सर्व्हायव्हरशिप बायस

एका दृष्टिक्षेपात

१. संक्षिप्त सारांश

जेव्हा आपण यशाचे विश्लेषण करतो, तेव्हा आपण फक्त विजेत्यांना पाहतो—ज्या कंपन्या भरभराटीला आल्या, ज्या इमारती अजूनही उभ्या आहेत, जे लोक यशस्वी झाले. आपण अपयश कधीही पाहत नाही कारण ते नाहीसे झालेले असते. यामुळे वास्तवाचे एक अत्यंत विस्कळीत आणि धोकादायक चित्र निर्माण होते, जिथे आपण आपल्या यशाच्या शक्यतांचा अति-अंदाज लावतो, यशाची कारणे चुकीच्या पद्धतीने ओळखतो आणि अपूर्ण डेटावरून निष्कर्ष काढतो. सर्वात महत्त्वाची माहिती ही जवळजवळ नेहमीच अशी माहिती असते जी गहाळ असते.

२. यामागील विज्ञान

२.१. शोध आणि इतिहास

सर्व्हायव्हरशिप बायसची बौद्धिक ओळख आधुनिक सांख्यिकीपेक्षा दोन सहस्रकांहून अधिक जुनी आहे, जरी तिचे औपचारिक गणितीय स्वरूप दुसऱ्या महायुद्धात पुढे आले.

प्राचीन मूळ (इ.स.पू. ५ वे शतक): सर्वात जुने दस्तऐवजीकरण मेलोसमधील डायगोरस या ग्रीक कवी आणि ज्ञात नास्तिकाकडून येते. जेव्हा देवतेच्या हस्तक्षेपाचा पुरावा म्हणून जहाजाच्या अपघातातून वाचलेल्या प्रार्थनाकर्त्यांची चित्रे असलेली पाटी त्याला दाखवण्यात आली, तेव्हा डायगोरसने प्रसिद्ध उत्तर दिले: "जे वाचले त्यांना मी पाहतो, पण ज्यांची जहाजे बुडाली ते चित्र कोठे आहेत?" सिसेरोने De Natura Deorum मध्ये जतन केलेला हा किस्सा या पूर्वग्रहाची संपूर्ण यंत्रणा टिपतो—वाचलेले दृश्यमान आणि बोलके असतात; तर मृत शांत असतात.

पुनर्जागरण काळातील औपचारिकरण (१७ वे शतक): फ्रान्सिस बेकनने आपल्या "आयडॉल्स ऑफ द माइंड", विशेषत: आयडॉल्स ऑफ द ट्राईब या सिद्धांतात या निरीक्षणाचा समावेश केला. त्यांनी नमूद केले की मानवी बुद्धी नकारात्मक गोष्टींपेक्षा सकारात्मक गोष्टींनी अधिक प्रभावित होते—यशाची नोंद होते तर अपयश नोंदींमधून नाहीसे होते.

दुसऱ्या महायुद्धातील गणितीय उपचार (१९४३): कोलंबिया युनिव्हर्सिटीच्या स्टॅटिस्टिकल रिसर्च ग्रुपसोबत काम करताना अब्राहम वॉल्ड यांनी सर्व्हायव्हरशिप बायस हाताळण्यासाठी पहिली कठोर गणितीय चौकट प्रदान केली, ज्यामुळे ऑपरेशन्स रिसर्च आणि लष्करी धोरण कायमचे बदलले.

वित्तीय अर्थशास्त्र क्रांती (१९९० चे दशक): ब्राउन, गोएट्झमॅन, एल्टन, ग्रुबर आणि ब्लेक यांच्यासह संशोधकांनी म्युच्युअल फंड आणि हेज फंड कामगिरी डेटावरील या पूर्वग्रहाच्या प्रभावाचे मोजमाप केले आणि गुंतवणूक विश्लेषणावरील त्याचे खोल परिणाम दाखवून दिले.

लोकप्रिय तत्त्वज्ञान (२००० चे दशक): नसीम निकोलस तालेब यांनी Fooled by Randomness (२००१) आणि The Black Swan (२००७) मध्ये सर्व्हायव्हरशिप बायसला एका सांख्यिकीय संकल्पनेतून तात्विक दृष्टिकोनापर्यंत नेले.

२.२. प्रमुख संशोधक

२.३. महत्त्वाचे अभ्यास

विमान असुरक्षितता विश्लेषण (वॉल्ड, १९४३)

दुसऱ्या महायुद्धादरम्यान, बॉम्बर विमानांवर चिलखत (आर्मर) कुठे लावायचे हे निश्चित करण्यास स्टॅटिस्टिकल रिसर्च ग्रुपला सांगण्यात आले. परत आलेल्या विमानांवरील गोळ्यांच्या छिद्रांच्या प्रमाणाचा डेटा सैन्याने सादर केला: मुख्य सांगाडा, पंख आणि शेपटीवर मोठ्या प्रमाणावर नुकसान, परंतु इंजिन आणि कॉकपिट्सवर कमीत कमी नुकसान.

लष्कराचा अंतर्ज्ञानी निष्कर्ष असा होता की ज्या भागात सर्वात जास्त गोळ्या लागल्या आहेत तिथे चिलखत लावणे. वॉल्ड यांच्या आश्चर्यकारक अंतर्दृष्टीने ही शिफारस पूर्णपणे उलटी केली: इंजिन आणि कॉकपिट्सवर चिलखत लावा—ज्या भागात नुकसानीचे कोणतेही निरीक्षण झालेले नाही.

त्यांचे कारण: शत्रूचा मारा विमानांवर यादृच्छिकपणे वितरित झाला असण्याची शक्यता होती. इंजिनवरील "गहाळ" गोळ्यांची छिद्रे हा इंजिनला गोळ्या लागत नसल्याचा पुरावा नव्हता—तर तो या गोष्टीचा पुरावा होता की ज्या विमानांच्या इंजिनला गोळ्या लागल्या ती विमाने परत आली नाहीत. लष्कर जीवघेण्या नुकसानीचे नाही, तर वाचण्याजोग्या नुकसानीचे परीक्षण करत होते.

वॉल्डने आपल्या "A Method of Estimating Plane Vulnerability Based on Damage of Survivors" या मेमोरँडममध्ये हे औपचारिक केले आणि प्रस्थापित केले की वाचलेल्यांवर आढळणारी गोळ्यांच्या छिद्रांची घनता ही त्या भागाला लागणाऱ्या जीवघेण्या माराच्या व्यस्त प्रमाणात असते.

म्युच्युअल फंड सर्व्हायव्हरशिप बायस (ब्राउन, गोएट्झमॅन, आणि इतर, १९९२)

Review of Financial Studies मध्ये प्रकाशित झालेल्या या पेपरने दाखवून दिले की प्रमाणित वित्तीय डेटाबेसमधून बंद पडलेल्या किंवा विलीन झालेल्या फंडांच्या नोंदी पद्धतशीरपणे हटवल्या जात होत्या. फंडे सामान्यत: खराब कामगिरीमुळे बंद होत असल्याने, या वगळण्यामुळे एक सांख्यिकीय भ्रम निर्माण झाला—ज्यामुळे फंडाची सरासरी कामगिरी प्रत्यक्षापेक्षा अधिक चांगली दिसू लागली आणि अस्थिरता आणि परतावा यांच्यात खोटे संबंध निर्माण झाले जे खऱ्या कौशल्याची नक्कल करत होते.

सर्व्हायव्हरशिप बायस आणि म्युच्युअल फंड कामगिरी (एल्टन, ग्रुबर आणि ब्लेक, १९९६)

या महत्त्वपूर्ण अभ्यासाने १९७६ च्या शेवटी अस्तित्वात असलेल्या प्रत्येक म्युच्युअल फंडाचा मागोवा घेतला. प्रमुख निष्कर्ष:

• सर्व्हायव्हरशिप बायसमुळे वार्षिक परतावा अंदाजे ०.९% (९० बेसिस पॉईंट्स) ने फुगवला गेला
• मोठ्या फंडांपेक्षा छोट्या फंडांमध्ये हा बायस लक्षणीयरीत्या जास्त होता
• जे फंड विलीन झाले (अनेकदा मोठ्या फंडांमध्ये खराब विक्रम लपवून) आणि जे बंद पडले त्या दोघांनीही या बायसमध्ये योगदान दिले

पूर्वग्रह दुरुस्त झाल्यानंतर या निष्कर्षांनी इफिशियंट मार्केट हायपोथिसिसला मजबूत प्रायोगिक पाठबळ दिले.

२.४. न्यूरोलॉजिकल आधार

सर्व्हायव्हरशिप बायस मानवी आकलनाच्या मूलभूत वैशिष्ट्यांमधून उद्भवतो:

सिस्टीम १ थिंकिंग: डॅनियल काहनेमन यांची "फास्ट थिंकिंग" प्रणाली "लक्षात ठेवण्याची सोय" आणि "घडण्याची वारंवारता" यांची गल्लत करते. यशस्वी उदाहरणे (स्टीव्ह जॉब्स, बिल गेट्स) सहज लक्षात राहतात म्हणून, आपण बेस रेट्सच्या प्रमाणापेक्षा समान परिणामांना अंतर्ज्ञानाने अधिक संभाव्यता देतो.

अव्हेलेबिलिटी ह्युरिस्टिक: निर्णयांचे मूल्यमापन करताना मेंदू त्वरित उपलब्ध असलेल्या उदाहरणांवर विसंबून असतो. यश नैसर्गिकरित्या अधिक "उपलब्ध" असते—यशस्वी कंपन्या स्टॉक एक्स्चेंजवर सूचीबद्ध केल्या जातात तर अयशस्वी कंपन्या डी-लिस्ट केल्या जातात; यशस्वी इमारती उभ्या राहतात तर कोसळलेल्या इमारती बदलल्या जातात.

