统计数据背后的真相 读《How to lie with statistics》
统计学数据背后的故事
统计学数据背后的故事统计学是一门研究数据收集、分析和解释的科学。
通过统计学，我们可以深入了解数据背后的故事，揭示出隐藏在数字背后的真相。
本文将探讨统计学数据背后的故事，从而窥探数据背后的真实意义。
一、数据背后的故事数据，并不仅仅是一些冰冷的数字，它是对于现实世界的抽象和总结。
而这些数字背后，往往隐藏着人们的行为、心理和社会规律。
统计学正是通过分析这些数据，帮助我们理解背后的故事。
以人口统计为例，通过对人口数量、年龄分布、性别比例等数据进行分析，我们能够了解到一个地区的人口结构和发展趋势。
从这些数据中，可以发现人口老龄化的程度，以及一些社会问题的原因和解决方案。
数据背后的故事可能包括某一地区经济的繁荣或衰退，社会的稳定或动荡等等。
同样，对于经济统计数据的分析也能揭示出一国或地区的经济发展状态。
通过分析国内生产总值（GDP）、消费指数、就业率等经济指标，我们可以判断一个经济体的发展速度、经济结构的改善和投资方向的优化等。
这些数据背后的故事可能包括某个行业的兴衰，某个地区的经济合作模式等。
二、揭示数据背后的真相统计学不仅仅是对数据的收集和整理，更重要的是通过适当的方法，揭示数据背后隐藏的真相。
在数据的分析中，我们需要小心陷入到数据的陷阱中，避免被误导。
首先，我们需要考虑数据的来源和采集方法。
数据的来源和采集方法会对数据的可靠性和有效性产生重要影响。
如果数据来源不确切或采集方法存在偏差，那么分析结果可能会出现错误的偏差。
因此，在进行数据分析时，我们需要注意对数据进行可靠性和有效性的验证。
其次，我们需要关注数据之间的关系和相关性。
在统计学中，我们通过相关性分析等方法来探究不同数据之间的关系。
相关系数的计算可以帮助我们了解两个变量之间的相关性，从而进一步解读数据的背后故事。
最后，我们需要审慎地解读数据。
数据本身并没有价值，真正的价值在于我们如何解读并运用数据。
我们需要避免盲目追求数字背后的表面含义，而是要有系统的思维和深入的分析。
《统计学基础：透过数据看世界》随笔
《统计学基础：透过数据看世界》读书笔记目录一、统计学基础概述 (2)1.1 统计学定义与作用 (3)1.2 统计学的基本概念 (3)1.2.1 总体与样本 (5)1.2.2 参数与统计量 (5)1.2.3 随机变量与概率分布 (7)二、数据收集与整理 (7)2.1 数据的来源与类型 (9)2.2 数据收集方法 (11)2.3 数据整理与描述 (12)三、数据分析方法 (13)3.1 描述性统计分析 (15)3.1.1 均值、中位数与方差 (16)3.1.2 偏度与峰度 (17)3.1.3 数据可视化 (17)3.2 推断性统计分析 (18)3.2.1 假设检验 (20)3.2.2 置信区间 (22)3.2.3 方差分析 (22)四、回归分析与预测 (24)4.1 线性回归分析 (25)4.2 多元线性回归分析 (26)4.3 时间序列分析 (28)五、统计学应用案例 (30)5.1 经济学领域 (31)5.2 社会学领域 (32)5.3 生物学领域 (34)六、总结与展望 (35)6.1 本书重点回顾 (36)6.2 统计学的未来发展趋势 (38)一、统计学基础概述作为一门处理数据的科学，为我们提供了一种系统的方法来收集、整理、分析和解释数据，从而揭示事物的内在规律和趋势。
在日常生活和工作中，我们经常需要面对大量的数据，如销售数据、人口统计数据、医疗记录等。
这些数据背后隐藏着许多有价值的信息，但只有通过科学的统计方法才能被挖掘出来并加以利用。
