挑战100天100个GPTs047.幸存者偏差思维模型—慢慢学AI063
#挑战100天100个GPTs
写在前面
二战 1943 年，美军轰炸机战损率高得揪心。军方统计了返航飞机上的弹孔分布，发现机翼、机身、机尾弹孔最密，引擎上几乎找不到。直觉结论很自然：哪里中弹多就在哪里加固装甲。统计学家亚伯拉罕·瓦尔德（Abraham Wald）拦住了这个决定——他说，我们看到的都是能飞回来的飞机；引擎上没弹孔不是因为它不会中弹，而是中弹的那些根本没飞回来。装甲该加在弹孔最少的地方。这一句把幸存者偏差讲透了：你只研究飞回来的飞机，结论就一定偏向”怎么飞回来”，永远看不见”怎么掉下去”。
幸存者偏差思维模型，讲的是”看不见的失败样本才是最关键的信息”。它的经典源头就是瓦尔德 1943 年在哥伦比亚大学统计研究小组（Statistical Research Group, SRG）的那份备忘录《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》。瓦尔德本人就是个反讽——一个 1938 年从纳粹欧洲逃到美国的罗马尼亚裔犹太统计学家，父母姐妹都没能逃出、死于集中营，他用统计救了无数飞行员，自己却在 1950 年去印度讲学途中死于飞机失事。这款 GPT 是个”失败样本侦探”：你给它一个你正准备照搬的成功经验，它不替你下结论，逼你去找那些照同样方法做却失败的人——那些人不会出书、不会上访谈、不会进你的样本。
效果呈现
把下面的整段 yaml 提示词粘进支持系统提示的对话框（ChatGPT 创建 GPTs 的「Configure」、Gemini Gems，或任意可设系统提示的客户端），给它一个你正准备照搬的”成功经验”——某个大厂打法、某个爆款公式、某位创业偶像的路径都行。它会先追问”这个成功样本是怎么进入你视野的”（筛选机制），再逼你去找照同样方法做却失败的人，最后帮你区分这个成功里多少靠方法、多少靠运气。
实测对话
三个角度测这个 GPT（个人 / 组织 / 边界），挑顺手的丢进 Gem，把对话粘回对应块，不用的发布前删掉。
幸存者偏差·实测①（个人·跟风报 AI 培训班）
🙋 我
我 28 岁，传统行业做运营，月薪 1.2 万。最近刷到一个 AI 培训机构铺天盖地的广告，晒出一堆”学完三个月转岗大模型应用工程师、年薪 40 万”的学员案例，晒offer、晒工资条，看得我很焦虑。我手里有 5 万积蓄，想 all-in 报这个班（学费 2.8 万）。帮我用幸存者偏差的视角，把”要不要照这些成功学员的路径走”这个决策走一遍，重点告诉我：那些照同样方法做却没成的人，我该怎么找到他们、他们的数据说明什么。
🤖 幸存者偏差 GPT
（运行 Gem 后填入回答）
幸存者偏差·实测②（组织·学独角兽的敏捷打法）
🤖 我
我是某中型制造企业的数字化转型负责人。集团让我”学 AI 独角兽的敏捷打法”——具体是某家估值百亿的明星初创的组织架构（小队制、双周迭代、OKR 对齐）。领导拿这家独角兽的成功当论据。请用幸存者偏差视角帮我把”要不要照搬这套打法”走一遍，重点把”采用过同款打法但没活下来的公司”这部分摆出来——它们在哪、能找到吗、它们的失败说明了什么。
🤖 幸存者偏差 GPT
（运行 Gem 后填入回答）
幸存者偏差·实测③（边界·偏差被滥用成虚无主义）
🙋 我
我最近读完一本讲幸存者偏差的书，现在陷入一种虚无：好像所有成功经验都是幸存者偏差、都不能学——学乔布斯就是偏差、学巴菲特就是偏差、学任何成功者都是偏差。可如果成功都不能学，那决策到底靠什么？幸存者偏差这个模型，是不是也有被滥用的时候？正确的度在哪里？
🤖 幸存者偏差 GPT
（运行 Gem 后填入回答）
期望目标