पॅटर्न रेकग्निशन मर्यादा: मानवी मेंदू मिळालेल्या डेटावरून कारणमीमांसा शोधण्यासाठी विकसित झाला आहे परंतु जो डेटा अस्तित्वात नाही त्यावर प्रक्रिया करू शकत नाही. ही मूलभूत मर्यादा—आपण फक्त तेच विश्लेषित करू शकतो जे आपण पाहू शकतो—हा सर्व्हायव्हरशिप बायसचा न्यूरल पाया आहे.

ऑप्टिमिझम बायस परस्परसंवाद: स्व-मूल्यांकनाशी संबंधित न्यूरल सर्किट्स आशावादाकडे झुकतात. वाचलेल्यांचा डेटा पाहताना, ही सर्किट्स बहुसंख्य अयशस्वी लोकांऐवजी विजेत्यांशी ओळख जोडण्यास प्रोत्साहित करतात, ज्यामुळे धोकादायक वर्तनाला बळकटी मिळते.

३. उत्क्रांतीतील मूळ

सर्व्हायव्हरशिप बायस आपल्या उत्क्रांतीच्या वारशात खोलवर रुजलेला आहे, जेथे आपण पॅटर्न-रेकग्निशन इंजिन म्हणून काम करत होतो, अशा वातावरणात जिथे अचूकतेपेक्षा गती महत्त्वाची होती.

पूर्वजांच्या वातावरणातील अनुकूली मूल्य: आपल्या पूर्वजांसाठी, यशस्वी धोरणांवर लक्ष केंद्रित करणे अर्थपूर्ण होते. जर शिकार करण्याचे तंत्र, स्थलांतराचा मार्ग किंवा अन्नाच्या स्रोतामुळे कोणी वाचले असेल, तर त्याचे अनुकरण करणे योग्य होते. अपयश—ज्यांनी वेगवेगळे दृष्टिकोन वापरले आणि मरण पावले—ते सल्ला घेण्यासाठी उपलब्ध नव्हते. दृश्यमान यशातून शिकणे हे एक जलद, कार्यक्षम ह्युरिस्टिक होते.

ऊर्जा संवर्धन: मेंदू आपल्या चयापचय ऊर्जेच्या अंदाजे २०% ऊर्जा वापरतो. गैरहजर डेटाचे विश्लेषण करणे—आपण पाहू शकत नसलेल्या सर्व अपयशांची कल्पना करणे—संज्ञानात्मकदृष्ट्या खर्चिक आहे. उत्क्रांतीने अशा मेंदूंना पसंती दिली ज्यांनी अदृश्य पर्यायांचे सखोल मॉडेलिंग करण्याऐवजी उपलब्ध माहितीवर प्रभावीपणे प्रक्रिया केली.

वैशिष्ट्य, दोष नाही: तुलनेने स्थिर परिस्थिती आणि त्वरित निरीक्षण करण्यायोग्य परिणाम असलेल्या पूर्वजांच्या वातावरणात, वाचलेल्यांवर आधारित शिक्षण बऱ्याचदा पुरेसे होते. जर तुमचा शेजारी विशिष्ट घराच्या डिझाइनचा वापर करून हिवाळ्यात वाचला, तर त्याची नक्कल करणे योग्य होते. हा बायस केवळ गुंतागुंतीच्या, आधुनिक वातावरणात समस्याप्रधान बनतो जिथे अपयश पद्धतशीरपणे लपवले जाते आणि "वाचलेल्यांचा" नमुना अत्यंत विसंगत असतो.

अव्हेलेबिलिटी मिसमॅच: आपले मेंदू अशा लहान गटांमध्ये विकसित झाले जिथे बहुतेक संबंधित घटनांचे थेट निरीक्षण केले जाऊ शकत होते. आधुनिक समाजात, आपल्याला अशी माहिती मिळते जी निवडीच्या अनेक स्तरांमधून (माध्यमे, बाजारपेठा, इतिहास) फिल्टर केली गेली आहे, ज्यामुळे आमचे उपलब्धतेवर आधारित अंतर्ज्ञान पद्धतशीरपणे दिशाभूल करणारे बनते.

४. हा बायस कसा प्रकट होतो

४.१. दैनंदिन जीवनात

"ते पूर्वीसारख्या वस्तू बनवत नाहीत": रोमन पँथिऑन, व्हिक्टोरियन महोगनी फर्निचर, आणि १९५० च्या दशकातील उपकरणे जी "अजूनही काम करतात" ती सांख्यिकीयदृष्ट्या अपवादात्मक आहेत जी शतकानुशतके टिकून राहिली. कोसळलेली खराब रोमन घरे, सडलेले स्वस्त व्हिक्टोरियन फर्निचर आणि कचराकुंडीत गेलेली १९५० ची तुटलेली उपकरणे अदृश्य आहेत. आपण भूतकाळातील सर्वोत्कृष्ट गोष्टींची वर्तमानाच्या सरासरीशी तुलना करतो.

"क्लासिक" संगीताचा भ्रम: लोक असा दावा करतात की १९६०-७० च्या दशकातील संगीत श्रेष्ठ होते कारण "त्या काळातील सर्व गाणी क्लासिक आहेत." हे याकडे दुर्लक्ष करते की हजारो वाईट गाणी देखील रिलीज झाली होती—रेडिओ स्टेशन्स फक्त उरलेली १% हिट गाणी लावतात. आपण भूतकाळातील फिल्टर केलेल्या सर्वोत्कृष्ट गोष्टींची आजच्या १००% उत्पादनाशी तुलना करतो.

आनंदी जोडप्यांकडून रिलेशनशिपचा सल्ला: रिलेशनशिपबाबत सल्ला घेताना आपण साधारणपणे अशा जोडप्यांचा सल्ला घेतो जे अजूनही एकत्र आहेत. आपण क्वचितच अशा लोकांकडून ऐकतो ज्यांनी समान पद्धती वापरल्या आणि ज्यांचा घटस्फोट झाला, कदाचित याच सल्ल्यामुळे त्यांच्या नात्यात अपयश आले असावे.

हॉटेलच्या शिफारशी: शहरातील लोकप्रिय हॉटेल्स, व्याख्येनुसार, टिकून राहिलेली आहेत. हजारो हॉटेल्स जी बंद पडली—कदाचित तशाच रणनीतीमुळे—ती आपल्याला काय काम करत नाही याबद्दल इशारा देऊ शकत नाहीत.

४.२. कामाच्या ठिकाणी

कॉलेज ड्रॉपआऊटचे मिथक: मिडिया गेट्स, जॉब्स आणि झुकरबर्ग सारख्या अब्जाधीशांवर प्रकाश टाकते ज्यामुळे असे वाटते की ड्रॉपआऊट झाल्याने यश मिळते. हे अशा हजारो ड्रॉपआऊट्सकडे दुर्लक्ष करते जे कर्जात बुडाले आहेत आणि ज्यांचे आयुष्यभराचे उत्पन्न कमी आहे. पदवीधरांच्या तुलनेत ड्रॉपआऊट्सच्या यशाचा बेस रेट सांख्यिकीयदृष्ट्या कमी आहे; प्रसिद्ध उदाहरणे अत्यंत अपवादात्मक आहेत.

"मी कसा यशस्वी झालो" साहित्य: नसीम तालेब नमूद केल्याप्रमाणे, अयशस्वी उद्योजक "माझ्या स्टार्टअपचे दिवाळे कसे निघाले" या शीर्षकाची पुस्तके लिहीत नाहीत. यशस्वी उद्योजक "How I Made It" लिहितात, आणि त्यांचा सल्ला (मोठे धोके पत्करा, टीकाकारांकडे दुर्लक्ष करा) कदाचित तीच वागणूक असू शकते ज्यामुळे अपयशी लोक अपयशी ठरले.

"यशस्वी" प्रोफाइल्सवर आधारित भरती: कंपन्या अनेकदा त्यांच्या टॉप परफॉर्मर्सच्या वैशिष्ट्यांवर आधारित हायरिंग प्रोफाइल तयार करतात. परंतु त्यांच्याकडे नाकारलेल्या उमेदवारांचा डेटा नसतो ज्यांनी कदाचित तितकीच चांगली कामगिरी केली असती, किंवा समान वैशिष्ट्ये असलेल्या उमेदवारांचा डेटा नसतो जे नियुक्त झाले पण अपयशी ठरले आणि नोकरी सोडून गेले.

कामगिरीचे श्रेय देण्याच्या चुका: काही प्रकल्प का यशस्वी झाले याचे विश्लेषण करताना, संस्था यशस्वी टीम्सचा अभ्यास करतात. ते अर्धवट सोडलेल्या, पुनर्रचना केलेल्या प्रकल्पांचा अभ्यास करू शकत नाहीत—ज्यामध्ये असे आढळून आले असते की यशाचे तेच घटक दोन्हीकडे उपस्थित होते.

४.३. व्यवसाय आणि मार्केटिंगमध्ये

उद्योजकतेचे "यशाचे सूत्र": सल्ला देणारा उद्योग वाचलेल्यांच्या मक्तेदारीखाली चालतो. "कठोर परिश्रम", "चिकाटी" आणि "गुणवत्तेची आवड" यशस्वी उद्योजकांच्या कथांमध्ये आढळतात, परंतु अयशस्वी उद्योजकांच्या स्मशानभूमीच्या सर्वेक्षणातही बहुधा हीच वैशिष्ट्ये आढळतील. फरक अनेकदा नशीब, वेळ किंवा बाह्य घटनांचा असतो.

उत्पादनाचे टेस्टिमोनिअल्स: मार्केटिंग केवळ समाधानी ग्राहकांना दाखवते. जे ग्राहक असमाधानी होते, ज्यांनी परतावा मागितला किंवा जे सोडून गेले ते कथनातून गायब असतात, ज्यामुळे उत्पादनाच्या परिणामकारकतेचा समज विकृत होतो.

