統計學怎麼理解？「平均」藏起了什麼

統計學是從資料中理出意義的數學，是從一堆變動的數字裡抽出可靠訊號的方法。它有兩項工作：概括你手上已有的資料（一個班的考試成績、一個月的銷售額），以及讓你推論那些你無法完整看到的事（從一千人的民調推知全國人民的意見）。本文從零開始建立這兩個想法，接著說明大家熟悉的名詞（平均數、中位數、標準差、鐘形曲線）究竟從何而來。

統計學有個形象問題。許多學生接觸它時，只是一包要背的公式：這個是變異數，那個是標準誤，第三個是相關係數。公式套用了，答案算出來了，意義卻始終沒有到來。

讓我們來修正這件事。

是兩項工作，不是一項

入門統計課程裡的一切，都可以分進兩個類別。

敘述統計概括你已有的資料。如果你量了一所學校每位學生的身高，敘述統計會把這幾百個數字濃縮成幾個抓住本質的數：典型的身高、身高的變動程度，以及分布的形狀。

推論統計則是針對你沒有的資料做推理。你不可能量遍地球上每個成年人的身高，所以你量一個樣本，再對所有人做推論。民調、醫學試驗和品質管制都屬於這一類。它是比較強大的那一半，而它完全建立在敘述統計之上。

統計學中幾乎所有的困惑，只要問一句就會清楚：我是在描述手上有的資料，還是在推論我沒有的資料？先從描述開始。

中心：資料落在哪裡

對任何資料集的第一個問題是「典型的值是多少？」有三個誠實的答案，而且它們刻意不一致。

平均數是大多數人所說的平均：全部加起來，除以個數。它用到每一個數值，這既是它的優點，也是它的弱點。

$$\mu = \frac{1}{n} \sum_{i=1}^n x_i$$

中位數是把資料排序後位於中間的數值。一半的數值在它之上，一半在它之下。它不在意極端值有多極端，只在意位置。

眾數是出現次數最多的數值。它是唯一適用於無法取平均的東西的指標，例如賣得最多的鞋子尺寸。

對於對稱的資料，三者大致落在同一個地方，這些區別感覺只是學術上的。但只要資料是偏斜的，這些區別就不再只是學術。

想像一個房間裡有九位學校老師和一位億萬富翁。所得的中位數描述的是一位普通老師，因為位在中間的那個人是老師。所得的平均數則高達數千萬，因為億萬富翁把它拉高了。兩個數字都是對的，但只有一個對房間裡的一般人是誠實的。

這是閱讀統計時最重要的一個習慣：當有人報告一個「平均」時，要問那是平均數還是中位數，也要問資料是否偏斜。所得、房價、等待時間與觀看次數幾乎都是偏斜的，而平均數幾乎總是在美化它們。

離散程度：為什麼只有中心還不夠

兩組資料可以有完全相同的平均數，卻毫不相像。

A 班成績：70、72、70、68、70。平均：70。 B 班成績：40、95、100、50、65。平均：70。

平均相同，故事卻完全不同。A 班很穩定，B 班一片混亂。光靠平均數無法區分它們，所以我們需要一個衡量離散程度的數。

粗略的版本是全距，也就是最大值減最小值。它很簡單，卻很脆弱，因為只依賴兩個數，一個離群值就能破壞它。

正式的版本是標準差，而它背後的想法比公式看起來簡單。問：平均來說，每個數值離平均數多遠？量出每個數值與平均數的距離，再對這些距離取某種平均。標準差小，表示一切都擠在中心附近（A 班）。標準差大，表示數值被甩到四面八方（B 班）。

公式之所以要把距離平方，最後再開根號（而不是直接把原始距離取平均），主要是為了讓正的差距與負的差距不會互相抵銷，也讓較大的偏離佔更大的份量。但它的意義始終不變：標準差是離平均的典型距離，單位和資料相同。如果考試成績的標準差是 8 分，那麼「上下差個 8 分」就是你對成績分散程度的感覺。

$$\sigma = \sqrt{\frac{1}{n} \sum_{i=1}^n (x_i - \mu)^2}$$

平均數告訴你位置在哪裡。標準差則告訴你，「位置在哪裡」這個說法能多可靠地描述任何一個個案。

形狀：鐘形曲線，以及它為什麼無所不在

有了中心與離散程度之後，下一個自然的問題是資料的整體形狀。畫出每個數值出現的頻率，你就得到一個分布。

最有名的形狀是常態分布，也就是鐘形曲線：左右對稱，大部分數值聚集在平均附近，越往兩端越少。身高、測量誤差和許多自然界的量都非常接近它。

鐘形曲線之所以這麼常出現，有一個深層的原因。當一個量是許多微小而獨立的影響的總和時（你的身高是基因、營養、睡眠，加上其他上百種推動力的總和），結果往往會趨向鐘形曲線，幾乎不管每一個影響各自的表現如何。這就是統計學中最重要的結果之一，中央極限定理的大致想法，也是為什麼常態分布成為如此多推論的預設背景。