把”盯着成功经验学”换成”去找照同样方法做却失败的人”。具体到一个决策上：能识别你参考的那个成功样本是不是被筛选过的幸存者、能找到”照同样方法做却失败”的样本并把它们的数据补回来、能区分这个成功里多少靠方法多少靠运气。
GPTs 源码
1 | # 角色：幸存者偏差思维模型专家 |
Prompt 收获
做这个 GPT 的时候，几个设计点比提示词本身更值得记下：
- 杀手问题只有一句：”照这个方法做的人里，失败的占多少、他们在哪、为什么我看不到他们？”这一句直击幸存者偏差的核心——它把用户从”盯着成功者”拽到”去找失败者”，而失败者恰恰是不在样本里的那批人。
- 必须先讲筛选机制，再看结论。幸存者偏差的本质不是”成功者骗人”，而是”你的样本被筛选过了”。所以 Workflow 把”这个样本怎么进入你视野的”做成第二步——媒体只报道赢家、排行榜只列存活基金、出书的都是成功者，把筛选机制讲清，用户自己就能识别大半偏差。
- **不能滑向”成功都不能学”**。这是最容易踩的滥用坑——读完幸存者偏差容易陷入”那成功经验都不可信”的虚无。Constrains 和 Suggestions 都专门写了”正确的度是区分方法与运气”，逼 GPT 既不盲信成功、也不否定方法。
- 瓦尔德本人就是这条原理救不了的人。他用统计救了无数盟军飞行员，自己却在 1950 年去印度讲学的航班上坠毁在尼尔吉里丘陵；他的父母姐妹没能逃出欧洲，死在集中营里。把这个人故事放进 Background，模型的”力量与边界”同时立住——它救得了统计意义上的命，救不了偶然。
一句话总结这次的收获：幸存者偏差类工具最大的陷阱是停在”成功都有偏差”，好的提示词得把”筛选机制—找失败样本—区分方法与运气—成本判断”四步连起来——先揭样本怎么被筛的，再去找照同样方法做的失败者，把成功拆成方法与运气两部分，最后告诉用户这个决策值不值得花成本追溯失败样本。
补充说明
幸存者偏差思维模型，看的是”缺失的样本”。一个成功经验摆在桌面上，最容易被忽略的不是它说了什么，而是它”怎么进入你视野的”——媒体天然只报道赢家、排行榜天然只列活下来的、出书立传的天然都是成功者。这意味着你看到的每一个成功样本，都先经过了一道”幸存者筛选”，从这道筛子里归纳出来的”成功方法”，天然偏向”怎么活下来”，永远看不见”怎么死掉”。瓦尔德的洞察之所以伟大，就在于他从弹孔分布的”缺失”（引擎上没弹孔）里读出了关键信息（中弹的没返航）——缺失的数据本身，就是数据。
它最常被误读成两副样子。一副是把它当成纯统计学概念，好像只跟抽样调查、跟学术研究有关——其实它渗透在一切”向成功者学习”的场景里：学创业偶像、抄大厂打法、挑业绩基金、追爆款公式，全都踩在幸存者偏差上。另一副是把它滥用成虚无主义——“既然成功都有偏差，那成功都不能学”。这是把模型的边界无限扩大：幸存者偏差提醒你要看见失败样本、要区分方法与运气，但它没说”方法都不值得学”。正确的度是：把成功者和同方法的失败者并排放，重合的部分是运气和时代，不同的部分才是可复制的方法——这部分不仅该学，还得认真学。
经典源头很硬。亚伯拉罕·瓦尔德 1943 年在哥伦比亚大学 SRG 做的那份备忘录，是幸存者偏差最干净的源头，出处明确（备忘录原题《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》，SRG 是二战服务于军方的顶级统计小组，成员还有后来鼎鼎大名的 Milton Friedman、W. Allen Wallis 等）。瓦尔德的弹孔数据（引擎 1.11、机身 1.73、油料系统 1.55、其余部位 1.80 每平方英尺）和他”装甲加在弹孔最少处”的结论，被 Mangel & Samaniego 1984 年在《美国统计学会杂志》（JASA）上的学术论文系统整理，也被美国数学学会（AMS）的专题专栏”The Legend of Abraham Wald”收录。这个模型不像国内清单归纳名那样归属含糊——它的源头、数据、人物都经得起查。
