科学方法

假说-验证是科学方法的核心循环：先提出一个可测试的假设，再设计实验收集数据，最后根据证据判断假设是被支持还是被推翻。这个循环的价值不在于"证明正确"，而在于通过不断的证伪，逼近真相。其认知价值在于强制将模糊的直觉转化为精确的、可被现实击败的陈述——"我觉得这个产品有市场"不是假说，"在 A 渠道投放后一周内转化率 > 3%"才是假说。

真正非平凡的洞察在于：假说-验证最容易犯的错误不是"验证失败"，而是"验证了错误的假说"。大多数人花大量时间验证"这个方案行不行"，却从未检验更基础的前提——"这个问题是否真的存在"。在商业中，创业者精心验证了产品功能的可行性，却跳过了"用户是否真的有这个痛点"这个更底层的假设。假说-验证的正确顺序是自下而上——先验证最基础、推翻成本最低的假设。

实践方法：①将任何决策拆解为 3-5 个递进假设，按"基础→衍生"排序，从最底层开始验证；②为每个假设提前定义"杀手指标"——一个数字，低于某阈值就放弃，高于就推进，消除事后解释的空间；③养成"预注册"习惯——在实验前写下预期结果，防止事后根据数据"重新解读"（HARKing，即事后假设化）。

Hypothesis-Testing is the engine of scientific progress: form a specific, falsifiable prediction, design an experiment, collect data, and update your beliefs accordingly. In business and investment contexts, it translates to disciplined small-scale testing before committing major resources — replacing "I think this will work" with "here's how we'll know if it works."

哲学家卡尔·波普尔提出，一个理论要具有科学价值，必须是"可证伪的"——即存在某种可能的观察结果能够推翻它。无法被任何证据反驳的理论，不是科学，而是信仰。其核心区分力在于：科学命题是"我目前没有被推翻"（暂时性），伪科学命题是"我不可能被推翻"（永真性）。这也解释了为什么"明天可能涨也可能跌"的市场预测毫无价值——它不可能被任何结果证伪，因此不包含任何真正的预测信息。

真正非平凡的洞察在于：可证伪性不仅是评判科学理论的标准，更是检验个人信念质量的利器。一个人的信念系统中，不可证伪的成分越多，他的认知系统就越"脆弱"——因为它拒绝了一切来自现实的反馈。投资中最危险的叙事都有不可证伪的特征："长期来看一定会涨"——无论跌多久，总可以说"还不够长期"。可证伪性思维要求你在形成信念之前先回答：什么样的证据会让我放弃这个信念？找不到答案，就意味着这个信念已经脱离了理性范畴。

实践方法：①为你持有的每个重要判断写一份"证伪条件清单"——具体、可观察、有时间限制（如"6个月内若 X 未发生，则放弃这个判断"）；②警惕"不可证伪化漂移"——当你发现自己在不断修改判断条件以适应新数据时，你的信念可能已经从科学滑向了信仰；③在评估他人的预测或理论时，第一个问题永远是"什么情况下这个预测会被证明是错的？"——如果对方无法回答，这个预测就没有信息量。

Falsifiability, proposed by Karl Popper, is the criterion that separates science from pseudoscience: a genuine theory must make predictions that could, in principle, be proven wrong. In investing, strategy, and everyday reasoning, falsifiability forces you to define in advance what evidence would change your mind — preventing the intellectual trap of theories that can explain everything and therefore predict nothing.

控制变量是实验科学的基础操作：当你想了解 A 对 B 的影响时，必须确保除 A 以外的所有其他因素保持不变，否则你无法区分变化的原因究竟是 A 还是其他因素。这一原则的数学基础是"偏导数"概念——求 A 对 B 的影响，就是在固定所有其他变量后求导。日常决策中这一原则被普遍忽视，因为现实世界的变量总是同时变化的，人类大脑又天然倾向于把"同时发生"等同于"因此发生"。

真正非平凡的洞察在于：控制变量最大的实操困难不是"不知道要控制什么"，而是"不知道自己没控制什么"——即未知的混杂变量。这就是为什么随机对照实验（RCT）被称为因果推断的"金标准"：随机化不需要你知道所有混杂变量，它通过概率保证未知变量在实验组和对照组中均匀分布。在无法做 RCT 的场景（如投资、教育），退而求其次的方法是"自然实验"和"差异中的差异"（DiD）——寻找历史中的准随机事件作为因果推断的基础。

实践方法：①在生活和工作中做改变时，一次只改一个变量，坚持 2-4 周观察效果后再引入下一个变化；②当多个变量同时发生变化时（现实中的常态），至少列出所有你能识别的变量，承认"我无法确定哪个是原因"；③在评估他人的因果主张时，追问"对照组是什么？"——没有对照组的结论，只是轶事，不是证据。

Controlled Variables is the experimental principle of isolating cause from effect: to understand the impact of variable A on outcome B, everything else must be held constant. Without this discipline, we mistake correlation for causation and attribute effects to the wrong causes. In product testing, investing, and parenting — wherever you're trying to learn what actually works — controlling variables is the difference between knowledge and noise.

相关≠因果是统计学最基础却最容易被违反的原则：两个变量在数据中呈现同步变化的模式（相关），并不意味着其中一个是另一个的原因。相关性可能源于三种结构：(1) A 真的导致了 B，(2) B 反过来导致了 A（反向因果），(3) 存在一个看不见的第三变量 C 同时驱动了 A 和 B（混杂因子）。人类大脑天生倾向于把相关解读为因果，因为在祖先环境中，快速建立因果联系（"灌木丛晃动→可能有猎食者"）有巨大的生存优势，即使偶尔误报。但在数据驱动决策的现代世界，这种本能成了系统性的认知陷阱。

真正非平凡的洞察在于：大数据时代让这个陷阱不是变少了，而是指数级增长。当数据集足够大时，几乎任何两个变量之间都能找到统计显著的相关性（多重比较问题）。更隐蔽的是"因果链倒置"——我们常看到"冥想者决策质量更高"然后推广冥想课程，却没有检验是否是"高自律性"这个第三变量同时导致了冥想习惯和好决策。Judea Pearl 的因果阶梯理论指出：从"观察"到"干预"再到"反事实"，每升一层都需要截然不同的推理工具，仅靠数据挖掘永远停在第一层。

实践方法：①对任何"A 与 B 相关"的发现，立刻画出三种因果图（A→B、B→A、C→A+B），看哪个最合理；②追问"如果我对 A 进行干预（而非被动观察），B 是否仍会变化？"——这是区分相关与因果的黄金问题；③在生活和投资决策中，优先信任随机对照实验（RCT）的结论，对纯观察性研究的因果主张保持高度警惕。

Correlation ≠ Causation is perhaps the most important statistical principle for clear thinking. Just because two variables move together doesn't mean one causes the other — there may be a third confounding variable, or the relationship may be pure coincidence. In the age of big data, distinguishing genuine causal signals from spurious correlations is one of the highest-value cognitive skills.