推论的前提错误, 不能接受后果

相对于这个变幻万千的世界，每个人的直接认知经验实在微不足道，于是才有形形色色的推论方式出现，而一般人都发展出若干“见微知著”“举一反三”的能力或自信。可是，大家也留意到“管中窥豹”“瞎子摸象”那类的风险。怎样才能保障推论的可靠性呢？科学方法不依靠神助，不要求有慧根，也不等待顿悟，科学方法依赖的是两种遵循严格纪律而行之有效的方法：逻辑和统计。

科学方法在三个不同阶段中被采用：未验假设如何从现存理论、待验假设或经验推出；概念如何转化为变量；以及一般人最留意的最后那个阶段——如何保障验证得到的结果推论到其他范围的可靠性。在这个阶段中推论的情况又分两种：在同样定义下，从个别事象推论到其他事象，科学采用的主要是统计推论（统计本身亦受逻辑制约，例子请见本书以后有关统计的章节）；而定义之间的推论，科学依靠的主要是逻辑。

我们在日常生活中，不时遇上大量外貌相同但无法一一鉴定的事象，例如想知道，运进大批白米、罐头时，有没有“鱼目混珠”；输出大量成衣、电子零件时，其中有没有“害群之马”；估计选民意愿、市场潜力时，有没有受主观期望左右。有些长期在这些行业工作的人士，基于个人经验、一小撮耳目或者是第六感，也许可以做出若干近似的估计。在要求不高、竞争不激烈、变动不大的情况下，这些后果或许可孚所望。但是，长远之计，还是统计方法来得可靠。

统计方法不一定需要复杂的运算，可是对于定义、选材和分析，都有严格的要求。调查家长的购买意愿时，“家长”是指经常与校方联络的那位，还是在购买贵价物品时较有影响力的那一位？从哪些学校、怎样地找出多少位家长来调查，才能兼顾各地不同类型的学校？分析时除了找出多少家长愿意购买，还须报告这项估计出错的可能性有多大。

逻辑方法，可以帮助我们推论出事象间的关系。这些关系包括同异（甲与乙是否相等）、大小（甲是否是乙其中一部分）、先后（甲的出现在时间上是否早于乙）、因果（甲是否乙的唯一起因，是否充分起因，是否必要起因、充分而非必要起因、必要而非充分起因），等等。通过严谨的定义和句子结构分析，逻辑保障了推论的可靠性。(www.xing528.com)

要留意的是：正确的逻辑虽然可以保障推论的可靠性，却不涉及具体内容。推论的前提如果错误，推论的后果亦不能接受；推论的前提如果未经验证，推论的后果只宜作未验假设。更基本的是：逻辑推论只能在有关系的定义之间进行。找不出关联便无从推论。关系如果间接，推论过程中越多依靠假设，结论便越难确切。

从降雨量不能直接推论出“可能购买”新型移动电话的人数，那是很清楚的。从“有能力购买”的人数来推论“可能购买”的人数，逻辑的作用便得视乎假设和验证情况了。对于那些只想估计最大市场潜力，不愿考虑其他因素的人士来说，“有能力”等同于“有可能”，毋须推论！对于那些重视其他因素的人士来说，“有能力购买”只是一个必要而非充分的条件（如果新型移动电话价格大降，收入甚至不成为必要条件！）。如果减去受其他因素影响而不买的人数，例如“购买意愿”（有些人认为目前电话的功能已经足够），“可能购买”的人数必然少于“有能力购买”的人数。应用同样推论的其他因素可以包括“免费的门店服务”（有没有足够的门店服务员免费教用新机）等。

上述每一个因素及这些因素间的消长作用，都可以成为待验假设，而视其他因素为未验假设。如果没有具体经验作根据或具体需要作指引，则每一个因素都有人认为应该成为待验假设。这样一来，岂非要把所有因素，以及其共同作用，都拿来一一验证？这个问题在理论性研究中遇到得比较多，在应用研究中，由于环境较具体，各因素间的重要性较易达成共识，问题解决的先后次序较清楚，待验和未验假设间的选择，不会那么无所适从。

通过统计和逻辑，基于自己或别人验证的结果，我们可以比较有信心地推论出一些未经直接验证的事象，科学方法的应用范围因而大大扩宽。可是统计和逻辑本身，都要求应用者经常警惕其中可能出错，统计方法中甚至还专门计算了犯错误的可能性的大小。可见科学对推论态度的慎重，即使相信逻辑和统计的可靠性，却从来不坚持推论结果是绝对真理。