反火鸡问题

核心讲解

"反火鸡问题"是火鸡问题的反面。火鸡问题：脆弱情况下，样本隐藏缺陷、展示优点——火鸡被喂了1000天，样本看起来安全，实际上积累了致命风险。反火鸡问题：正面不对称情况下，样本隐藏优点、展示缺陷——一个原书的系统，历史样本会低估长期平均收益。比如墨西哥的财富分布：卡洛斯·斯利姆一个人的财富比底层几千万人加起来还多。如果你抽样调查墨西哥人的平均财富，样本里可能没有斯利姆，于是你低估了国家财富总量。这就是重尾分布下的抽样偏差：样本均值常低于真实均值，因为极端大值占主导。当然，需要的是更大的样本或极值方法，而不是否定抽样。但核心洞察成立：在原书的正面不对称中，历史记录会低估你的优势。

要点

• 反火鸡问题：样本隐藏优点，展示缺陷。
• 重尾分布下，样本均值低于真实均值。
• 极端大值占主导，抽样可能漏掉。
• 边界：需要更大样本或极值方法。

常见误区

• 以为"历史记录代表真实情况"——正面不对称下它低估了优势。
• 以为抽样偏差只影响负面——它也影响正面。

编者注

• 勘误书中"100多万墨西哥人"应为"1亿多"（墨西哥人口约1.1亿）。

多方视角

作者的看法

当优点藏在稀有尾部时，样本往往低估真实价值，这是火鸡问题的反面。

不同的看法

• 需要的是更大的样本或使用极值方法，而不是否定抽样。

支持作者的理由

• 财富、销量等分布的实证显示极少数个体占比巨大。