鐘形曲線也讓標準差有了具體的回報。對於常態資料，約 68% 的數值落在平均數加減一個標準差之內，約 95% 落在兩個標準差之內，約 99.7% 落在三個標準差之內。所以如果成年人的身高平均為 170 公分、標準差為 7 公分，那麼大約 95% 的人落在 156 到 184 公分之間。離散程度這個數就不再抽象，而開始預測東西實際落在哪裡。

$$\mu \pm \sigma \approx 68\%, \quad \mu \pm 2\sigma \approx 95\%, \quad \mu \pm 3\sigma \approx 99.7\%$$

相關不等於因果

當兩個量一起變動時，我們說它們相關。較高的人往往較重：身高與體重呈正相關。一個上升，另一個也上升。

陷阱在於把相關當成因果的證明。冰淇淋銷量與溺水死亡人數每年夏天都一起上升。冰淇淋不會造成溺水。是第三個隱藏因素，炎熱的天氣，同時推動了兩者。這是干擾變數，也是光靠相關永遠無法證明因果的原因。

相關是真實的線索，它告訴你該往哪裡找。但要主張 A 造成 B，還需要更多：受控實驗、合理的機制，以及排除干擾變數。宣稱「做 X 的人活得比較久」的新聞標題，幾乎都建立在相關之上，而且幾乎都言過其實。以懷疑的眼光閱讀這類報導，是統計學教給你最有用的事情之一。

推論：少數人如何代表多數人

現在來看強大的那一半。一份一千人的全國民調，宣稱代表三億人。這怎麼不荒謬？

關鍵的洞察是，隨機性在大量資料下是可以預測的。如果你的樣本真的是隨機且具代表性，機率的數學就能告訴你，你的估計可能偏離多少。這種不確定性以誤差範圍報告：「52%，正負 3 個百分點」，意思是真實的數字非常可能落在 49% 到 55% 之間。

有兩件事決定你能不能信任一個推論：

• 樣本數控制隨機雜訊。樣本越大，誤差範圍越窄，不過報酬遞減：要把誤差減半，大約需要四倍的樣本。
• 樣本品質控制偏誤，而偏誤是更致命的問題。對一百萬名都造訪同一個網站的人做的民調，告訴你的是那個網站的情況，不是全國的情況。沒有任何樣本數能修正一個有系統地排除了某些人的樣本。代表性第一；樣本數只會讓一個本來就公平的樣本更精準。

這就是為什麼面對任何統計數字，該問的不只是「研究的規模多大」，而是「實際上有誰在裡面，又有誰被排除在外」。

要留意的常見陷阱

統計學本身是誠實的，但它被報導的方式往往不是。以下是幾種要抓出來的模式：

• 被平均掉的平均。「平均顧客滿意度很高」，可能掩蓋了一群非常滿意與非常憤怒的顧客分成兩派、中間幾乎沒有人的情況。永遠要問離散程度，而不只是中心。
• 被截斷的坐標軸。 垂直軸從 90 而不是 0 開始的長條圖，會把微小的差異變成戲劇性的斷崖。數字是真的，圖卻在說謊。
• 遺失的分母。「病例數翻倍」，如果不知道是從二增加到四，還是從兩百萬增加到四百萬，就毫無意義。百分率的變化有多大意義，取決於它是以什麼基準來衡量。
• 挑選過的起訖點。 只要選對起始和結束日期，幾乎任何趨勢都能被做成往上或往下。

這與數學其他部分的關係

統計學並不是獨立存在的。它建立在你可能已經接觸過的想法之上。它由機率構成，機率提供了隨機樣本如何表現、誤差範圍從何而來的規則。它報告的幾乎每個結果都倚賴百分率與比例。而它所仰賴的平滑曲線，也就是把分布變成機率的鐘形曲線下面積計算，與微積分中的積分是同一套想法，只是用在資料上。

當你在 Math Zen 練習統計時，題目會從敘述性的指標（計算並比較平均數、中位數與標準差）進展到解讀分布與推論樣本。用手算而不是讓計算機吐出一個數字，能培養你問出正確問題的直覺：這個中心誠實嗎、這個離散程度小到足以信任嗎、這個相關真的告訴了我什麼嗎？隨著時間混合練習這些題型，並運用練習流程中內建的間隔重複，才能讓直覺牢牢留下，而不是考完試就消退。

重點整理

統計學是兩項工作：描述你擁有的資料，以及推論你沒有的資料。描述需要三個東西：中心（平均數或中位數，資料偏斜時該選哪一個很重要）、離散程度（標準差，離中心的典型距離），以及形狀（通常是鐘形曲線）。推論則需要一個代表性第一、樣本數第二的樣本，以及誠實的誤差範圍。

下次看到一個統計數字時，不要只讀那個數字。問：是平均數還是中位數？離散程度多大？樣本裡有誰？是相關還是因果？這四個問題，會把統計學從一面公式牆，變成一項不被愚弄的工具。