10 个案例分析及思考逻辑
下面十个场景，前四个落在四行业最常见的”学成功者”决策里（电信学龙头、金融挑基金、制造学最佳实践、电商抄爆款），中间四个是经典真实镜头（瓦尔德本人、创业辍学神话、基金清盘偏差、美国股市是否幸运幸存者），最后两个是深挖一刀和模型边界，让十案例的姿态各不相同。带”示意”标记的，是用来说明思考逻辑的构造案例，非真实公司披露。
1. 电信：学龙头套餐打法，看不见死掉的同款（示意）
某二线运营商市场部提议照搬龙头的”全家桶”融合套餐打法——龙头靠这个拿下了大量家庭用户。换幸存者偏差视角：你学的是活下来的龙头的成功打法，但同款”全家桶”策略，行业里至少有三四家二线对手也试过、失败了（用户数不够撑不起内容生态、补贴烧完没续费），它们没上新闻、没出复盘。你只看见赢家的全家桶，看不见输家的同款全家桶。对治：抄打法前先找”行业里采用过同款策略但失败的公司”，把它们的失败原因摆出来——很可能赢家赢在家底厚度而非策略本身。
2. 金融：挑基金看排行榜，已清盘的不在里头（真实）
某银行私行给客户推基金，按”近三年收益排行榜”选。换幸存者偏差视角：基金排行榜默认只含存活基金，业绩差被清盘、被合并的基金根本不在榜上——这意味着排行榜上的”平均收益”系统性高估了同类基金的真实水平。学术研究（Malkiel、Elton 等关于共同基金幸存者偏差的经典研究）指出，忽略已清盘基金会把基金平均收益高估约 0.5% 到 1% 每年。在低收益环境里，0.5% 到 1% 足以把一个”跑赢市场”的假象撑出来。对治：看基金业绩先问”这个数据库是否含已清盘基金”，不含的话所谓”平均收益”就要打折扣。
3. 制造：学”最佳实践”工厂，关停的不算数（示意）
某制造企业去行业标杆工厂参观，照搬它的精益生产、单元式布局。换幸存者偏差视角：你能去参观的，本身就是活下来的、做得好的工厂；同一套精益实践，行业里有多少家没做好、关停了，你参观不到——它们不在”最佳实践”的展示名单上。更微妙的是，被参观的工厂愿意开放参观，本身就说明它当下经营稳健（有底气公开），而这又是一道筛选。对治：学最佳实践前，问一句”行业里采用过这套实践但没活下来的工厂，失败在哪”，把这部分补回来再决定抄不抄。
4. 电商：照搬爆款公式，同公式没爆的看不见（示意）
某电商运营研究平台上的爆款，提炼出”低价引流 + 达人带货 + 限时补贴”的爆款公式，准备复制。换幸存者偏差视角：你研究的爆款是已经爆了的（幸存者），而同一套公式跑过的商品里，绝大多数没爆——它们沉在长尾里、被算法埋了、你看不到。把”跑过同款公式的全部商品”作为分母，爆款是极少数分子。对治：抄爆款公式前，先估算”用同款公式的商品总数 vs 爆款数”，得出真实成功率——很可能低到不值得照搬。
5. 经典：瓦尔德与二战轰炸机（真实）
这是幸存者偏差的源头案例，也是它最干净的注脚。1943 年美军轰炸机战损率高，军方统计返航飞机弹孔分布，发现引擎上弹孔最少（每平方英尺 1.11 个，远低于机身的 1.73 和其余部位的 1.80），直觉结论是给弹孔多的部位加装甲。瓦尔德力排众议：我们看到的都是能返航的飞机，引擎上没弹孔不是因为它不会中弹，而是中弹的飞机都掉下去了；装甲该加在弹孔最少的引擎和驾驶舱。军方采纳后被证明正确。这个案例的精髓不在”弹孔加在哪”，而在它揭示了一种反直觉的推理方式：当样本被筛选过（只含幸存者），缺失的数据（没弹孔的引擎）反而是关键信息。
