样本量太小的说法为什么不可靠

小样本的波动有多大

抛一枚均匀的硬币，抛十次出现七次正面并不稀奇，出现九次也不算罕见。样本越小，比例离真实值越远，这是随机性本身的性质，不是谁做了手脚。把这个道理搬到命理上：一位说者服务了十个客户，其中六个说准，这个「六成」的误差范围很宽，宽到可以包含「其实和瞎猜差不多」。样本小的时候，任何结论都容易被一两个偶然事件改写。算一下会发现，十次里出现七次以上正面的概率接近两成，并不低。所以看到「十例里七例有效」，先别急着下结论，换十个人，结果可能反过来。

分母藏起来时，比例会骗人

网上常见的说法是「我身边好几个都应验了」。「好几个」是分子，分母呢？他身边一共有多少人试过、多少人没应验、没应验的人还会不会跟他说？通常没有答案。更麻烦的是，失败者往往沉默：算完觉得没用的人，不会专门发帖，也不会回头告诉那位说者。于是留下的记录天然偏向成功，样本看起来又多又准。还有一种情况是，分母被换掉了：说「十个里有八个」，其实是把不同问题、不同年份的例子混在一起数。数之前先定好「一次」是什么，比数出多少更重要。

让样本说话的三条规矩

第一，先定人数再看结果，不要凑够几个成功就停。第二，连续收录，不跳过失败的时间段，因为人容易在运气差时停止记录。第三，重复：换一批人、换一个时间段再做一次，结果还在，才更可信。这三条不需要实验室，一张表格就能做。它们的共同点是：把「我看到」换成「一共看了多少」。如果一条说法在重复中时有时无，那它更像噪声，而不是规律。重复还有一个附带好处：它会逼你说清判据，否则第二次就没法算；判据清楚了，别人也能替你复核。

小心「大样本」的另一种误用

样本大也不自动等于可信。如果抽样方式偏了，样本越大，只是把偏差放大得更精确：只调查来店里消费的顾客，一万人也是偏的。所以看数字时，两个问题要一起问：多少人，怎么来的。前者决定波动的幅度，后者决定它代表谁。两个都答不清，那个百分比就只是一句形容词。还有一种「大样本」是拼出来的：把几十个不同来源的小样本加在一起，看起来很大，实际上口径各不相同。加总之前，得先确认它们问的是同一个问题，否则数字越大，错得越整齐。下次遇到时，先问这一句：这个结论，一共看了多少例，又漏掉了谁？