统计学的基础主要包括描述性统计和推断性统计两部分，描述性统计主要通过对数据的整理和展示，提供对数据的基本认识，如平均数、中位数、众数等统计量。
这些统计量可以帮助我们概括和描述数据的中心趋势和离散程度。
而推断性统计则是基于样本数据对总体进行推断和预测，它可以帮助我们估计总体的参数值，并检验我们对总体的假设是否成立。
统计学还涉及数据的收集和抽样方法，有效的收集方法能够确保数据的准确性和完整性，而合理的抽样方法则能够使我们以较小的成本获取足够的信息来支持决策和分析。
每周一本书《揭开数据真相》：质疑“看得见”的数据，挖出“看不见”的真相
每周一本书《揭开数据真相》：质疑“看得见”的数据，挖出“看不见”的真相本周给大家推荐的书是《揭开数据真相：从小白到数据分析达人》，这本书的技术门槛不高，主要目的是让读者学会如何质疑“看得见”的数据，并挖出“看不见”的数据真相，还原基本的事实。
来源：数据猿作者：jean小编寄语：“你看到的，只是我想让你看到的”，让数据说话，说客观其实也不客观，所以别太迷信数据啦~统计数据之所以强大有力，是因为它一点都不care我们的情怀、梦想和信仰——数据让我们客观地看待事物。
但是，当数据耿直的显示了人们讨厌的结果时，命运只能被操纵，最终变成“漂亮”的数据（企业财报、销售额、阅读量等等）……因此懂得解释统计数据，了解各种歪曲、滥用数据的技术对于理解数据真相是非常必要的。
本周给大家推荐的书是《揭开数据真相：从小白到数据分析达人》，这本书的技术门槛不高，主要目的是让读者学会如何质疑“看得见”的数据，并挖出“看不见”的数据真相，还原基本的事实。
有人会担心，我没有经过系统科学训练，是不是要再去读一个数学课程呢？其实完全没必要，那些复杂的数学公式主要用来让你崩溃的（回想自己的高数课程），最重要的还是见识一些常见套路，遇到类似的能举一反三，升华出来一些方法论就更棒了。
这本书就从很多实例中总结了数据分析的技巧和“骗人”招数。
比如通过内在不完备的样本，精心挑选的平均数，统计图表范围的切割，相关系数因果关系的误解，混淆逻辑，操控是非，达到一些不可告人的目的。
这并不是一本教科书，让你去学习深奥枯燥的统计数学，而是用风趣幽默的例子从别的视角来观察世界，启迪智慧。
比如本书的第十章在讲确认性偏差时，作者就“分母”的重要性举了一个很有趣的例子：假设有一群人看见你盯着一根树枝就把树枝折断了只要你不告诉这些人一个事实——你盯着这些树枝看了很久而树枝迟迟不断，那么，这些人肯定会对你表面上的断树功力大感敬畏。
在奇妙的统计学讨论中，只提分子、不提分母可以让不真实的事情看上去很真实。
统计学 学生课外优秀阅读书目推荐
应用统计学学生课外优秀阅读书目推荐1、统计学David Freedman等著，魏宗舒，施锡铨等译，中国统计出版社推荐理由：《统计学》是引导人们对统计问题进行思考的一本杰出的教材，它是迄今为止我们所见到的最出色的关于统计思想的入门书。
它以清晰的日常语言和各种类型的例子向人们介绍解决统计问题的若干技巧，展示了统计在诸如经济、教育、遗传、医药、物理、化学、环境污染、政治及社会科学、心理学等方面所起的至关重要的作用。
在整个展开过程中除了加减乘除等简单运算之外，整本书几乎没有公式，但是讲到了统计思想的精髓。
2、Mind on statistics(英文版）机械工业出版社推荐理由：只需要高中的数学水平，统计的扫盲书。
有一句话影响很深：Mathematics as to statistics is something like hammer, nails, wood as toa house, it's just the material and tools but not the house itself。