स्पर्धात्मक बेंचमार्किंग: कंपन्या यशस्वी प्रतिस्पर्ध्यांच्या तुलनेत बेंचमार्क करतात आणि त्यांची धोरणे शिकतात. परंतु ज्या कंपन्यांनी समान धोरणे वापरली आणि त्या अपयशी ठरल्या त्या विकत घेतल्या गेल्या आहेत किंवा बंद पडल्या आहेत—त्यांची अयशस्वी धोरणे विश्लेषणासाठी अदृश्य आहेत.

४.४. राजकारण आणि माध्यमांमध्ये

ऐतिहासिक कथनाची उभारणी: वाचलेल्यांनी लिहिलेला इतिहास, त्यांचा दृष्टिकोन निश्चित मानून मांडतो. जे हरले, मरण पावले किंवा दुर्लक्षित झाले त्यांचे दृष्टिकोन, इशारे आणि पर्याय पद्धतशीरपणे कमी दाखवले जातात.

न्यूज सर्व्हायव्हरशिप: संपादक ज्या बातम्यांची निवड करतात तेच मीडिया कव्हर करते. तितक्याच महत्त्वाच्या असलेल्या हजारो घटना नोंदवल्या जात नाहीत, ज्यामुळे कोणत्या समस्या अस्तित्वात आहेत आणि कोणते उपाय काम करतात याबद्दल लोकांचा समज तयार होतो.

राजकीय धोरण "धडे": राजकीय विश्लेषक यशाचे घटक काढण्यासाठी विजयी मोहिमांचा अभ्यास करतात. परंतु ज्या मोहिमांनी समान धोरणे वापरली आणि गमावली त्यांना कमी लक्ष दिले जाते, ज्यामुळे कदाचित चुकीच्या धोरणात्मक शिफारसी होऊ शकतात.

४.५. आरोग्य सेवेत

पहिल्या महायुद्धातील हेल्मेटचा विरोधाभास: पहिल्या महायुद्धात जेव्हा स्टील हेल्मेट्स आणली गेली, तेव्हा फील्ड हॉस्पिटल्समध्ये डोक्याला होणाऱ्या दुखापतींमध्ये लक्षणीय वाढ झाल्याचे नोंदवले गेले. काहींनी सुचवले की हेल्मेट्स सदोष आहेत. वस्तुस्थिती अशी होती: हेल्मेटच्या आधी, डोक्याला लागणाऱ्या तुकड्यांमुळे सैनिक जागेवरच मरायचे (त्यांची नोंद KIA म्हणून व्हायची, ते कधीही रुग्णालयात पोहोचत नसत). हेल्मेटने मृत्यूला उपचार करण्यायोग्य दुखापतींमध्ये बदलले, ज्यामुळे पहिल्यांदाच डोक्याच्या जखमा डेटामध्ये दृश्यमान झाल्या.

मांजरांमध्ये हाय-राईज सिंड्रोम: १९८७ मधील एका पशुवैद्यकीय अभ्यासात असे आढळून आले की ५-७ मजल्यांवरून पडणाऱ्या मांजरांपेक्षा ७ पेक्षा जास्त मजल्यांवरून पडणाऱ्या मांजरांना कमी दुखापती झाल्या, ज्यामुळे असे सुचवले गेले की उंचावरून पडणे अधिक "सुरक्षित" आहे. यातील पूर्वग्रह: या डेटामध्ये केवळ पशुवैद्यकाकडे आणलेल्या मांजरांचा समावेश होता. ३० मजली इमारतीवरून पडून जागीच मृत्यूमुखी पडलेल्या मांजरांना पुरले गेले, त्यांच्यावर उपचार झाले नाहीत—यामुळे उंचावरून पडणे सुरक्षित असल्याचा भ्रम निर्माण झाला.

"हेल्दी वर्कर इफेक्ट": अभ्यासात अनेकदा असे दिसून येते की औद्योगिक कामगारांचे मृत्यूचे प्रमाण सामान्य लोकसंख्येपेक्षा कमी आहे—याचे कारण फॅक्टरीतील काम निरोगी असते असे नाही, तर कामगारांमध्ये अपंग, अंथरुणाला खिळलेले आणि आजारी लोक नसतात. कामगार हे आधीच निवडलेले वाचलेले लोक असतात.

ट्रॉमा मृत्यूची आकडेवारी: दुर्गम भागातील अपघातग्रस्तांमध्ये शहरी अपघातग्रस्तांपेक्षा रुग्णालयात मृत्यूचे प्रमाण कमी दिसते. वस्तुस्थिती: गंभीर जखमी झालेले दुर्गम भागातील रुग्ण लांबच्या प्रवासादरम्यानच मरतात, ते "डेड ऑन अरायव्हल" (Dead on Arrival) म्हणून पोहोचतात आणि रुग्णालयाच्या आकडेवारीतून वगळले जातात. शहरी रुग्णालयांमध्ये गंभीर रुग्ण जिवंत पोहोचतात, जे नंतर रुग्णालयात मरण पावतात, ज्यामुळे शहरी मृत्यूचे प्रमाण वाढलेले दिसते.

४.६. फायनान्स आणि गुंतवणुकीत

म्युच्युअल फंड कामगिरी: प्रमाणित डेटाबेसनी बंद पडलेल्या फंडांच्या नोंदी काढून टाकल्या. फंडे खराब कामगिरीमुळे बंद होत असल्याने, डेटाबेस अपयशांना काढून टाकत होते, ज्यामुळे फंडाची सरासरी कामगिरी प्रत्यक्षापेक्षा अंदाजे ०.९% वार्षिक जास्त दिसत होती.

हेज फंड डेटा: हेज फंडे स्वेच्छेने अहवाल देतात, ज्यामुळे दुहेरी पूर्वग्रह निर्माण होतो: सर्व्हायव्हरशिप (अयशस्वी फंडे रिपोर्ट करणे थांबवतात) आणि बॅकफील/इन्स्टंट हिस्ट्री बायस (यशस्वी फंडे रिपोर्ट करणे सुरू करतात आणि त्यांच्या सुरुवातीच्या चांगल्या वर्षांचा डेटा देतात; सुरुवातीचे अयशस्वी फंडे कधीही रिपोर्ट करत नाहीत आणि बंद पडतात). माल्कील यांनी असा अंदाज वर्तवला की या एकत्रित बायसमुळे वार्षिक परतावा ~४.४% ने फुगवला जातो.

S&P ५०० बॅकटेस्टिंग: दिवाळखोर कंपन्या वगळल्या गेल्याने आणि वाढणाऱ्या कंपन्या जोडल्या गेल्याने इंडेक्सची रचना बदलते. सध्याच्या S&P ५०० यादीचा वापर करून केलेली बॅकटेस्टिंग १००% जगण्याची खात्री देऊन अवास्तव परतावा मिळवते—चाचणी कालावधीत अयशस्वी झालेली प्रत्येक कंपनी वगळली जाते.

"हॉट हँड" भ्रम: सुरुवातीच्या अभ्यासातून असे सूचित झाले होते की फंड मॅनेजर सातत्याने मार्केटला मागे टाकू शकतात. जेव्हा ब्राउन आणि गोएट्झमॅन यांनी सर्व्हायव्हरशिप बायसची दुरुस्ती केली, तेव्हा हे बहुतांश कौशल्य नाहीसे झाले—"हॉट हँड" हा बहुधा यादृच्छिक वितरणाचा एक भाग होता.

५. रिअल-वर्ल्ड केस स्टडीज

केस स्टडी १: बॉम्बर आर्मरचा निर्णय (दुसरे महायुद्ध)

• संदर्भ: शत्रूच्या माऱ्यामुळे मित्र राष्ट्रांच्या बॉम्बर विमानांचे मोठ्या प्रमाणावर नुकसान झाल्याने लष्कराने विमानांना चिलखताने मजबूत करण्याचा प्रस्ताव ठेवला. तथापि, चिलखतामुळे वजन वाढते, ज्यामुळे रेंज, वेग आणि बॉम्ब क्षमता कमी होते—म्हणून ते योग्य ठिकाणी लावणे गरजेचे होते.
• काय घडले: लष्कराने मोहिमेवरून परतणाऱ्या बॉम्बर्सवरील गोळ्यांच्या छिद्रांचा विस्तृत डेटा गोळा केला. डेटानुसार मुख्य सांगाडा, पंख आणि शेपटीवर मोठ्या प्रमाणावर नुकसान झाले होते, परंतु इंजिन आणि कॉकपिटवर कमीत कमी नुकसान झाले होते. लष्करी कमांडरने असा निष्कर्ष काढला की जिथे विमानांना सर्वात जास्त गोळ्या लागल्या तिथे चिलखत लावले पाहिजे.
• बायसचे काम: अब्राहम वॉल्ड यांनी ओळखले की हा डेटा केवळ वाचलेल्या विमानांचा होता. इंजिन आणि कॉकपिटमध्ये गोळ्या लागलेली विमाने परत आली नाहीत—ती इंग्लिश खाडीत किंवा जर्मन शेतात कोसळली. "गहाळ" असलेली गोळ्यांची छिद्रे इंजिनला गोळ्या लागल्या नाहीत याचा पुरावा नव्हता; तर तो इंजिनला लागलेल्या गोळ्या प्राणघातक असल्याचा पुरावा होता.
• परिणाम: वॉल्डने इंजिन आणि कॉकपिट्सवर चिलखत लावण्याची शिफारस केली. त्यांच्या पद्धतींनी असंख्य जीव आणि विमाने वाचवली आणि कोरियन आणि व्हिएतनाम युद्धांमध्येही त्याचा वापर सुरू राहिला.
• मिळालेले धडे: परिणामांचे विश्लेषण करताना, नेहमी विचारा: "ज्या प्रकरणांना मी पाहू शकत नाही त्यांचे काय झाले?" पुराव्यांची अनुपस्थिती हीच सर्वात महत्त्वाच्या घटनेचा पुरावा असू शकते.

