伯克森悖论——无关的两个特征之间看出了负相关

大家好，我是 Senko。本文将解读“伯克森悖论”。

“帅哥性格差”“美女没脑子”——这类刻板印象你或许听过。长相和性格本该毫无相关，这种印象是从哪来的？其实背后潜伏着一个统计学陷阱。

它与辛普森悖论并列为统计学的代表性陷阱，从数据分析到日常判断，影响范围极广。

什么是伯克森悖论

这个悖论由美国统计学家约瑟夫·伯克森于 1946 年指出：本来无关的两个特征，只在特定人群中观察时，会显得负相关。

具体想一想。假设“长相”和“性格好坏”在全体人口中互不相关。

现在，假设你挑选交往对象的条件是：“长相在一定水准以上”或“性格在一定水准以上”，至少满足其一。也就是说，两项都低的人根本进不了候选。

只在这批候选人里观察，怪事就发生了。长相极佳的人能入选，是因为哪怕性格一般也满足长相条件；反过来，性格极好的人能入选，是因为哪怕长相一般也满足性格条件。

结果，在候选人群里，看起来长相越好的人性格越差。

用二维图更直观。横轴是长相，纵轴是性格，把全体人口画成散点图。两个特征无关时，点均匀铺满一个正方形。

现在用“长相＋性格 ≥ 某个值”的条件筛一遍，只剩下正方形右上方的三角形。在这个三角形里，长相越高（越靠右），性格就倾向越低（越靠下），沿着斜边浮现出负相关。

数学上这是必然的：一旦给两者之和设了下限（做了条件筛选），一方高的话另一方低也能达标，负相关便结构性地产生了。

伯克森当初指出这个问题，正是在医学研究的语境下。

用医院数据研究两种疾病的关联时，实际无关的疾病之间有时会显出负相关。

原因在于：医院里的患者都是“因为某种原因而住院的人”。因疾病 A 住院的人，无论有没有疾病 B 都会被计入；因疾病 B 住院的人，无论有没有疾病 A 也会被计入。

健康的人（A 和 B 都没有的人）不在医院，这种样本偏差便催生了表面上的相关。比如医院数据显示糖尿病和骨折负相关，那多半不是糖尿病能防骨折，而只是“住院”这个筛选条件造出的假象。

伯克森悖论在当代社交平台上也频频上演。

我们在社交平台上刷到的帖子，大多要么“有趣”，要么“炎上（激起愤怒）”，或者两者兼备。又无聊又没人骂的帖子根本流不进时间线。

结果我们会形成印象：“越有趣的帖子越不容易炎上”或“炎上的帖子都很无聊”。“有趣”和“易炎上”本质上可能毫无相关，只是我们看到的样本有偏，才生出了表面上的相关。

身边的场景里，这个悖论比比皆是。

电影评价：你也许觉得“预算越大的电影越难看”。可你看的电影，要么“有话题度”要么“看着有意思”：低成本但好看的电影因为有口碑所以你看了，高成本但难看的电影因为有话题所以你也看了，而低成本又难看的电影根本进不了你的视野。于是在你看过的电影里，预算和好看程度呈现负相关。

餐厅评价：觉得“便宜的店反而好吃”，可能也是同一结构。你去的店要么“便宜”要么“口碑好”，又贵又难吃的店你不去，又便宜又难吃的店你也不去。在你去过的店里，价格和美味自然显得负相关。

求职市场：“工资越高的工作越辛苦”的印象，部分也能用伯克森悖论解释。人们应聘的工作大多满足“工资高”或“轻松”之一，工资低又辛苦的工作根本没人去。

伯克森悖论常与辛普森悖论混为一谈，但机制不同。

辛普森悖论是“整体与部分的相关方向逆转”，由混杂变量（第三个变量）造成。

伯克森悖论则源于“按特定条件筛选人群（条件化）”。不需要混杂变量，仅仅是样本的选法就能凭空造出相关。

要避开伯克森悖论，关键是时刻留意分析对象的人群是如何被筛选出来的。

只盯着被特定条件筛过的人群（医院患者、社交平台的爆款帖、自己的交往候选……）去下一般性结论，非常危险。用覆盖原始总体的数据核实，是不被表面相关欺骗的基本对策。

“这个结论在全体数据里也成立吗？还是只是我看到的样本有偏？”——时刻带着这个问题，就是对伯克森悖论最好的防御。

伯克森悖论的本体，在于选拔的条件本身，会把虚假的关系带进收集来的数据。

只把满足条件的人聚起来，那个条件就在两个要素之间造出了一层减法的关系：一边低了，另一边就必须高，否则过不了选拔。