1701821282
所谓样本，就是指从一大群人或事物中选出来的一小部分人或事物，以此来代表这一小部分人或事物所属的整个群体的特点。社会学家在进行社会研究时经常会选取样本，相信我们都听说过“我从没遇到过一个让我喜欢的Z国人”或者“我强烈推荐阳光餐厅，因为我去过那儿三次，那儿的食物实在太棒了！”
1701821283
1701821284
以上两个例子都是在用样本代表全部。说第一句话的人显然没有接触过所有的Z国人，他只是遇到过几个而已；而第二个人也并没有尝过阳光餐厅的所有食物。要想真正有代表性，有说服力，你选的样本必须在质和量上都能代表整体。
1701821285
1701821286
要想在量上代表整体，你选择的样本数量必须足够大——很显然，只选一两件是不够的。要想在质上能代表整体，你所做的选择必须是随机的，必须保证整体内部不同的子类别都能在样本中占有一席之地。
1701821287
1701821288
想想看，如果一家旅行社极力推荐你去摩洛哥旅游，因为“每四位游客中，就有三位会推荐摩洛哥”。但你发现，这家旅行社实际上只征求过八位游客的意见，你还会认为它的推荐很有价值吗？显然不会，因为它选取的样本数量太小了。
1701821289
1701821290
但另一方面，样本不仅要大，而且要具有多样性和随机性。试想一下，如果该旅行社选择的样本是几百位游客，而且的确有75%的被调查者都推荐摩洛哥，你会选择摩洛哥吗？可能会，因为那么多人都推荐了。可问题是，如果你发现该旅行社选择的样本都是非洲人呢？突然之间，你会觉得哪怕有几百人，但这些人的意见还是不足以代表所有游客的看法。
1701821291
1701821292
记住，样本一定要能代表整体，否则它就毫无意义。所以在进行推理论述过程中，如果对方是在用样本反映整体，那驳倒对方的一个有效方式就是质疑该样本的有效性：如果你能证明该样本并不能代表整体，那么对方的论点就站不住脚；而反过来说，如果你能证明自己所采用的样本确实能够代表整体，那你的论点就会得到强化。
1701821293
1701821294
一般来说，选择样本的关键不是它够不够大，而是它是否足够多样化。如果样本来自一个跟整体关系不大的子群体，那么它的数量就没有太大价值。比如说众所周知的盖洛普调查，媒体经常会在全国大选中用它来预测竞选结果。要想了解全国选民对某个候选人或政治事件的看法，调查者们就必须从不同的年龄、教育水平、性别、区域、职业、种族，甚至宗教中群体进行抽样调查，而相对来说，调查者们就无须按照体重或发型等对选民进行划分了。只要分对子类别，然后从各个子类别中进行抽样，哪怕样本数量不是很大，其结果仍然具有代表性——事实上，一般来说，在一次涉及几百万人的大选中，盖洛普只需选1800人作为样本就足够了。
1701821295
1701821296
注意，代表性假设不同于类比假设。类比假设是两个事物之间的横向对比，而代表性对比则是个体与整体之间的纵向对比。换句话说，在进行类比时，人们关心的是“A”跟“B”之间能否画等号；而在进行代表性假设时，人们会关心“a”能否跟“A”画等号。
1701821297
1701821298
“好证据”假设漏洞
1701821299
1701821300
要想在论述中获胜，你所提出的论据一定要站得住脚。人们总是会只看那些支持自己观点的证据，而忽视那些不利于自己观点的证据，这是人的本性。打个比方，一个不愿意戒烟的人总是会看到吸烟有利的一面，比如说“吸烟有助于放松”“吸烟看上去很酷”“吸烟有利于减肥”等等，而对那些支持戒烟的事实会视而不见，比如说“吸烟对身体有害”“吸烟很费钱”等等。如果你不喜欢骑摩托车，那你就会更留意那些诸如“骑摩托车不安全”“骑摩托车容易弄脏衣服”“戴头盔会弄乱发型”“骑摩托车一次只能坐两个人”“雨雪天没法骑摩托车”等事实，而根本不会看到骑摩托车也有很多优势，比如说容易停靠、比较灵活、相对省油等等。
1701821301
1701821302
要想保持客观，就要列出所有与手头问题相关的证据。如果想要找到“真相”，就不能忽略或扭曲任何相关事实。全世界大多数国家的法律都是采用对抗性司法系统。在这些国家，辩方律师总是会按照有利于己方的方式来提供证据，而为了保持公正，法官和陪审团在听取证词及双方辩论时就必须保持客观，做到不偏不倚。
1701821303
1701821304
因果假设漏洞
1701821305
1701821306
一件事真的会引发另外一件事吗？两件事之间可能存在很多种关系，因果关系是其中的一种。一般来说，当两件事之间存在因果关系时，我们会把第一件事称为“因”，第二件事称为“果”，或者可以用→来表示。
1701821307
1701821308
如表4-4所示，因果关系一共分为六种可能的情况。
1701821309
1701821310
表4-4 巧合，相关，因果
1701821311
1701821312
1701821313
1701821314
1701821315
在讨论两件事情是否存在因果关系时，我们首先要考虑的问题是：这两件事情之间是否有关系。有时候看似关联的两件事之间可能不存在任何关系，比如说，“就在那只猫从树上掉下来之前，十字路口的信号灯变红了，所以红灯可能是那只猫掉下来的原因”。（但事实上，这可能只是巧合。）
1701821316
1701821317
如果两件事之间确实存在关系，那我们就要问：两件事之间是因果关系，还是只是相关而已。如果说二者确实相关，我们就要判断二者关联度是高还是低。如果二者确实存在因果关系，我们就要判断它们是正向因果、替代性因果，还是反向因果。
1701821318
1701821319
下面我们详细说表4-4列出的各种关系。
1701821320
1701821321
纯粹巧合：“每次加时赛时，只要我坐到我最喜欢的座位上，我们的球队就会赢。”显然，你的“幸运座”不可能是球队赢球的原因，而且“倒霉座”也不可能会让你的球队输球，二者纯粹是巧合。
1701821322
1701821323
相关度很低：试想一下，“你所在的城市开了一家新健身房”，“整座城市的人健康水平提高了”，这两件事或许相关，但相关度一定不高。没错，当开了家新健身房，里面还有各种器械和健身课程的时候，有些人确实会报名参加，甚至会经常锻炼，有些人的健康水平也会因此提高。但实际来说，一家健身房对整座城市的健康水平影响是有限的。一座城市可能有几百万人，但可能只有几百人成为健身房会员。而且就算没有健身房，人们照样可以通过步行、骑自行车或爬山来锻炼，根本不需要去健身房。
1701821324
1701821325
高度相关（但并没有因果关系）：有些因素确实高度相关，比如说个子高的人更容易成为NBA球员。虽然并非每个NBA球员都是高个子，但绝大多数球员个子都比较高。所以我们可以说，“个子高”和“NBA”这两个因素之间确实高度相关。
1701821326
1701821327
还有一个高度相关的例子是销售额和广告投入。很多人发现，公司的广告投入越多，销售额就会越高。（有专家相信，广告投入和销售额的关联度大约为+0.8。）
1701821328
1701821329
类似的例子还有天气和冰激凌销量，或者说阴雨天气和雨伞销量。
1701821330
1701821331
很多人会把高度相关误认为因果关系，但一定要记住，二者之间有着本质的区别。