केस स्टडी २: म्युच्युअल फंड इंडस्ट्रीचे सत्य (१९९० चे दशक)

• संदर्भ: अनेक दशकांपासून, ॲक्टिव्ह फंड मॅनेजर सातत्याने बाजाराला मागे टाकू शकतात की नाही यावर वाद सुरू होता. सुरुवातीच्या अभ्यासांनी सुचवले की ते तसे करू शकतात.
• काय घडले: संशोधक ब्राउन, गोएट्झमॅन, एल्टन, ग्रुबर आणि ब्लेक यांना असे आढळून आले की वित्तीय डेटाबेस नियमितपणे बंद पडलेल्या किंवा विलीन झालेल्या फंडांच्या नोंदी काढून टाकत होते. फंडे जवळजवळ नेहमीच खराब कामगिरीमुळे बंद होत असल्याने, डेटाबेस पद्धतशीरपणे अपयशांना हटवत होते.
• बायसचे काम: या वगळण्यामुळे एक सांख्यिकीय भ्रम निर्माण झाला जिथे उरलेले "सर्व्हायव्हर" फंडे जास्त सरासरी परतावा असलेले दिसत होते आणि अस्थिरता आणि कामगिरी यांच्यात खोटे संबंध दाखवत होते जे कौशल्याची नक्कल करत होते.
• परिणाम: एकदा ०.९% वार्षिक बायस दुरुस्त झाल्यानंतर, अनेक ॲक्टिव्ह मॅनेजरची अति-कामगिरी नाहीशी झाली, ज्यामुळे इफिशियंट मार्केट हायपोथिसिसला भक्कम आधार मिळाला आणि वित्तीय संशोधन ऐतिहासिक डेटा कसा हाताळते यात क्रांती झाली.
• मिळालेले धडे: गळती, बंद पडणे किंवा गायब होणे असलेल्या कोणत्याही डेटासेटचे सर्व्हायव्हरशिप बायससाठी विश्लेषण करणे आवश्यक आहे. जे कौशल्य किंवा अति-कामगिरीसारखे दिसते ते बहुधा वगळलेल्या नमुन्याचे परिणाम असू शकतात.

ऐतिहासिक उदाहरण: डायगोरस आणि मंदिरातील पाट्या

मेलोसमधील प्राचीन ग्रीक कवी डायगोरसला एका मंदिरात काही पाट्या दाखवण्यात आल्या—ही चित्रे अशा खलाशांनी बनवून घेतली होती ज्यांनी देवांची प्रार्थना केली होती आणि जे जहाज बुडाल्यावर वाचले होते. त्याच्या मित्राने देवाच्या संरक्षणाचा पुरावा म्हणून हे सादर केले.

डायगोरसचे उत्तर हे संभाव्यतेच्या तत्त्वज्ञानातील एक मूलभूत वाक्य बनले: "जे वाचले त्यांना मी पाहतो, पण ज्यांची जहाजे बुडाली ते चित्र कोठे आहेत?"

बुडालेले खलाशी चित्र बनवू शकत नव्हते. केवळ मंदिरातील पुराव्यांचे परीक्षण करणाऱ्या निरीक्षकाने असा निष्कर्ष काढला असता की प्रार्थना केल्याने समुद्रात सुरक्षितता मिळते—हा निष्कर्ष पूर्णपणे अशा वगळलेल्या नमुन्यावरून काढण्यात आला होता जिथे पुरावा देण्याची क्षमता ही वाचण्याशी जोडलेली होती.

हा २,५०० वर्षे जुना किस्सा सर्व्हायव्हरशिप बायस इतका घातक का आहे हे सांगतो: वाचलेले लोकच फक्त त्यांची कथा सांगू शकतात.

६. या पूर्वग्रहाची किंमत

६.१. वैयक्तिक किंमत

धोक्याचे चुकीचे मूल्यांकन: केवळ यशस्वी धोके पत्करणारे लोक पाहून, व्यक्ती अपयशाच्या संभाव्यतेचा कमी अंदाज लावतात. कॉलेज सोडून अब्जाधीश न झालेला विद्यार्थी, "सर्व काही बरोबर करूनही" दिवाळखोर झालेला उद्योजक, "खात्रीशीर" गुंतवणुकीत सर्वस्व गमावलेला गुंतवणूकदार—त्यांचे अनुभव अदृश्य असतात, ज्यामुळे इतर लोक चुकीचे धोके पत्करतात.

यशाच्या घटकांची चुकीची ओळख: लोक वाचलेल्यांच्या वर्तनाचे (चिकाटी, जोखीम पत्करणे, आत्मविश्वास) अनुकरण करतात, हे न ओळखता की हीच वैशिष्ट्ये अपयशी लोकांमध्येही होती. खरोखर फरक न आणणाऱ्या धोरणांवर वर्षे वाया जाऊ शकतात.

नक्कल करण्यावर वाया जाणारी संसाधने: सर्व्हायव्हर-बायस डेटामधून मिळवलेल्या "यशाच्या सूत्रांवर" अवलंबून राहिल्याने अशा दृष्टिकोनांवर प्रयत्न केले जातात जे प्रत्यक्षात यशाला कारणीभूत नसतात—ते फक्त दृश्यमान नमुन्यात यशाशी संबंधित असतात.

स्वतःच्या प्रतिमेचे नुकसान: जेव्हा सर्व्हायव्हर-आधारित सल्ल्याचे पालन करूनही यश मिळत नाही, तेव्हा व्यक्ती सदोष डेटावर आधारित असलेल्या सल्ल्याला दोष देण्याऐवजी स्वतःला दोष देऊ शकतात.

६.२. व्यावसायिक किंमत

गुंतवणुकीचे नुकसान: फायनान्समध्ये, सर्व्हायव्हरशिप बायसमुळे वार्षिक परताव्यात अंदाजे ०.९-४.४% ची वाढ होते असे मोजले गेले आहे. दुरुस्त न केलेल्या ऐतिहासिक डेटावर आधारित निर्णय घेणारे गुंतवणूकदार पद्धतशीरपणे अपेक्षित परताव्याचा अति-अंदाज लावतात आणि जोखमीचा कमी अंदाज लावतात.

चुकीची धोरणे: यशस्वी कंपन्यांचा अभ्यास करून काढलेली व्यवसाय धोरणे त्या कंपन्यांना वगळतात ज्यांनी तशीच धोरणे वापरली आणि अपयशी ठरल्या. संसाधने अशा दृष्टिकोनाकडे जातात जे वैध वाटतात पण ते यादृच्छिक असू शकतात.

भरती आणि टॅलेंटचे निर्णय: यशस्वी कर्मचाऱ्यांवर आधारित प्रोफाइल्स अशा उत्कृष्ट उमेदवारांना नाकारू शकतात जे दृश्यमान पॅटर्नपेक्षा वेगळे आहेत, तर जे लोक प्रोफाइलशी जुळतात त्यांना कामावर ठेवल्यास अशी वैशिष्ट्ये पुन्हा येऊ शकतात जी वास्तविक कामगिरीशी संबंधित नाहीत.

उत्पादन विकासातील अपयश: समान अयशस्वी उत्पादनांचा अभ्यास न करता यशस्वी उत्पादनांमधून शिकल्यास, आपण अशा फीचर्स किंवा दृष्टिकोनांवर गुंतवणूक करू शकतो जे यशाचे खरे घटक नव्हते.

६.३. सामाजिक किंमत

ऐतिहासिक गैरसमज: वाचलेल्यांनी लिहिलेला इतिहास विकृत दृष्टिकोन सादर करतो. पराभूत लोकांचे हरवलेले दृष्टिकोन, पर्यायी उपाय आणि इशारे सामूहिक स्मृतीतून पद्धतशीरपणे वगळले जातात.

धोरणात्मक चुकीची दिशा: समान वैशिष्ट्ये असलेल्या अपयशांचा विचार न करता केवळ यशस्वी परिणामांचा (आर्थिक, सामाजिक, लष्करी) अभ्यास करून बनवलेली धोरणे चुकीच्या हस्तक्षेपाकडे नेतात.

सांस्कृतिक मिथक निर्मिती: "स्वतःच्या बळावर मिळालेले यश" ही कथा, सर्व्हायव्हरशिप बायसने वाढवली जाते, जी नशीब, वेळ आणि परिस्थितीची भूमिका लपवते, ज्यामुळे विषमता आणि सामाजिक गतिशीलतेबद्दलचा दृष्टिकोन बदलतो.

वैद्यकीय प्रोटोकॉलमधील चुका: सर्व्हायव्हर-बायस डेटावर आधारित उपचारांचे निर्णय हे विसरू शकतात की विशिष्ट रुग्णांवर कमी उपचार झाले होते किंवा यशस्वी परिणाम हे विशिष्ट हस्तक्षेपांमुळे नाही, तर त्या हस्तक्षेपांशिवायही झाले असते.

६.४. सांख्यिकीय परिणाम

७. लपलेले फायदे

सर्व्हायव्हरशिप बायस पूर्णपणे नकारात्मक नसतो—त्याने उत्क्रांतीमध्ये अनुकूली कार्ये केली आहेत आणि विशिष्ट संदर्भांमध्ये तो अजूनही मूल्य देऊ शकतो.

कार्यक्षम लर्निंग ह्युरिस्टिक: थेट निरीक्षण करण्यायोग्य परिणाम असलेल्या स्थिर वातावरणात, वाचलेल्यांकडून शिकणे हे जलद आणि बऱ्यापैकी अचूक असते. जर तुमच्या शेजाऱ्यांसाठी काम करणाऱ्या घराच्या बहुतेक डिझाइन्स तुमच्यासाठीही काम करत असतील, तर वाचलेल्यांची नक्कल करणे कार्यक्षम आहे.

