统计思维：在不确定世界中完善人类认知

由此，如何通过统计大同小异的观察和实验的结果，如何从不同的自然现象和社会表征中进行泛化（归纳）并进行推演，便使得统计这一类的“新工具”成为新的认知原则和思维方法。

斯坦福大学心理学教授拉塞尔・波德拉克（Russell A. Poldrack）在这本《斯坦福大学统计思维入门》中，没有过多涉及他在认知神经科学领域的研究，延续《行为惯性》中对“习惯认知框架”中大脑目标导向行为与无意识习惯的冲突机制，也没有继续在《读脑术：如何科学地读取一个人的思想》中，通过类比方式讲解神经成像技术的发展历程，以及对功能性磁共振成像（fMRI）技术解码大脑活动的原理。而是从认知神经科学研究的方法论出发，重新审视自己科研中所采用的统计“新工具”，说明了在科研中，如何运用计算思维、统计思维和模型思维，提高科研的实用性、置信度和适用空间。

《斯坦福大学统计思维入门》

作者：拉塞尔·波德拉克

译者：赵丽霞

版本：领学东方|研究出版社2026年9月

认知神经心理学，是在科研领域中充满不确定性的一个世界。由于个体、环境和时代的变化，其研究结论一度出现“可复现危机”。那么，其实验数据的统计方法是否合理，有无偏见、疏忽和炒作，是否造假，都需要公开其数据和统计方法，接受同行和公众的质疑和检验。由此，拉塞尔・波德拉克在《斯坦福大学统计思维入门》中提出了自己的统计思维和科研方法论——统计学是一套在不确定性下思考世界的思维框架，统计思维，就是用简洁模型描述复杂现实，同时清晰量化我们认知中的不确定性。

无论是大数据建模还是大语言模型，都是统计思维在自然环境中的应用。某种程度上，模型思维是理论思维的原型版本，是支撑理论形成的框架，同时，也是理论形成后进行推演的依据。从认知到意义，从概念到框架，从观点到理论，人类的认知来自于理性和严谨，而不仅凭现象和感觉的堆砌。而模型思维的局限与悖论就在于，依照原数据集建立的模型误差越小，泛化到新的数据集误差就会越大，所以模型的作用和理论思维的方式一致，要概括提炼通用准则，忽略细节差异，但对于这些差异，保持观察和敬畏。

英国统计学家George E. P. Box说过：虽然所有的模型都是错的，不过有些是有用的。某种程度上，错误是一个分析本质的概念，而有用是一个商业价值的概念。如果模型能帮助人类作出更好的决策并降低风险，那么它就很有用。反之，再好的模型也不一定最有用。理论也同样如此，只有帮助人们作出正确选择、同时为大多数人所相信的理论，才能真正成为放之四海而皆准的真理。

所以，波德拉克教授在《斯坦福大学统计思维入门》中提出，统计学本质不是数学技巧，而是一套在迷雾里构建模型、量化未知的思考范式。人类直觉偏爱寻找因果故事、过度相信小样本经验、忽略基础概率，习惯性把随机波动解读为规律，而掌握统计思维的使命，就是主动看见世界的变异性与随机性，承认认知永远存在边界，拒绝绝对化结论。爱因斯坦说过，凡事应力求简单，但不能过于简单，也是这个意思。

人类的心智自带系统性盲区，内心判断只是大量智能体博弈涌现的结果，极易陷入自洽的错觉，往往会依靠直觉启发法快速判断，天生不擅长处理概率、不确定性与随机事件，而统计思维，是一套后天习得、用以对抗心智偏误的外部认知工具。认知心理学家波德拉克教授所写的这本《斯坦福大学统计思维入门》，区别于数理专家的统计公式演示的教材，展现了一种思维的艺术和对心智的洞见，主要体现在以下三个方面：

首先，本书强调了零假设统计检验（NHST）的重要性。在他看来，零假设检验告诉我们的是数据出现的可能性，而不是假设为真的可能性。在统计并试图分析事件发生可能性的原因的概率时，先做假设，事件不发生（零假设统计检验）的可能性有多高，换句话说，统计之前先回到原点，先做排除，先弄清楚“为什么要做这个统计和分析”，再动手计算，不追求复杂数学推导，优先建立直觉。这样，能大幅度减少研究者自身局限所带来的“偏见”。

其次，破除P值迷信。学术界造假的丑闻大都出自“p值操纵”，一旦进行可复现研究，往往发现以往结论站不住脚。作为认知心理学家，作者重构了教学逻辑：先建立思维，再学习方法；理解不确定性，优先于背诵运算步骤。学习者要学会算出p值、拟合回归，也要明确统计显著性并不等同于实际显著性，不要把p＜0.05 当作真理分界线，而要重视效应量、置信区间、研究设计。对于研究者来说，应该看清每一种统计方法与生俱来的局限，并掌握解读统计分析结果、辨别数据骗局的方法，同时采用多重检验以控制整体谬误。

最后，阐述了频率分析与贝叶斯分析的区别。在他看来，传统频率分析是科研主流，但贝叶斯分析更贴近人类自然推理模式（不断根据新证据更新看法），也就是多元推理视角，二者不是二选一，是两套工具：问题不同，选择工具不同。如下：

频率分析——概率=无限次重复实验下事件发生的长期客观频率，只使用当前样本数据；不引入过往知识、研究者信念。

贝叶斯分析——概率=人对命题/参数的信念程度（置信度），即在现有证据下，该假设/参数成立的概率是多少。

某种程度上，人类直觉很像贝叶斯，但属于非正式、无意识版本；而严谨的贝叶斯分析，是把人的直觉变成严谨可计算流程；而频率分析，则确保提供一套追求客观可重复的校验标准。

批判性反思是人类思维中负责“质检”和“纠偏”的“元认知”，是实现独立思考、避免人云亦云的关键能力。《斯坦福大学统计思维入门》与《如何训练你的理论思维能力》都说明：人类的认知和思维是将数据、现象、感知、经验，通过统计找出规律、通过泛化（归纳）形成结论（理论）并进行推演的过程，批判性反思，就是通过统计思维修正认知偏差，结合模拟、重采样、数据可视化、交叉验证，同时注意其研究透明度、可复现规范、模型过拟合等现实难题，以外在严谨框架约束直觉冲动。

人类演化而来的心智，擅长生存叙事，却不擅长拥抱不确定性。想要摆脱直觉的牢笼，我们不能依靠本能自我修正，必须主动学习一套标准化的理性工具。这正是《斯坦福大学统计思维入门》这本书最大的价值：它不止教会我们如何分析数据，更是训练一种谦卑、审慎、时刻警惕自身偏见的思维习惯。身处信息爆炸时代，充斥着媒体数据、调研报告、商业预测、学术结论。人人都被海量数字包围，但是能分辨真假、读懂局限的人寥寥无几。很多人误以为统计思维只属于科研人员与数据从业者，事实恰恰相反：评估新闻观点、辨别营销话术、理性作出生活决策，都需要看懂不确定性，用简单模型捕捉世界结构，同时诚实地估算我们自身的无知。

撰文/李杰

编辑/宫子

校对/赵琳