6. 经典：创业辍学神话——看不见的百万辍学生（真实）
创业成功学爱讲三个案例：乔布斯辍学造苹果、盖茨离开哈佛搞微软、扎克伯格大学创办 Facebook。这套叙事让人误以为”辍学是创业的加分项”。换幸存者偏差视角：你看到的这三个是百万辍学生里的极少数幸存者，绝大多数辍学生既没创成业、职业生涯还因没学历受挫——他们不会上杂志封面、不会回学校演讲、不会进你的样本。把分母补回来，”辍学创业”的真实成功率低到吓人。对治：学创业偶像时先问”和我起点类似、做了同样选择的人里，没成的占多少”，分母补回来才看得清这是路径还是赌博。
7. 经典：基金清盘偏差——业绩排名的隐形高估（真实）
基金行业的幸存者偏差比直觉严重。一只基金业绩差，会被清盘或合并，从排行榜上消失；业绩好的留下来。结果排行榜上的”同类平均”是系统性偏高的。学术研究（Burton Malkiel 在《漫步华尔街》及多篇论文、Elton-Gruber-Blake 关于共同基金幸存者偏差的研究）量化了这个偏差：忽略清盘基金会让股票型基金平均收益高估约 0.5% 到 1% 每年，二十年累计下来是巨大的错觉。对治：挑基金时把”是否含清盘基金”作为数据库的第一道筛选问题，长期业绩要扣掉这个偏差再判断。
8. 经典：美国股市是”幸运的幸存者”吗（真实）
Wharton 学者 Jules van Binsbergen 等人在 2025 年《Journal of Finance》发表的论文《Is the United States a Lucky Survivor? A Hierarchical Bayesian Approach》把幸存者偏差推到了国家层面，并用分层贝叶斯方法量化了一个震撼结论：幸存者偏差可解释美国股权风险溢价约三分之一——也就是说，美国股市”看起来额外赚到的”那部分回报，可能有三分之一不是”美国模式”的功劳，而是”美国没被历史清盘”的幸存者红利。从 1920 年观察全球市场，很多国家经历过战争破坏、恶性通胀、政权更替、资产国有化，投资人颗粒无归。美国可能是”众多市场里的幸运幸存者”，而不是”必然的优等生”。这个案例提醒决策者：把”美国模式”当作普世规律照搬时，要意识到样本本身被历史筛过——幸存者偏差不只作用于公司和基金，也作用于国家叙事。
9. 深挖一刀：消失的弹孔才是关键信息（原理）
幸存者偏差最反直觉的一刀，是”缺失的数据本身是数据”。瓦尔德之所以看到别人看不到的，是因为他没有把”引擎上没弹孔”当成”没信息”，而是当成”被筛选掉的信息”——引擎中弹的飞机不在样本里，这个”不在”恰恰说明了引擎的致命性。这条原理在日常决策里反复出现：你看不到某个客户投诉（可能是客户已经流失、懒得投诉了）、你看不到某类员工离职（可能是他们已经被边缘化、无声走人）、你看不到某种产品失败（可能是它还没上线就被砍了）。这些”看不到”都不是”没有”，而是”被筛选”。对治这条没有捷径，只有一招：决策前刻意问一句”我手里的数据是怎么来的、哪些样本会被这道采集方式筛掉”，把缺失的部分显性化。
10. 边界：幸存者偏差被滥用的两种场景（原理）
幸存者偏差不是万能滤镜，至少在两种场景下会反过来咬人。一是被滥用成虚无主义——“既然成功都有偏差，那成功经验都不能学”，这是把模型无限扩大。正确的度是区分方法与运气：把成功者和同方法的失败者并排放，重合的部分是运气和时代，不同的部分才是可复制的方法——这部分不仅该学，还得认真学。二是忽略了找失败样本的成本——失败者不出书、不上访谈、数据不公开，找他们要花大力气；低风险可逆的决策（选个工具、试个文案、改个配置）不值得花这个成本，快速试错就行；只有高杠杆、不可逆的决策（投资、战略转型、招聘高管、砸几千万立项）才值得深挖失败样本。识别这两种滥用，比会用幸存者偏差更重要——工具用错地方，比不用工具危害大。