प्रेरणादायक कार्य: यशोगाथा पाहिल्याने प्रोत्साहन मिळते आणि अनुकरण करण्यासाठी मॉडेल्स मिळतात. सर्व अपयशांची संपूर्ण माहिती मिळाल्यास ते परावृत्त करणारे ठरू शकते. मुख्य गोष्ट म्हणजे किती माहिती मिळवायची याचे संतुलन साधणे, ते पूर्णपणे काढून टाकणे नाही.

जलद निर्णय घेणे: जेव्हा अचूकतेपेक्षा वेग अधिक महत्त्वाचा असतो, तेव्हा विलंबित विश्लेषणापेक्षा उपलब्ध उदाहरणे (नैसर्गिकरित्या सर्व्हायव्हर-बायस असलेली) वापरणे चांगले ठरू शकते. प्रत्येक निर्णयासाठी सखोल चौकशीची गरज नसते.

वैध पॅटर्न डिटेक्शन: काहीवेळा वाचलेल्यांचे गुण खरोखरच यशाला कारणीभूत असतात, केवळ संबंधित नसतात. ज्या क्षेत्रांमध्ये अपयशाचे प्रकार यादृच्छिक असतात आणि यशाचे घटक पद्धतशीर असतात, तिथे वाचलेले खरोखरच माहिती देतात.

अवांछित टोक: सर्व्हायव्हरशिप बायस पूर्णपणे काढून टाकण्यासाठी कोणताही निर्णय घेण्यापूर्वी सर्व संभाव्य अपयशांचे सखोल विश्लेषण करावे लागेल. हे संज्ञानात्मकदृष्ट्या अशक्य आणि व्यावहारिकदृष्ट्या परावृत्त करणारे आहे. ध्येय म्हणजे जाणीव ठेवणे आणि योग्य ती सुधारणा करणे, ते पूर्णपणे काढून टाकणे नाही.

८. स्व-मूल्यांकन: तुमच्यामध्ये हा पूर्वग्रह आहे का?

८.१. वॉर्निंग साइन्स चेकलिस्ट

• जीवन/करिअरच्या धोरणांसाठी पुरावा म्हणून तुम्ही अनेकदा यशस्वी लोकांचे (जॉब्स, गेट्स, मस्क) उदाहरणे देता
• तुमचा असा विश्वास आहे की पूर्वीची उत्पादने/संगीत/कारागिरी आजच्या तुलनेत अधिक चांगली होती
• तुम्ही फक्त यशस्वी उदाहरणांचा अभ्यास करून महत्त्वपूर्ण निर्णय घेतले आहेत
• तुम्ही क्वचितच विचारता की "ज्यांनी हा प्रयत्न केला आणि ते अयशस्वी झाले त्यांचे काय झाले?"
• तुम्ही ऐतिहासिक फंड/गुंतवणूक कामगिरीच्या डेटावर जसा आहे तसा विश्वास ठेवता
• तुमचा असा विश्वास आहे की "यश आपल्या पाऊलखुणा सोडते" ज्या विजेत्यांकडून विश्वसनीयरित्या काढल्या जाऊ शकतात
• तुम्हाला आवडणाऱ्या यशाच्या कथांमधील नशीब/वेळ यासारख्या महत्त्वाच्या घटकांकडे तुम्ही दुर्लक्ष करता
• तुम्ही तुमच्यासाठी काय काम केले यावर आधारित इतरांना सल्ला दिला आहे, पण तो ज्यांच्यासाठी काम करत नाही त्यांचा विचार केला नाही
• "मी कसा यशस्वी झालो" अशी पुस्तके/पॉडकास्ट्स तुम्हाला अत्यंत पटण्याजोगी वाटतात
• निर्णयांचे विश्लेषण करताना, तुम्ही प्रक्रियेपेक्षा परिणामांवर अधिक लक्ष केंद्रित करता

स्कोअरिंग:

• ०-२ खुणा: कमी संवेदनशीलता
• ३-५ खुणा: मध्यम संवेदनशीलता
• ६-८ खुणा: उच्च संवेदनशीलता
• ९-१० खुणा: अत्यंत उच्च संवेदनशीलता

८.२. आत्मचिंतनाचे प्रश्न

१. एखादा महत्त्वाचा निर्णय घेण्यापूर्वी तुम्ही शेवटच्या वेळी कधी अपयशाच्या कथा शोधल्या होत्या?

२. तुम्ही मिळवलेल्या यशाचा विचार करा—किती इतरांनी तसाच प्रयत्न केला आणि ते अयशस्वी झाले? तुम्हाला खरोखर माहिती आहे का?

३. कोणत्या "स्पष्ट" यशाच्या घटकांवर तुमचा विश्वास आहे? हे घटक अपयशांमध्येही उपस्थित आहेत की नाही याची तुम्ही चाचणी कशी कराल?

४. जेव्हा तुम्ही यशस्वी लोकांकडून सल्ला घेता, तेव्हा किती अयशस्वी लोकांनी तोच सल्ला दिला याचा तुम्ही विचार करता का?

५. कोणी कधी तुम्हाला असे निदर्शनास आणून दिले आहे का की तुम्ही अपूर्ण डेटावरून निष्कर्ष काढत आहात? त्यावर तुमची प्रतिक्रिया काय होती?

८.३. क्विक डायग्नोस्टिक सिनेरियो

सिनेरियो: तुम्ही व्यवसाय सुरू करण्याचा विचार करत आहात आणि तुम्ही वाचले आहे की तुमच्या उद्योगात ज्या व्यवसायांनी ग्राहक सेवेवर लक्ष केंद्रित केले त्यापैकी ६०% व्यवसाय त्यांची पहिली ५ वर्षे टिकून राहिले. ग्राहक सेवेवर लक्ष केंद्रित करणे हे जगण्यासाठी महत्त्वाचे असल्याचा हा भक्कम पुरावा वाटतो.

तुम्ही याचा अर्थ कसा लावाल?

• A) "उत्तम! मी नक्कीच ग्राहक सेवेला प्राधान्य दिले पाहिजे—डेटा स्पष्टपणे दर्शवतो की हे काम करते." → उच्च संवेदनशीलता
• B) "इंटरेस्टिंग, पण मला प्रश्न पडतो की अयशस्वी व्यवसायांपैकी किती टक्के व्यवसायांनी ग्राहक सेवेला प्राधान्य दिले होते." → मध्यम संवेदनशीलता
• C) "अयशस्वी व्यवसायांमधील ग्राहक सेवेचे प्रमाण जाणून घेतल्याशिवाय हे मला काहीही सांगत नाही. जर ६०% अपयशांनी देखील ग्राहक सेवेवर लक्ष केंद्रित केले असेल, तर या घटकाचे कोणतेही भविष्यसूचक मूल्य नाही." → कमी संवेदनशीलता

९. इतरांमध्ये हा बायस ओळखणे

९.१. वर्तणुकीचे संकेत

बोलण्यात:

• युनिव्हर्सल पुरावा म्हणून प्रसिद्ध यशोगाथांचा वारंवार वापर
• दृश्यमान विजेत्यांच्या लहान नमुन्यांवरून सामान्यीकरण
• यशोगाथांमधील नशीब/वेळेच्या घटकांकडे दुर्लक्ष करणे
• अदृश्य अपयशांची कबुली न देता "जे काम करते" त्यावरून निष्कर्ष काढणे

निर्णय घेण्यात:

• यशस्वी कंपन्यांच्या/लोकांच्या केस स्टडीजवर जास्त अवलंबून राहणे
• बेस रेट आणि अपयशाच्या वारंवारतेला कमी महत्त्व देणे
• केवळ यशस्वी प्रतिस्पर्ध्यांशीच बेंचमार्किंग करणे
• डेटा संकलनावर प्रश्नचिन्ह न ठेवता ऐतिहासिक कामगिरी डेटावर विश्वास ठेवणे

युक्तिवादांमध्ये:

• रणनीतीची वैधता सिद्ध करण्यासाठी यशस्वी उदाहरणांच्या अस्तित्वाचा वापर करणे
• ज्यांच्यासाठी X अपयशी ठरला अशा Z चा विचार न करता "X हे Y साठी काम करते" असा युक्तिवाद करणे
• पुराव्याची अनुपस्थिती (ज्ञात अपयश नसणे) हाच पुरावा मानणे

९.२. संभाषणातील धोक्याचे संकेत

जेव्हा लोक या बायसखाली असतात तेव्हा ते काय म्हणतात:

• "[प्रसिद्ध यश] कडे पाहा—त्यांनी X केले, आणि ते काम केले!"
• "मी ओळखत असलेल्या सर्व यशस्वी लोकांमध्ये Y हे वैशिष्ट्य आहे."
• "डेटा दाखवतो की या दृष्टिकोनाचा ट्रॅक रेकॉर्ड चांगला आहे."
• "ते पूर्वीसारख्या वस्तू बनवत नाहीत."
• "प्रत्येक महान कंपनीमध्ये हे वैशिष्ट्य असते."

ते ज्या प्रकारचे युक्तिवाद करतात:

• अपयशाच्या दराचा विचार न करता दृश्यमान यशावरून निष्कर्ष काढणे
• केवळ टिकून राहिलेल्या प्रकरणांचा वापर करून "उदाहरणाद्वारे पुरावा" देणे

ते जे प्रश्न विचारणे टाळतात:

• "किती लोकांनी हा दृष्टिकोन वापरून पाहिला आणि ते अयशस्वी झाले?"
• "या रणनीतीच्या यशाचा बेस रेट काय आहे?"
• "या डेटासेटमध्ये आपल्याला अपयश का दिसत नाहीत?"

