Смещение выживаемости

Смещение выживаемости (англ. survivorship bias) — это разновидность систематической ошибки отбора, при которой выводы делаются на основе только тех объектов или субъектов, которые «выжили» или прошли некий отбор, игнорируя те, которые не прошли отбор и остались незамеченными. Это приводит к искажённому, чрезмерно оптимистичному или одностороннему представлению о реальности, поскольку невидимые данные (неудачники, погибшие, отсеянные) не учитываются.

История и происхождение термина

Термин получил широкое распространение после публикации работ по статистике и теории вероятностей, однако сам феномен был известен задолго до этого. Классический пример, иллюстрирующий смещение выживаемости, связан с историей Второй мировой войны. В 1943 году американский математик Абрахам Вальд (Abraham Wald) работал в Исследовательской группе статистики (Statistical Research Group) при Колумбийском университете. Военно-воздушные силы США изучали уязвимость бомбардировщиков, возвращавшихся с заданий, и планировали усилить броню на тех участках, где было больше всего пробоин. Вальд указал на ошибку: анализировались только самолёты, вернувшиеся на базу, то есть «выжившие». Пробоины на них показывали, какие части самолёта не критичны для выживания — именно там повреждения не приводили к падению. Напротив, те участки, которые были без пробоин на вернувшихся машинах, были наиболее уязвимы: самолёты, получившие туда попадания, просто не возвращались. Таким образом, Вальд рекомендовал усиливать броню именно на неповреждённых участках, что и было сделано. Этот пример стал хрестоматийным в статистике и военном деле.

Механизм возникновения

Смещение выживаемости возникает из-за неполноты данных. В любой выборке, где присутствует процесс отбора (естественный, технический, социальный), часть объектов исчезает из поля зрения исследователя. Если анализировать только оставшиеся, то:

• Игнорируется базовый уровень неудач. Например, если изучать успешные стартапы, можно сделать вывод, что предпринимательство — лёгкий путь к богатству, не учитывая, что большинство стартапов закрываются в первые годы.
• Формируется иллюзия закономерности. Кажется, что «выжившие» обладают некими особыми качествами (например, смелость, упорство), тогда как эти же качества могли быть и у «погибших», но их данные отсутствуют.
• Усиливается когнитивное искажение. Люди склонны запоминать успехи и забывать неудачи, что подкрепляет смещение.

Примеры смещения выживаемости

В бизнесе и финансах

• Успешные компании. Анализ биографий основателей Microsoft, Apple, Amazon создаёт впечатление, что успех предопределён гениальностью и упорством. Однако миллионы предпринимателей с теми же качествами потерпели неудачу, и их истории не изучаются в бизнес-школах.
• Инвестиции. Изучение доходности «голубых фишек» (акций крупных устойчивых компаний) игнорирует тот факт, что большинство компаний, существовавших 50 лет назад, уже обанкротились или были поглощены. Инвесторы, ориентирующиеся только на выживших, переоценивают стабильность рынка.
• Пирамиды и финансовые пузыри. Вкладчики, которые успели вывести деньги до краха, рассказывают о лёгком заработке, в то время как большинство потеряло всё. Это создаёт ложное впечатление о надёжности схемы.

В военном деле и технике

• Броня самолётов. Уже упомянутый пример Вальда. Аналогичная ошибка возможна при анализе повреждений танков, кораблей или защитных сооружений.
• Авиакатастрофы. Изучение «чёрных ящиков» разбившихся самолётов даёт информацию о причинах падений, но не учитывает, сколько самолётов с аналогичными неисправностями благополучно приземлились. Это может привести к избыточным или недостаточным мерам безопасности.

В медицине и здравоохранении

• Эффективность лечения. Если изучать только пациентов, которые выжили после тяжёлой болезни, можно сделать вывод, что определённый метод лечения работает на 100%. Однако данные о тех, кто умер, могут показать, что лечение было неэффективно или даже вредно.
• Долгожители. Исследование привычек людей, доживших до 100 лет, часто выявляет общие черты (например, употребление красного вина, активный образ жизни). Но не учитывается, что многие люди с теми же привычками умерли раньше. Факторы, которые кажутся «секретом долголетия», могут быть случайными или нерелевантными.