3、漫画统计学入门作者 : 拉里-戈尼克/沃尔科特-史密斯，辽宁教育出版社推荐理由：《漫画统计学入门》涵盖了现代统计学的所有精髓：数据的汇总、整理；随机变量；伯努利实验；中心极限定理；假设检验；估计置信区间；林林总总，所有这一切都在书中用简洁、明了的文字和妙趣横生的插图加以了解释。
4、数理统计学简史作者 : 陈希孺，湖南教育出版社推荐理由：本书概述了自17世纪中叶以来三百多年间,数理统计学发展的历史,记录了一些深远影响的大事、思想源头、重要发展之间的关系、重要人物的思想和贡献等内容，包括:概率基本概念的起源和发展,伯努利大数定律和狄莫旨二项概率正态逼近,贝叶斯关于统计推断的思想,最小二乘法与误差分布--高其正态分布的发现过程,社会统计学家对数理统计方法的主要贡献等。
5、漫话信息时代的统计学——兼话诺贝尔经济学奖与统计学作者：韦博成，中国统计出版社2011年10月推荐理由：《漫话信息时代的统计学兼话诺贝尔经济学奖与统计学》为一本普及型读物，其目的是希望使更多的人了解统计学。
统计数据背后的真相 — 读《How to lie with statistics》
范围、方法等都不一样，两方面数据结果根本没有可比性。
新浪公布的那个结果是我们在国内128个城市采取计算机辅助电话访问的调查结果，而搜狐公布的那份结果是我们在北京、上海、广州、青岛、南京5个重要城市采取街访方式的调查结果。
那5个最重要的城市和其他128个城市的网络普及率、人对网络的偏好都不一样，数据结果反映的东西肯定也不同”，普通网民在关注到“第一”的同时会去关注这些背后的数据吗？另外就是同一个数据，但是图表的基准值、刻度等不一样，也会导致图表表达出的效果截然不同，比如下面两个图，左边第一眼给人的感觉是2名用户之间的上网时长差异不大，而右边这个给人的感觉是差异非常大。
这个资料有意义吗？许多统计资料在我们一眼就能看出是有误的。
比如前一阵因为BT事件，一调查机构宣称：在他们随机调查的100位网友中，有87.53%的网友支持封杀BTchina；有时在对用户进行分类时，对于分类结果，分成的各个类别的用户是否都能在现实中找到对应的人群，或者说周围认识的每一个人是否都能找到属于自己的类别，这都是一眼能够看出是否有意义的。
最后再举一个最常见但也最经常被误导的两个例子：很多人在学生时代肯定都听过老师有过这样的计算：离某某考试还有1个月时间，扣去一天8小时共10天的睡眠时间，扣去一天约4小时共5天的进餐活动等时间，再扣掉每周两天共8天的双休日，这时余下的学习时间就只剩7天了，这时一听都觉得很紧张，但是感觉没有这么短啊，其实是我们被老师忽悠了；一个产品开发项目计划本来总时长是1个月，后来因为某种变更，需求规划时间要增加15%，界面设计时间要增加20%，开发的时间要增加10%，测试时间要增加5%，则总时间要增加50%？实际总时间增加肯定不到20%。
在这个信息爆炸的时代，统计本是一个通过数据揭露本质的有力工具，但遗憾的是，统计未必能够揭示真实，有时候还可能成为假象的帮凶。
当我们面对生活中形形色色的统计数据时，还要多保持一些理智和清醒，并要有所保留地看待问题。
统计数字会撒谎
统计数字会撒谎作者：廖颖林来源：《中国纺织》2010年第03期“自从使用了某某牌牙膏，我们的蛀牙减少了23％。
”或许你刚被这样的广告宣传攻陷，对这新款牙膏的“神奇功效”深信不疑，但是美国统计专家达莱尔·哈夫(Darrell Huff)告诉你：“没有比这更无聊的广告了。
”没错，问题就在这个“23％”上。