९.३. परिस्थितीनुसार ट्रिगर्स

हा पूर्वग्रह सक्रिय करणाऱ्या परिस्थिती:

• क्युरेटेड यशोगाथांपर्यंत पोहोचणे (माध्यमे, पुस्तके, परिषदा)
• गळती/बंद पडणे/हटवण्याची यंत्रणा असलेल्या डेटाबेसचे विश्लेषण
• कोणतेही मूल्यमापन जिथे अपयश नजरेआड जाते
• सध्याच्या मार्केट लीडर्सचे रेट्रोस्पेक्टिव्ह विश्लेषण

भावना ज्या भेद्यता वाढवतात:

• आधीच घेतलेल्या निर्णयाबद्दल आशावाद
• दृष्टिकोनाचे समर्थन करण्याची इच्छा
• यशस्वी व्यक्तीबद्दल आदर

वेळेचा दबाव:

• तातडीमुळे पुष्टी न करणारा (अपयश) डेटा शोधण्याची शक्यता कमी होते
• डेडलाइन्स सखोल शोधापेक्षा उपलब्ध उदाहरणांना पसंती देतात

१०. कॉग्निटिव्ह डिबायसिंग धोरणे

१०.१. तातडीचे तंत्र

डायगोरसचा प्रश्न: यशस्वी उदाहरणांवर आधारित कोणताही निर्णय घेण्यापूर्वी, स्पष्टपणे विचारा: "ज्यांची जहाजे बुडाली ते कोठे आहेत?" कोणी याचा प्रयत्न केला आणि तो अयशस्वी झाला? मी त्यांना का पाहू शकत नाही?

डेटा उलट करा: जेव्हा वाचलेल्यांची वैशिष्ट्ये सादर केली जातात, तेव्हा मनातल्या मनात "अपयशाची स्मशानभूमी" तयार करा. अपयशी प्रकरणांमध्येही ही वैशिष्ट्ये असतील का? माहिती नसल्यास, डेटा अपूर्ण आहे.

बेस रेट तपासा: यशावरून निष्कर्ष काढण्यापूर्वी, छेदाचा (denominator) अंदाज लावा. "ज्यांनी हा दृष्टिकोन वापरून पाहिला, त्यापैकी किती टक्के यशस्वी झाले?" जर माहित नसेल तर अनिश्चितता स्वीकारा.

अपयशाची यादी करा: विश्लेषित उदाहरणे कोणत्या प्रकारे अयशस्वी होऊ शकली असती आणि नाहीशी झाली असती या सर्व मार्गांची यादी करा. ज्या कार कंपन्या दिवाळखोर झाल्या, जी हॉटेल्स बंद पडली, जे फंडे लिक्विडेट झाले—ते कुठे गेले?

स्रोतावर प्रश्नचिन्ह: कोणत्याही डेटासेटसाठी, विचारा: "ड्रॉपआउट/वगळण्याची/टिकून राहण्याची यंत्रणा काय आहे?" अपयश कसे काढले जाते? हे पूर्वग्रहाची रचना उघड करते.

१०.२. दीर्घकालीन धोरणे

हेतूपुरस्सर अपयशांचा अभ्यास करा: पोस्ट-मॉर्टेम, दिवाळखोरीचे विश्लेषण, अयशस्वी स्टार्टअप्सच्या कथा शोधा. सीबी इनसाइट्सचे "स्टार्टअप फेल्युअर पोस्ट-मॉर्टम्स" आणि तत्सम संसाधने सहसा गहाळ असलेला मूक पुरावा प्रदान करतात.

प्री-मॉर्टेम प्रॅक्टिस: प्रकल्प सुरू करण्यापूर्वी, "प्री-मॉर्टेम" करा—प्रकल्प अयशस्वी झाला आहे अशी कल्पना करा आणि कारणे शोधण्यासाठी मागे काम करा. हे अपयशांची कल्पना करण्याच्या मानसिक स्नायूंचा व्यायाम करते.

प्रोबॅबिलिटी कॅलिब्रेशन: डेटा पाहण्यापूर्वी बेस रेट्सचा अंदाज लावण्याचा सराव करा. तुमच्या अचूकतेचा मागोवा घ्या. दृश्यमान यशाचे दर खऱ्या यशाच्या दरांपेक्षा किती वाढीव असतात याचा अंतर्ज्ञान यामुळे वाढतो.

ऐतिहासिक काउंटरफॅक्चुअल्स: इतिहासाचा अभ्यास करताना, पर्यायी मार्गांचा सक्रियपणे विचार करा—काय घडले असते, कोण जवळजवळ यशस्वी झाले असते, इतर कोणते परिणाम शक्य होते. नसीम तालेब याला "पर्यायी इतिहास" म्हणतात.

१०.३. पर्यावरण डिझाइन

डेटा इन्फ्रास्ट्रक्चर: "पॉईंट-इन-टाइम" डेटासेट वापरा जे अपयशाच्या नोंदी त्या क्षणी अस्तित्वात असल्याप्रमाणे जतन करतात, सध्याच्या-स्थितीतील डेटाबेसऐवजी जे फक्त वाचलेल्यांना दाखवतात.

अपयशांच्या लायब्ररी: संस्थात्मक ज्ञान व्यवस्थापनाने केवळ यशस्वी प्रकल्पांचेच नाही तर अयशस्वी प्रकल्पांचेही संकलन केले पाहिजे. पोस्ट-मॉर्टम्स यशाच्या केस स्टडीज इतकेच उपलब्ध असले पाहिजेत.

डेव्हिल्स ॲडव्होकेट प्रोटोकॉल्स: धोरणात्मक निर्णयांमध्ये केवळ पुष्टी न करणारा पुरावा आणि गहाळ अपयशाचा डेटा शोधण्याचे काम करणाऱ्या भूमिका संस्थात्मक करा.

वैविध्यपूर्ण सल्लागार नेटवर्क: तुमच्या सल्लागार मंडळात अशा लोकांचा समावेश करा ज्यांना अपयशाचा अनुभव आला आहे. त्यांचा दृष्टिकोन मूक पुरावा प्रदान करतो जो सामान्यतः गहाळ असतो.

१०.४. बाह्य माहिती कधी घ्यावी

निर्णयांचे प्रकार ज्यासाठी बाह्य प्रमाणीकरण आवश्यक आहे:

• ऐतिहासिक कामगिरीच्या डेटावर आधारित प्रमुख गुंतवणूक
• प्रतिस्पर्ध्यांच्या विश्लेषणावर आधारित धोरणात्मक निर्णय
• यशोगाथांवर आधारित करिअर/जीवनातील निर्णय
• उपचारांच्या परिणामांच्या डेटावर आधारित वैद्यकीय निर्णय

कोणाचा सल्ला घ्यावा:

• निवड पूर्वग्रहाची माहिती असलेले सांख्यिकीशास्त्रज्ञ
• तुम्ही विचार करत असलेल्या दृष्टिकोनात जे अयशस्वी झाले आहेत असे लोक
• विशिष्ट क्षेत्रातील अपयशाच्या दरांचा अभ्यास करणारे संशोधक
• गहाळ डेटा शोधण्यासाठी नियुक्त केलेले डेव्हिल्स ॲडव्होकेट्स

विनंत्या कशा कराव्यात:

• "येथे छेद काय आहे?"
• "ज्यांनी हा प्रयत्न केला आणि ते अयशस्वी झाले त्यांचे काय झाले?"
• "हा डेटा कसा गोळा केला जातो आणि कोणती प्रकरणे नाहीशी होतात?"

११. व्यावहारिक व्यायाम

व्यायाम १: अपयशाच्या स्मशानभूमीतील फेरफटका

• उद्दिष्ट: अदृश्य अपयशांसाठी अंतर्ज्ञान विकसित करणे
• आवश्यक वेळ: ४५ मिनिटे
• आवश्यक साहित्य: इंटरनेट ॲक्सेस, नोटबुक
• काठिण्य पातळी: नवशिका
• सूचना: १. तुम्हाला स्वारस्य असलेले क्षेत्र निवडा (स्टार्टअप्स, रेस्टॉरंट्स, उत्पादने इ.) २. त्या क्षेत्रातील ५ प्रसिद्ध यशस्वी उदाहरणे ओळखा ३. प्रत्येक यशासाठी, समान दृष्टिकोन वापरणाऱ्या आणि अयशस्वी ठरलेल्या ३ समकालीनांचे संशोधन करा ४. यशस्वी आणि अयशस्वी अशा दोन्ही उदाहरणांमध्ये कोणती वैशिष्ट्ये/धोरणे समान होती त्याची नोंद घ्या ५. अयशस्वी उदाहरणे सामान्यतः अदृश्य का असतात (दिवाळखोरी, अधिग्रहण, वगळणे इ.) ते दस्तऐवजीकरण करा
• चिंतनाचे प्रश्न:
  • अपयश शोधणे किती कठीण होते?
  • यशस्वी आणि अयशस्वी दोन्हीमध्ये कोणते "यशाचे घटक" दिसले?
  • यामुळे यशास काय कारणीभूत ठरले याबद्दल तुमचा दृष्टिकोन कसा बदलतो?
• वारंवारता: मासिक, विशेषत: प्रमुख निर्णयांपूर्वी

