В статистике существует множество незаметных искажений, которые принципиально влияют на финальный результат

Selection bias: например, проводить в аэропорту опрос о потреблении, где в среднем люди намного богаче, потому что они могут позволить себе путешествовать.

Self-selection bias: например, если набирать участников эксперимента по приглашению, это может привести к тому, что будут участвовать в среднем более сознательные люди.

Publication bias: эксперименты, которые подтверждают что-то, публикуют намного чаще чем те, которые не подтверждают. При этом если провести самое нелепое исследование 100 раз подряд, всегда есть вероятность, что 1 раз из 100 исследование покажет невероятный (и неправильный) результат. Поэтому медицинские журналы просят регистрировать исследования перед их началом.

Recall bias: например, было исследование Гарварда в 1993, как диета влияет на рак груди, где нужно было описывать свою диету на протяжении последний лет. На самом деле это исследование нужно назвать: как рак влияет на воспоминания о диете. Женщины, у которых был обнаружен рак, чаще фокусировалились на “неправильных” продуктах, что привело к ложным выводам о влиянии тех или иных продуктов на возникновение рака. Результаты исследования позже опровергли.

Survivorship bias: инвест фирмы, которые хотят показать, что их фонд обыгрывает S&P, делают 20 фондов, а потом рекламируют только те 3, которые показали лучше результат.

Healthy user bias: люди, которые регулярно принимают витамины, скорее всего более здоровы не из-за витаминов, а потому что они люди “которые регулярно принимают витамины”, т.е. в целом дисциплинированнее следят за своим здоровьем