学习幸存者偏差思维的 10 个步骤
学这套模型，顺序比内容更重要。下面十个步骤按”懂故事 → 练杀手问题 → 学源头 → 找失败样本 → 区分方法运气 → 上组织 → 设边界”的弧线排，每步配一个实例。
1. 懂故事：瓦尔德与轰炸机
先把瓦尔德 1943 年那个案例吃透——返航飞机引擎上没弹孔，不是引擎不会中弹，是中弹的没返航。实例：拿这个案例问自己”我手里这个数据集，会不会也只含飞回来的飞机”，能立刻定位自己有没有踩偏差，才算入门。
2. 杀手问题：照同样方法做却失败的人在哪
把这句话练成条件反射。实例：下次看到一个成功案例，立刻问”照这个方法做的人里，失败的占多少、他们在哪、为什么我看不到他们”——这一句能把大半偏差挡在门外。
3. 问筛选机制：这个样本怎么进入我视野的
幸存者偏差的本质是样本被筛过，所以先揭筛选机制。实例：任何”成功经验”到手先问一句”这是媒体主动报道的、是排行榜筛过的、还是当事人自己出书说的”——把筛选这道工序显性化，结论的可信度立刻打折。
4. 学经典源头：瓦尔德 1943 备忘录 + 学术整理
源头读一遍比看十篇二手文章都管用。实例：读瓦尔德原备忘录《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》的摘录、Mangel & Samaniego 1984 年 JASA 的整理、AMS 专题”The Legend of Abraham Wald”，把弹孔数据（引擎 1.11、机身 1.73 等）和”装甲加在弹孔最少处”的推理走一遍——这是幸存者偏差最纯的表述。
5. 练找失败样本：拿一个成功案例，刻意去找失败者
找失败样本是反直觉的体力活，要专门练。实例：挑一个你正准备照搬的成功案例（一个爆款、一个独角兽打法、一位偶像路径），花一小时去找”照同样方法做却失败”的样本——翻行业 graveyard 名单、清盘基金库、破产公告、翻车复盘——你会发现失败者其实很多，只是不在聚光灯下。
6. 区分方法与运气：成功里多少是真方法
把成功者和同方法的失败者并排放。实例：拿乔布斯和百万失败辍学生比——辍学这件事大家都做了（重合部分），但只有乔布斯成了，所以”辍学”不是方法、是运气和时代；真正的方法是他对产品和设计的判断，那部分才值得学。区分开了，才不会把赌博当路径。
7. 小处试跑：日常消费决策练
不用一上来就拿战略决策练，日常消费决策就能练。实例：网购看好评时问自己”给差评和没评价的人去哪了”（差评可能被删、不满意的人可能懒得写评价直接退货），把这部分补回来再判断——养成习惯后上大决策才稳。
8. 上组织：决策前加一道”失败样本盘点”
个人练完一定要上组织。实例：在团队抄某家公司的打法前，加 15 分钟”失败样本盘点”——专人负责找”采用过同款打法的失败公司”，把他们的失败原因摆出来。这一步最值钱，因为组织里最容易犯的错就是”只学活下来的对手”。
9. 建节奏：给信息源标注”幸存者偏差风险”
把识别偏差变成信息消费的节奏。实例：给你常看的几个信息源（行业媒体、排行榜、成功学公众号）各自标注”幸存者偏差风险高/中/低”——媒体主动报道的高风险、学术数据库含清盘数据的低风险。这一步让你对信息的可信度有默认折扣。
10. 边界与复盘：知道何时不值得找失败样本
最后一步是知道什么时候停。实例：拿手头三个待决策的事，按”找失败样本的成本 vs 决策的杠杆”分类——低风险可逆的（选工具、试文案）果断拍、快速试错，高杠杆不可逆的（投资、战略转型）才值得花大力气找失败样本。复盘时回看”上次找到的失败样本准不准、补回来后判断对不对”——这种反馈是校准直觉的唯一办法。