在一个用事实说话的社会，我们接触到了越来越多的统计数据和资料，例如各种经济数据、证券信息、投资可行性研究报告、公司财务报告等。
但是却有不少销售员、公关公司、广告撰稿人等在滥用书中所揭露的“数据造彼方法”来蒙蔽对数据知识不甚了解的客户、消费者和上司。
面对这些良莠不齐、真伪并存的数据或资料，我们需要去粗取精、去伪存真的过程。
我们又该如何进行鉴别?20世纪50年代，美国的各大媒体和宣传机构就已经开始越来越重视利用统计——“这个神秘的语言”——说话，然而大量的统计数据、统计资料由于主、客观的原因被滥用，很难起到描述事实、传递信息的作用。
相反，还往往对读者形成误导。
达莱尔·哈夫——一位具有深厚统计背景的新闻记者一发现了这一现象。
他在广泛调查的基础上，从报刊、杂志、书籍中，从美国统计学会一些统计学家提供的实例中，收集了大量案例，并在1954年写下了《How to Lie with Statistics》一书。
该书一经出版，便畅销美国，成为美国20世纪50年代的畅销书之一，并受到了当时美国各种书评杂志的好评，至今依然常常被美国不少权威媒体所引用。
《管理评论》认为：“哈夫先生用如此生动的，充满人情味的方式来论述统计这个干巴巴的课题，真是一剂灵丹妙药，我们太需要这本书了，它虽然娱乐性强、浅显易读，却十分具有说服力。
”《图书期刊》如此评价：“作者和制图者倾注了全力，给大家提供了一本十分轻松活泼的读物和卡通画。
它们能给你带来娱乐，又能引发思考，而且还揭穿了许多统计方法的谎言。
”《大西洋》评价道：“这是一本具有善意破坏性的书，读完它后，你对于‘万能统计’的信任将大大降低。
《统计陷阱》读后感
《统计陷阱》《统计陷阱》本书是美国著名的统计学家达菜尔·哈夫的名著。
该书自1954年出版至今，多次重印并被译成多国文字，是一本影响深远的经典性著作。
《统计陷阱》一书之所以能够历久弥新，是因为其实用性，作者重说明、轻证明，重文字描述、轻理论推导，并结合活生生的案例，语方轻松诙谐，深入浅出，介绍了一些统计语和方法，更揭示了许多统计骗局，本书一共分八章：第一章内在有偏的样本主要将通过偏差的样本来获得想要的数据，文中举例耶鲁大学毕业生的工资来说明这个问题，给出统计结论时却并未给出样本，通过合理的猜测，可以知道这样的样本是有偏差的，例如能联系上的人一般都不穷，愿意告诉别人自己工资的人更不穷第二章精心挑选的平均数一般给统计结论时却并不给出是哪种平均数，是算术平均还是中位数或者是众数，通过这种方式来欺骗人，例如最近很流行的居民平均居住面积，平均收入等第三章没有披露的数据反复做试验，指给出对自己有利的数据，例如我想证明抛硬币正面出现的次数是80%，那么我每次抛10次，反复抛，直到某次试验正面出现8次，以此作为支持我结论的数据第四章毫无意义的工作计算某一个数据时，需要知道这个数据可能的误差，如果不考虑这个误差，则数据毫无意义，例如智力测验，需要首先明确测验可能的误差，例如正负3，平均智力是100正负3，如果不考虑这个误差，而直接说平均智力是100，a的智力是98，b的智力是101，b的智力比a的好，这样的结论是没有意义的第五章惊人的统计图形通过对图形的夸张画法，来达到误导读者的目的，例如将y轴不从0开始，x，y比例不一致等第六章平面图形本章与上一章比较类似，不过图形换成了平面图形，平面图形不只有高度还有宽度，例如通过钱袋子来比较工资，本来2倍的工资只需要钱袋子高两倍就可以，但这样不协调，因此要更宽，更鼓，导致的结果就是不是2倍，看着是8倍第七章不相匹配的资料问题本身并不能真实地反映这个问题所代表的观点，例如黑人与白人的就业机会均等 == 黑人与白人平等，事实上有种族歧视的人更愿意回答二者的工作机会相等，而同情黑人的人更愿意回答不等，另外很多数据与最终的结论也没有多大的关系，例如药物实现，实验室的环境，药物与最后在药店里购买的药物有可能很不一样，或者实验室环境与人体环境差别很大，等等，都导致数据的不准确性。