व्यायाम २: डेटासेट शवविच्छेदन

• उद्दिष्ट: डेटा स्रोतांमधील सर्व्हायव्हरशिप बायस ओळखणे शिकणे
• आवश्यक वेळ: ६० मिनिटे
• आवश्यक साहित्य: तुम्ही वापरत असलेल्या डेटासेटचा ॲक्सेस (आर्थिक, व्यवसाय, कामगिरी डेटा)
• काठिण्य पातळी: मध्यम
• सूचना: १. तुम्ही निर्णयांसाठी अवलंबून असलेला डेटासेट निवडा २. डेटा संकलन पद्धतीचे दस्तऐवजीकरण करा ३. नोंदी काढून टाकल्या जाऊ शकतील अशा सर्व यंत्रणा ओळखा (बंद पडणे, विलीनीकरण, वगळणे, अहवाल न देणे) ४. मूळ लोकसंख्येचा किती टक्के भाग गहाळ असू शकतो याचा अंदाज लावा ५. गहाळ झालेला डेटा टिकून राहिलेल्या डेटापेक्षा कसा वेगळा असू शकतो याचा विचार करा
• चिंतनाचे प्रश्न:
  • तुम्ही गहाळ डेटा पाहू शकला असता तर काय बदलले असते?
  • या डेटावरून काढलेल्या निष्कर्षांबद्दल तुम्हाला किती खात्री असावी?
  • कोणते समायोजन योग्य असू शकते?
• वारंवारता: जेव्हाही निर्णयांसाठी ऐतिहासिक डेटा वापरता

व्यायाम ३: प्री-मॉर्टेम विधी

• उद्दिष्ट: अपयश अदृश्य होण्यापूर्वी पद्धतशीरपणे त्याची कल्पना करणे
• आवश्यक वेळ: ३० मिनिटे
• आवश्यक साहित्य: कागद, टायमर
• काठिण्य पातळी: प्रगत
• सूचना: १. प्रकल्प सुरू करण्यापूर्वी टीम गोळा करा २. २० मिनिटांचा टायमर लावा ३. कल्पना करा की आजपासून एक वर्ष उलटले आहे आणि प्रकल्प पूर्णपणे अयशस्वी झाला आहे ४. प्रत्येक व्यक्ती तो अयशस्वी का झाला याची सर्व कारणे लिहितो (सुरुवातीला स्वतंत्रपणे) ५. अपयशाची कारणे सामायिक करा आणि एकत्रित करा
• चिंतनाचे प्रश्न:
  • कोणते अपयशाचे प्रकार सर्वात शक्य आहेत?
  • कोणती अपयशे भविष्यातील विश्लेषकांसाठी कोणताही पुरावा मागे सोडणार नाहीत?
  • अदृश्य अयशस्वी डेटा बनण्यापासून तुम्ही स्वतःला कसे रोखू शकता?
• वारंवारता: प्रत्येक महत्त्वपूर्ण प्रकल्पाच्या सुरुवातीला

दैनंदिन सराव

संध्याकाळचा अपयशाचा प्रश्न: दररोज संध्याकाळी, तुम्ही घेतलेल्या एका निर्णयाचे पुनरावलोकन करा आणि विचारा: "मी कोणती अपयशे पाहत नाही जी या निर्णयासाठी माहिती देऊ शकतात?"

• सुचवलेला कालावधी: ५ मिनिटे
• दिवसाची सर्वोत्तम वेळ: संध्याकाळ
• प्रगतीचा मागोवा कसा घ्यावा: दररोज एका "लपलेल्या अपयशाची" अंतर्दृष्टी जर्नलमधे लिहा

साप्ताहिक आव्हान

मूक पुराव्याची शोधमोहीम: प्रत्येक आठवड्यात, दृश्यमान पुराव्याच्या आधारे तुमच्याकडे असलेला एक विश्वास निवडा आणि तो खोटा ठरवू शकेल असा "मूक पुरावा" सक्रियपणे शोधा.

• ४ आठवड्यांनंतर अपेक्षित परिणाम: "काय गहाळ आहे" हे विचारण्याच्या अंतर्ज्ञानात लक्षणीय सुधारणा आणि केवळ दृश्यमान डेटावरून काढलेल्या निष्कर्षांवरील आत्मविश्वास कमी होणे
• चिंतनासाठी जर्नलिंग प्रॉम्प्ट्स:
  • या आठवड्यात मी कोणत्या विश्वासाचे परीक्षण केले?
  • मला कोणता मूक पुरावा सापडला?
  • ते सापडल्याने माझी आत्मविश्वासाची पातळी कशी बदलली?

१२. विशिष्ट प्रेक्षकांसाठी

नेते आणि व्यवस्थापकांसाठी

धोरणात्मक नियोजन: जेव्हा प्रतिस्पर्ध्यांच्या यशाचे विश्लेषण केले जाते, तेव्हा रणनीती टीम्सनी अशा प्रतिस्पर्ध्यांचाही अभ्यास करणे आवश्यक करा ज्यांनी समान रणनीती वापरली आणि ते अयशस्वी झाले. ही अपयशे हे उघड करू शकतात की पाहिलेले "यशाचे घटक" प्रत्यक्षात कारणीभूत नाहीत.

प्रकल्पोत्तर विश्लेषण: यशस्वी प्रकल्पांइतक्याच कठोरपणे अयशस्वी प्रकल्पांचा अभ्यास करा आणि ते जतन करा. अपयशातून शिकलेले धडे बऱ्याचदा अधिक मौल्यवान असतात आणि जाणीवपूर्वक जतन केल्याशिवाय ते नष्ट होतात.

नोकरी देण्याचे निर्णय: टॉप परफॉर्मर्सवरून काढलेल्या प्रोफाइल्सबद्दल सावधगिरी बाळगा. कोणत्या नाकारलेल्या उमेदवारांनी यशस्वी होण्याची शक्यता होती आणि कोणत्या उमेदवारांनी प्रोफाइलशी जुळले पण ते अयशस्वी झाले आणि सोडून गेले याचा विचार करा.

निर्णयाचे दस्तऐवजीकरण: केवळ परिणामच नाही तर निर्णय घेताना असलेली माहिती आणि कारणे नोंदवा. जेव्हा अपयश राजीनामा, पुनर्रचना किंवा दुरुस्तीद्वारे "अदृश्य" होते तेव्हाही हे प्रामाणिक मूल्यमापन करण्यास अनुमती देते.

संस्कृती उभारणी: अपयश साजरे करा आणि उघडपणे चर्चा करा. हे त्यांना मूक राहण्याऐवजी संस्थेच्या स्मरणात दृश्यमान ठेवते.

पालक आणि शिक्षकांसाठी

संकल्पना शिकवणे: डायगोरसच्या कथेचा वापर करा—ती मुलांसाठी समजायला सोपी आहे. विचारा: "जर आपण फक्त जिंकलेल्या लोकांकडूनच ऐकले, तर आपण काय शिकणार नाही?"

यशोगाथांचे संतुलन: जेव्हा प्रेरणादायी कथा सामायिक करता, तेव्हा अपयशाच्या कथाही सामायिक करा. "बऱ्याच लोकांनी तिने जे केले तेच करण्याचा प्रयत्न केला आणि ते काम केले नाही. काय फरक पडला असावा?"

विज्ञान शिक्षण: सॅम्पलिंग, निवड आणि प्रायोगिक डिझाइन समजून घेण्यासाठी सर्व्हायव्हरशिप बायस हे एक उत्कृष्ट प्रवेशद्वार आहे. WWII बॉम्बरचे उदाहरण वापरा—ते स्पष्ट आणि आश्चर्यकारक आहे.

अपयश उघडपणे स्वीकारणे: तुमचे स्वतःचे अपयश आणि त्यातून तुम्ही काय शिकलात ते सामायिक करा. अपयश अदृश्य ठेवण्याऐवजी त्यावर चर्चा करण्यायोग्य बनवा.

आरोग्यसेवा व्यावसायिकांसाठी

क्लिनिकल ट्रायल इंटरप्रिटेशन: ड्रॉपआउट पॅटर्नबद्दल सावध रहा. जे रुग्ण उपचार थांबवतात ते उपचार सुरू ठेवणाऱ्यांपेक्षा पद्धतशीरपणे भिन्न असू शकतात. इन्टेन्शन-टू-ट्रीट विश्लेषण अंशतः याचे निराकरण বিশ্লেষণ करते.

ऐतिहासिक उपचारांचे मूल्यमापन: "वेळेच्या कसोटीवर उतरलेले" "पारंपारिक" उपचार फक्त वाचलेले असू शकतात. जे अप्रभावी उपचार सोडले गेले ते कोणताही पुरावा मागे सोडत नाहीत.

निदानविषयक पॅटर्न रेकग्निशन: लक्षात राहणारी प्रकरणे (स्मृतीत वाचलेली उदाहरणे) बेस रेटचे प्रतिनिधित्व करत नाहीत. पॅटर्न-मॅचिंग करताना भिन्न परिणाम असलेल्या प्रकरणांची सक्रियपणे आठवण काढा.

मृत्यूची आकडेवारी: समजून घ्या की "डेड ऑन अरायव्हल" अपवाद, बदल्यांचे पॅटर्न, आणि दस्तऐवजीकरण पद्धती आउटकम डेटामध्ये सर्व्हायव्हरशिप बायस कसा निर्माण करतात.

आर्थिक व्यावसायिकांसाठी

डेटाबेस हायजीन: जेव्हा उपलब्ध असेल तेव्हा नेहमी सर्व्हायव्हरशिप-बायस-मुक्त डेटाबेस वापरा. प्रमाणित डेटाबेससाठी, ज्ञात दुरुस्ती घटक लागू करा (उदा. म्युच्युअल फंडांसाठी ~०.९%).

क्लायंट कम्युनिकेशन: ऐतिहासिक कामगिरी दाखवताना, काय गहाळ आहे ते स्पष्ट करा. "हा इंडेक्स आज अस्तित्वात असलेल्या कंपन्या दाखवतो. ज्या कंपन्या अयशस्वी झाल्या त्यांचा समावेश नाही, ज्यामुळे भूतकाळातील कामगिरी होती त्यापेक्षा चांगली दिसते."

