏的關系C，其實是AB和C發生因果關系。

　　例如，當我們發現一個地區燕尾服的銷量越高，該地區的出生率越低。為了達到農民不要生太多孩子的目的，我們是否要求農民都穿著燕尾服去種地呢?

　　顯然不是的。假設燕尾服的銷量是A，出生率是B，那么一定存在一個經濟發達指數C。當經濟越發達，高級宴會等需要燕尾服的場合會相應增加，同時經濟 發達也早就了更多的丁克族，從而降低了出生率。所以我們可以說C導致了A，也導致了B。所以C才是和AB發生因果關系的幕后黑手。

　　第三方模型在因果關聯模型的基礎上提供了發現幕后驅動因素的思考方法。但是，現實生活中的第三方因素并不都像燕尾服的例子那么顯而易見，我們應該如 何通過科學的方法找到并確定第三因素呢?

　　3. “If…So…”控制模型

　　我們在思考的時候可 以借鑒科學研究中常用的“控制實驗法”。用最簡單的語言解釋“控制實驗法”就是：確保其他因素不變，找到發生影響的根源。

　　心理學家Harlow做過一個非常有趣的實驗。他想回答一個困擾大眾多年的問題，人們的戀母情節究竟是什么因素造成的，是因為母親的哪方面特質是孩子迷戀母親?當時流行的 假設是因為母親提供了食物，其他可能的相關因素有體溫，舒適的觸感等。

　　Harlow 用猴子做了實驗，小猴將接觸2個假的不同的母猴，經過一段時間后，看小猴更喜歡哪個母猴。實驗中，他每次都保證其他變量不變，而只改變 他要測試的變量，例如母猴子都不提供食物，體溫都一樣，但是只有觸感不同。這樣他就控制了第三方變量。

　　Harlow發現，一段時間后，相比 起硬邦邦的電線制作的母猴子，小猴子明顯偏愛觸感更佳的絨線做的母猴子。然后Harlow再加入其他變量，例如 溫暖的電線猴子和冰冷的絨線猴子;能提供乳汁的電線猴子和不能提供乳汁的絨線猴子。他發現小猴子依然偏愛絨線猴子。所以他得出了戀母情結是來自嬰兒時期撫 摸的觸感這個結論。

　　實驗通過保證其他變量不變，而只改變要測試的量，來達到發現第三方變量的目的。

　　同樣，當我們在思考的時 候，我們需要在腦中建立一個“If…So…”的控制模型。當其他的條件不變，如果這個情況變了，那么事情會受到什么影響。那 么我們就能辨別什么是事情的驅動因素。更重要的，一旦這個驅動因素發生了變化，我們就能最快預見到未來會發生什么。

　　4. 交互影響模型

　　但是，再一次，現實生活要比拿猴子做實驗復雜的多。

　　例如，女人為什么會愛上某個男人?顯然答案就不是 一個簡單的“金錢”，“外貌”，“性格”，“幽默”能夠完全解釋的了。這是一個多種因素結合的結 果。這類由多種因素相互作用共同作用于結果的影響就叫做交互影響。

　　這個結論非常簡單，但是放眼世界，我們能發現無數忽視交互影響的人。看一 下財經博客就會發現，無數自封的經濟學家或者投資專家依然在僅通過通貨膨 脹，CPI，某項技術性指標，央行的某項措施甚至羅斯柴爾德家族的動向等單一數據/信息解釋股市的走向。

　　在腦中建立一個交互影響的模型，就 是當看到一個數據/信息的時候，將該數據/信息放入過濾器過濾，判斷是屬于單一因素起決定作用，還是眾多因素相互 影響共同作用。如果是交互影響，又有哪些因素共同作用，哪些作用大?哪些作用久?哪些又對其他因素產生影響?

　　作為數據偵探，如果沒有嵌入交 互影響的思考模型，就會夸大片面數據/信息的影響，而得出錯誤的結論，變成屢犯錯誤的毛利小五郎。

　　5. 安慰劑效應模型

　　安慰劑效應的概念非常普及，也很便于理解。最經典的關于安慰劑的案例是，把相同病癥的病患隨機分成兩組，一組吃最新 研制的特效藥，另一組吃無療效的 鎮定劑;一段時間后，吃特效藥和吃鎮定劑的病患都認為自己的病癥減輕了。

　　既然如此簡單，那么為什么我們還 需要建立一個關于安慰劑效益的模型呢?因為以上這個普及版的安慰劑概念是錯誤的。

　　為什么說是錯誤的呢?以上這個案例的內容結合“安慰劑”三 個字會讓人產生一種誤解：病癥的減輕是因為鎮定劑帶來的心理暗示作用，所以由這種 心理暗示作用帶來的以為自己好轉的現象叫做安慰劑效應。

　　而事實上，安慰劑效應指的是，“錯誤地認為自己所采取的行動對結果產生了積 極的作用，而最有代表性的例子就是服用安慰劑案例。”

　　在該案例中，讓我們舉一反三。人體本來就具有一定程度自我修復的功能，所以服用鎮定劑 一組確實可能好轉，而并不是心理安慰的作用。同樣，服用特效藥 一組的好轉也可能是因為自我修復能力，而特效藥可能根本是無效，是研發失敗的。

　　安 慰劑效應模型可以幫助我們質疑看似無懈可擊的錯誤邏輯，發現隱藏的真相。正確的理解了安慰劑效應模型，我們就能看看它對我們是多么有效了。我們帶 著安慰劑模型再來嘗試回答下列問題：通用電氣的一時繁榮，是否真的來源于杰克.韋爾奇的改革措施?美國經濟指標的好轉，是否真的來源于奧巴馬政府的經濟措 施?溫室效應的日漸明顯，是否真的來源于人類的污染行為?

　　還是因為，他們本來就會這樣，即使我們什么都不做?

　　6. 因果方向模型

　　我有個朋友身高矮小，他常常后悔少年時代沒有打籃球而是一直踢足球，因為他認為打籃球能幫助人長 高。他的理由是，你看NBA的人都那么高，還不是打 籃球打出來的?可是他錯了。NBA的人不是因為打籃球所以長那么高，而是因為長得高，所以適合打籃球。

　　我們以為A導致了B 的發生，可事實上可能正好相反。我們常常犯因果倒置的錯誤，從而得出完全錯誤的結論，這就是為什么因果方向模型如此重要。

　　此外，因果的方向不是固定的，是可能發生互換的。比如巴菲特早期選股憑的是眼光，他挑選可能會上漲的股票;而到了晚年，巴菲特選股可以靠影響力，他 挑選股票的消息本身就會造成股票上漲，因為市場相信巴菲特的眼光。

　　所以，我們看待一個數據/信息時，需要首先找到它的假設前提。許多假設前提都是隱藏的，但卻決定了作者基于假設的觀點正確與否。因果方向模型提供了 解構和質疑假設前提的一種思維方式。

　　正 確思考的一個重點是正確的閱讀和分析數據/信息。首先需要使用因果關聯模型分辨關聯與因果的差異性，在這基礎上使用第三方模型尋找可能的驅動因 素，通過控制模型確定真正的第三方因素。然后通過交互影響模型全面的認識本質，通過安慰劑效應模型了解現象改變的真正原因。最后通過因果方向模型結構信息 的假設，從而正確認識數據/信息，形成自己的思考結論。