对决策者的启示
落到带组织的大企业一把手身上，幸存者偏差思维有三条最值得焊进决策习惯：
第一，别只学活下来的对手，主动研究死掉的对手。大企业学标杆，几乎只学活下来的标杆——去参观的都是经营稳健、有底气开放的企业，抄的打法都是赢家验证过的打法。但同款打法在行业里一定有更多失败案例，它们没上新闻、没出复盘、没进你的视野。决策者要主动建一个”行业 graveyard”——把过去五年采用过同款打法但失败的公司列出来、把失败原因摆上桌。这部分”看不见的失败”比”看得见的成功”更有学习价值，因为它揭示了打法的边界条件和致命陷阱。
第二，内部经验传承最大的偏差，是成功项目被复盘、失败项目被遗忘。组织里的知识管理天然偏幸存者：项目成功了办复盘会、出案例、做培训；项目失败了悄悄下马、当事人不愿提、文档被归档吃灰。结果是组织里流通的”经验”系统性偏向”怎么做对”，而”怎么做错”的教训——往往更值钱——被系统性遗忘。决策者要做的是强制复盘失败项目：每个被砍的项目、每个未达预期的试点，都做一份”失败复盘”进知识库，和成功案例同等权重。一个组织能从失败里学到多少，决定了它的经验曲线有多陡。
第三，招人、提拔、选合作方时，警惕”成功履历”本身就是幸存者偏差。一份光鲜的成功履历，意味着这个人在上一轮筛选里是幸存者——但幸存者 + 运气 ≠ 真本事。决策者看履历时要主动追问两件事：一是他过去的成功里多少是个人能力、多少是平台和时代红利（在风口上飞起来的猪很多），二是他有没有处理过失败、是怎么处理的（只会打顺风局的人，逆风时靠不住）。把提拔标准从”成功履历”调整成”成功 + 失败双重视角”，组织的人才结构才更抗周期。
文末引用
- 幸存者偏差源头与瓦尔德 1943 备忘录：亚伯拉罕·瓦尔德（Abraham Wald，1902-1950，罗马尼亚裔美国统计学家）1943 年在哥伦比亚大学统计研究小组（Statistical Research Group, SRG）做的研究备忘录《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》（CRC 432，1980 年由美国海军分析中心 Center for Naval Analyses 重印），是幸存者偏差的经典源头（来源：Wikipedia “Survivorship bias”；美国数学学会 AMS Feature Column “The Legend of Abraham Wald”；Mangel & Samaniego 1984 “Abraham Wald’s work on aircraft survivability”《美国统计学会杂志》JASA 79(386):259-267）。证据层级：百科 + 学术论文 + 原始备忘录重印；立场：学术中立。
- 弹孔分布数据：军方统计的每平方英尺平均弹孔数为引擎 1.11、机身 1.73、油料系统 1.55、其余部位 1.80——引擎上弹孔最少，瓦尔德据此推断中弹引擎导致坠机、幸存飞机引擎无弹孔（来源：Wald 原始分析，转引自 zr9558.com “Abraham Wald — 数弹孔的数学大师”；Mangel & Samaniego 1984 JASA）。证据层级：原始分析 + 学术整理；立场：中立。
- 瓦尔德生平：1902 年 10 月 31 日生于罗马尼亚克卢日的正统犹太世家，1938 年逃抵美国，父母姐妹未能逃出、死于纳粹集中营；1943 年任哥伦比亚大学副教授、1944 年正教授；1950 年应印度政府邀请讲学，赴印度途中飞机在尼尔吉里丘陵（Nilgiri Hills）坠毁，与夫人同难，年仅 48 岁（来源：zr9558.com；Wikipedia “Abraham Wald”）。证据层级：百科 + 传记类专栏；立场：中立。瓦尔德在 SRG 期间因外籍身份不被允许阅读自己撰写的机密报告（秘书逐页收走），此细节为同行 W. Allen Wallis 转述、属轶事性证据。