В повседневной жизни и культуре

• Советы успешных людей. Книги вроде «Как стать миллионером» основаны на интервью с теми, кто уже добился успеха. Они не учитывают миллионы людей, которые следовали тем же советам, но не преуспели.
• Социальные сети. В ленте пользователи видят только лучшие моменты жизни других (отпуск, достижения, красивые фото), что создаёт иллюзию, что у всех вокруг всё идеально, а собственная жизнь — неудачна.
• Спорт. Анализ тактики победителей Олимпийских игр может привести к выводу, что определённая стратегия гарантирует победу. Однако проигравшие могли использовать ту же тактику, но уступили по другим причинам.

Связь с другими когнитивными искажениями

Смещение выживаемости тесно связано с:

• Ошибкой подтверждения (confirmation bias). Люди склонны искать и интерпретировать информацию, подтверждающую их убеждения. Если кто-то верит, что упорный труд ведёт к успеху, он будет искать примеры упорных успешных людей, игнорируя упорных неудачников.
• Иллюзией контроля. Успешные люди часто приписывают свой успех личным качествам, а не везению или внешним обстоятельствам, что усиливает смещение выживаемости.
• Ошибкой планирования. При оценке сроков и затрат на проект люди ориентируются на успешные примеры, игнорируя статистику провалов, что приводит к завышенным ожиданиям.

Методы борьбы и предотвращения

Для минимизации влияния смещения выживаемости в исследованиях и принятии решений применяются следующие подходы:

1. Сбор полных данных. Необходимо целенаправленно искать информацию о «неудачниках» — тех, кто не прошёл отбор, потерпел крах, умер или был отсеян. В исторических исследованиях это особенно сложно, так как записи о неудачах часто не сохраняются.
2. Использование контрольных групп. В экспериментах и наблюдениях следует сравнивать «выживших» с контрольной группой, включающей тех, кто не выжил или не достиг успеха. Это позволяет оценить истинное влияние факторов.
3. Статистическое моделирование. Методы регрессионного анализа, анализа выживаемости и байесовской статистики позволяют скорректировать смещение, если известна или может быть оценена вероятность отбора.
4. Критическое мышление. При чтении историй успеха, советов или исследований стоит задавать вопросы: «А что насчёт тех, кто не добился успеха?», «Какие данные могли быть утеряны?», «Насколько репрезентативна эта выборка?».
5. Анализ базовых показателей. Вместо изучения только лучших примеров, полезно оценивать общую статистику: например, не только доходы топ-менеджеров, но и среднюю зарплату в отрасли; не только выживаемость в клинических испытаниях, но и общую смертность.

Критика и ограничения концепции

Само понятие смещения выживаемости не является спорным в научном сообществе — оно признаётся фундаментальной статистической ошибкой. Однако его применение на практике может быть затруднено:

• Неполнота исторических данных. В древности и Средневековье записи о неудачах (например, о разорившихся купцах или проигранных битвах) часто не велись или уничтожались. Исследователь вынужден работать с тем, что осталось, и осознавать это смещение.
• Этическая дилемма. В некоторых случаях сбор данных о «неудачниках» невозможен по этическим соображениям (например, нельзя специально создавать условия для смерти пациентов, чтобы изучить причины неудач лечения).
• Популяризация. В популярной литературе и СМИ термин часто используется для критики любых историй успеха, что может приводить к излишнему скептицизму и отрицанию роли личных качеств. Однако смещение не отрицает существования таланта или упорства — оно лишь указывает на то, что на основе только успешных примеров нельзя делать статистически обоснованные выводы.

Значение в современной науке и практике

Понимание смещения выживаемости критически важно в:

• Эпидемиологии и клинических исследованиях. При оценке эффективности вакцин, лекарств и методов лечения необходимо учитывать, что пациенты, выжившие после болезни, могут отличаться от умерших.
• Машинном обучении и анализе данных. Алгоритмы, обученные на неполных данных (например, только на успешных транзакциях), могут давать неверные прогнозы. Методы обработки пропущенных данных и взвешивания выборки помогают бороться с этим.
• Управлении рисками. В финансовом и страховом деле анализ только «хороших» клиентов или проектов ведёт к недооценке рисков.
• Исторической науке. Историки, изучая прошлое, вынуждены учитывать, что до нас дошли в основном свидетельства победителей, а голоса проигравших часто утеряны.

Источники

1. Wald, A. (1943). A Method of Estimating Plane Vulnerability Based on Damage of Survivors. Statistical Research Group, Columbia University.
2. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
3. Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
4. Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131.
5. Huff, D. (1954). How to Lie with Statistics. W. W. Norton & Company.