बॅकटेस्ट स्केप्टिसिझम: पॉईंट-इन-टाइम डेटा आवश्यक आहे. सध्याच्या इंडेक्स कंपोझिशनचा वापर करून केलेली कोणतीही बॅकटेस्ट प्रभावीपणे १००% सर्व्हायव्हल साध्य करते—ही एक अशक्य परिस्थिती आहे.

हेज फंड ड्यु डिलिजन्स: सर्व्हायव्हरशिप आणि बॅकफिल बायस या दोन्हींचा विचार करा. एकत्रित परिणामाचा अर्थ असा होतो (माल्कीलच्या मते ~४.४%) की रिपोर्ट केलेली सरासरी हेज फंड कामगिरी वास्तविकतेपेक्षा लक्षणीयरीत्या जास्त दाखवते.

१३. इतर बायससोबत परस्परसंवाद

सर्व्हायव्हरशिप बायस वाढवणारे पूर्वग्रह

सर्व्हायव्हरशिप बायसला विरोध करणारे पूर्वग्रह

कॉमन बायस चेन्स

द सक्सेस एम्युलेशन कॅस्केड: सर्व्हायव्हरशिप बायस (केवळ विजेते पाहणे) → अव्हेलेबिलिटी ह्युरिस्टिक (विजेते स्मृतीवर राज्य करतात) → नॅरेटिव्ह फॅलसी (विजेत्यांच्या गुणांवरून कारणमीमांसेची कथा तयार करणे) → ओव्हरकॉन्फिडन्स (ती कथा यशाचे स्पष्टीकरण देते यावर विश्वास ठेवणे) → कन्फर्मेशन बायस (कथेचे समर्थन करणारे पुरावे शोधणे) → रिस्क मिसकॅलिब्रेशन (अपयशाच्या संभाव्यतेचा कमी अंदाज लावणे)

इंटरप्शन पॉईंट: कथा तयार होण्यापूर्वी "अपयश कोठे आहेत?" असे स्पष्टपणे विचारून ही साखळी लवकर तोडली जाऊ शकते. एकदा आकर्षक कथा तयार झाली की, ती काढून टाकणे अधिक कठीण होते.

१४. सांस्कृतिक दृष्टिकोन

सर्व्हायव्हरशिप बायस सर्व संस्कृतींमध्ये प्रकट होतो परंतु सांस्कृतिक संदर्भानुसार तो वाढलेला किंवा मर्यादित असू शकतो.

व्यक्तिवादी वि. सामूहिक संस्कृती: अत्यंत व्यक्तिवादी संस्कृतींमध्ये (उदा., युनायटेड स्टेट्स), "स्वतःच्या बळावर मिळालेले यश" ही कथा विशेषतः प्रमुख आहे, जी वैयक्तिक कर्तृत्वाच्या संदर्भांमध्ये सर्व्हायव्हरशिप बायस वाढवू शकते. सामूहिक संस्कृतींमध्ये गटांतर्गत अपयशांची अधिक दृश्यमानता असू शकते, ज्यामुळे हा बायस अंशतः मर्यादित होतो.

हाय पॉवर डिस्टन्स कल्चर्स: हाय पॉवर डिस्टन्स असलेल्या संस्कृतींमध्ये, यशाचा अधिक उत्सव साजरा केला जाऊ शकतो तर अपयश लाजेपोटी लपवले जाऊ शकते, ज्यामुळे केवळ वाचलेल्यांच्या परिणामांची दृश्यमानता वाढू शकते.

धोक्यांबद्दलचे दृष्टिकोन: जोखीम घेण्याची जास्त तयारी असलेल्या संस्कृती दृश्यमान जोखीम घेणाऱ्यांकडून धडे घेण्यास अधिक प्रवृत्त होऊ शकतात, तर जोखीम टाळणाऱ्या संस्कृती नैसर्गिकरीत्या अधिक अपयशाचा डेटा शोधू शकतात.

१५. मिथके आणि गैरसमज

१६. तज्ञांचे विचार

"जे वाचले त्यांना मी पाहतो, पण ज्यांची जहाजे बुडाली ते चित्र कोठे आहेत?" — डायगोरस ऑफ मेलोस, इ.स.पू. ५ वे शतक

"अयशस्वी रेस्टॉरंट्सची स्मशानभूमी खूप शांत असते. सर्वात मोठ्या विचार प्रयोगांनी आणि पुस्तकांनी रेस्टॉरंट व्यवसायात कसे अपयशी होऊ नये यावर खूप कमी लिहिले आहे कारण जे अयशस्वी होतात ते पुस्तके लिहित नाहीत." — नसीम निकोलस तालेब, Fooled by Randomness

"मानवी बुद्धी नकारात्मक गोष्टींपेक्षा सकारात्मक गोष्टींनी अधिक प्रभावित होते." — फ्रान्सिस बेकन, Novum Organum

"[SRG] हा आजवर स्थापन झालेला सांख्यिकीशास्त्रज्ञांचा सर्वात असाधारण गट होता." — डब्ल्यू. ॲलन वॉलिस, स्टॅटिस्टिकल रिसर्च ग्रुपचे संचालक

१७. प्रमुख मुद्दे

१. सर्व्हायव्हरशिप बायस सार्वत्रिक आणि प्राचीन आहे—२,५०० वर्षांपूर्वी डायगोरसने ओळखलेला, दुसऱ्या महायुद्धात वॉल्डने औपचारिक केलेला, आणि आधुनिक फायनान्समध्ये मोजलेला.

२. हा पूर्वग्रह पद्धतशीरपणे फसवा डेटा तयार करतो—तो केवळ अपूर्णच नसतो तर सक्रियपणे दिशाभूल करणारा असतो कारण अपयशाच्या अनुपस्थितीमुळे दृश्यमान वितरणाचा आकार बदलतो.

३. जे गहाळ आहे तो सहसा सर्वात महत्त्वाचा डेटा असतो—"गहाळ" गोळ्यांची छिद्रे कोसळलेल्या विमानांवर होती ही वॉल्डची अंतर्दृष्टी सर्व सर्व्हायव्हरशिप बायस विश्लेषणासाठी आदर्श आहे.

४. आर्थिक परिणाम मोजता येण्याजोगा आहे—म्युच्युअल फंडांसाठी वार्षिक अंदाजे ०.९%, हेज फंडांसाठी ४.४% आणि बॅकटेस्टिंगमधील चुकांसाठी अज्ञात परंतु लक्षणीय.

५. यावरचा उपाय म्हणजे अदृश्य गोष्टींचा सक्रिय शोध घेणे—"जहाज बुडालेले लोक कुठे आहेत?" असे सतत विचारणे हीच शिस्त या पूर्वग्रहापासून संरक्षण करते.

६. दुरुस्तीच्या पद्धती अस्तित्वात आहेत—हेकमन करेक्शन, इन्व्हर्स प्रोबॅबिलिटी वेटिंग, कॅप्लन-मेयर एस्टिमेशन आणि पॉईंट-इन-टाइम डेटाबेसेस हा बायस अंशतः हाताळू शकतात.

७. दृश्यमानता म्हणजे वैधता नाही—आपण यशस्वी उदाहरणे किती सहज पाहतो हे ती उदाहरणे संपूर्ण लोकसंख्येचे प्रतिनिधित्व करतात की नाही याबद्दल आपल्याला काहीही सांगत नाही.

१८. पुढील संसाधने

शैक्षणिक पेपर्स

• Brown, S. J., Goetzmann, W., Ibbotson, R. G., & Ross, S. A. (1992). Survivorship Bias in Performance Studies. Review of Financial Studies, 5(4), 553-580.
• Elton, E. J., Gruber, M. J., & Blake, C. R. (1996). Survivorship Bias and Mutual Fund Performance. Review of Financial Studies, 9(4), 1097-1120.
• Wald, A. (1943). A Method of Estimating Plane Vulnerability Based on Damage of Survivors. Statistical Research Group Memorandum.

पुस्तके

• Taleb, N. N. (2001). Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets. Random House.
• Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

पुस्तकातील अध्याय

• Bacon, F. (1620). Idols of the Tribe. In Novum Organum.
• Cicero. (45 BCE). De Natura Deorum [On the Nature of the Gods]. Book III (contains the Diagoras anecdote).

१९. सारांश कार्ड

२०. वापरलेल्या शब्दांची सूची

२१. चर्चेसाठी प्रश्न

बुक क्लब्स, वर्ग किंवा आत्मचिंतनासाठी:

१. तुम्ही प्रामुख्याने दृश्यमान यशोगाथांच्या आधारे घेतलेला एखादा मोठा जीवनातील निर्णय तुम्ही ओळखू शकता का? त्यावेळी तुम्ही कोणती अपयशे पाहू शकला नव्हता?

२. वॉल्डने तिथे चिलखत लावण्याची शिफारस केली जिथे गोळ्यांची छिद्रे नव्हती. सद्यस्थितीत अशा कोणत्या समस्या असू शकतात ज्यामध्ये नुकसान कुठे दिसत नाही हे पाहण्याचा फायदा होऊ शकतो?

३. सोशल मीडिया, जे यशाला उजाळा देते आणि अपयश लपवते, ते करिअर आणि जीवनातील निर्णयांमधील सर्व्हायव्हरशिप बायस कसे वाढवत असेल?

४. अपयश खऱ्या अर्थाने "पाहण्याचा" कोणताही मार्ग आहे का, की आपण नेहमी वाचलेल्यांच्या डेटावरच काम करत असतो? दुरुस्ती पद्धतींच्या मर्यादा काय आहेत?

५. तालेब यांचा युक्तिवाद आहे की यशस्वी लोकांचा सल्ला अयशस्वी लोकांच्या सल्ल्यापेक्षा अधिक वैध नसू शकतो. या बायसचा विचार करता, आपण मार्गदर्शन आणि इतरांकडून शिकण्याबद्दल कसा विचार केला पाहिजे?