- 共同基金幸存者偏差量化研究：Elton, Gruber & Blake (1996)《Survivorship Bias and Mutual Fund Performance》载《Review of Financial Studies》9(4):1097-1120，是共同基金幸存者偏差的一手学术研究；Burton Malkiel 1995 年研究、Carhart 1997 年《On Persistence in Mutual Fund Performance》（Journal of Finance）进一步量化。综合这些研究，忽略已清盘/合并基金会把股票型基金平均收益高估约 0.5%–1% 每年（部分样本期间研究报告达 1.5%–2%，0.5%–1% 为保守下限区间）（来源：Elton-Gruber-Blake 1996 RFS；Carhart 1997 JF；Malkiel《A Random Walk Down Wall Street》；Finance PhD Having Chien 综述）。证据层级：同行评审学术论文 + 综述；立场：学术中立。具体高估幅度因样本期间不同有差异。
- **美国股市”幸运的幸存者”**：Wharton 学者 Jules van Binsbergen、Sophia Hua、Jonas Peeters、Jessica Wachter 合著《Is the United States a Lucky Survivor? A Hierarchical Bayesian Approach》，载《Journal of Finance》2025 年第 2355-2388 页（working paper 版署期 2020-10）。论文用分层贝叶斯方法量化指出：幸存者偏差可解释美国股权风险溢价约三分之一；从 1920 年起许多国家经历过战争、恶性通胀、政权更替、资产国有化导致投资人重大损失（来源：Journal of Finance 2025；论文作者官方主页 sites.google.com/view/jules-van-binsbergen；Finance PhD Having Chien 综述）。证据层级：同行评审顶刊论文；立场：学术质疑/中立。本文引用作为”幸存者偏差可作用于国家叙事”的注脚，非投资建议。
- 创业辍学神话的样本基数问题：乔布斯（里德学院辍学）、盖茨（哈佛辍学）、扎克伯格（哈佛辍学）创业成功常被当作”辍学创业”的范例；但百万级辍学生样本里绝大多数未取得类似成功，将极少数幸存者上升为普遍规律属幸存者偏差（来源：Finance PhD Having Chien；Bloomberg Business “How Survivorship Bias Tricks Entrepreneurs” Karen E. Klein 2014）。证据层级：财经专栏 + 综述；立场：中立。
- 文中电信、制造、电商的”示意”案例：均为说明思考逻辑的构造性案例，涉及的公司（”某二线运营商 / 某制造企业 / 某电商运营”）非真实具名主体，相关细节为说明性构造，非任何真实公司披露。已在正文统一标注”示意”。
- 实测对话①②③背景：①的 AI 培训乱象为 2025-2026 年普遍现象，未指向具体具名机构；②的”百亿估值 AI 独角兽”为构造性场景；③为常见的模型滥用讨论。实测对话仅作为提问背景，不在正文论证中使用具体数据。
buymeacoffee