《统计数据会说谎》课件
详细描述
一些学者在研究中为了证明自己的观点，可能会篡改或编造 实验数据，或者选择性地使用部分数据来支持自己的论点， 导致研究结果失真。
05
如何避免统计数据的说谎
提高公众的数据素养
培养对数据的敏感性和批判性思维
01
让公众了解数据的基本概念、特点和局限性，学会从多角度分
析数据，不盲目相信或传播数据。
惕，仔细核实数据的真实性和可靠性。
04
统计数据的说谎案例
媒体报道中的数据误用
总结词
媒体在报道时往往为了制造轰动效应 或引导读者做出某种判断，会选择性 地使用或解读数据，导致数据误导。
详细描述
媒体在报道时有时会忽略数据的背景 信息，只选取部分数据来支持他们的 观点，或者对数据进行断章取义的解 读，使读者产生误解。
数据的选取偏差
总结词
在收集和选择数据时，可能会因为主观因素或外部压力而产生偏差，导致数据不 能客观反映实际情况。
详细描述
数据的选取偏差通常源于对数据的理解不足或偏见，导致只选取符合某种观点或 利益的数据，而忽略其他重要信息。例如，在市场调研中，如果只选择有利于自 己产品的数据，而忽略其他竞争产品的优点，就会产生数据选取的偏差。
损害信任
不准确的统计数据会破坏 人们对数据和信息来源的 信任，影响数据和信息的 公信力。
浪费资源
基于错误数据的决策可能 导致资源的不合理分配， 造成资源浪费。
提高对统计数据的重视和警惕性
增强意识
通过培训和宣传，提高人 们对统计数据重要性的认 识，了解数据质量对决策 的影响。
严格审核
建立数据审核机制，对统 计数据进行严格把关，确 保数据的准确性和可靠性 。
数据解读的误区
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
统计数据背后的真相读《How to lie with statistics》在当今互联网普及的社会中，几乎每一个人都会和统计数字接触，例如各种经济数据、证券信息、房地产投资可行性报告、公司财务报告、以及与互联网相关的各种页面数据点击量、网页流量、用户量统计、用户趋势分析报告等；数据分析正在以从未想象过的方式影响着我们的生活；然而大量的统计数据、统计资料由于主、客观的原因被滥用，很难起到描述事实、传递信息的作用，相反，往往还对读者形成误导，与此同时带来的问题是越来越多的人员会通过数据造假来蒙蔽对数据知识不是特别了解的人员，从而达到他们背后的目的；所以当我们在面对这些真假难分的数据时，我们又该如何去鉴别？
在之前读过的《How to lie with statistics》一书中提到当我们接触一个统计资料时，提5个简单的问题可分辨大部分的统计资料，分别是：谁说的，他是如何知道的，遗漏了什么，是否有人偷换了概念以及这个资料有意义吗。
谁说的？
经常会遇到利用数据图表进行问题说明的情况，这时我们往往会关注于这些数据到底是什么意思而忽略这些数据的来源和它的时效性。
当遇到数据的来源是某权威人士、权威机构时，这些话往往是为了掩盖真实的资料来源。
有些数据图表虽然确实引用了权威的数据，但是很有可能的是别有用心的只截取了其中的一部分数据，虽然数据是权威可信的，但结论却是自己加的，以偏概全的结果是得到与原来数据完全相反的结论。
另外当在问数据来源时，一定要补上问一句这是什么时候的数据了；数据是非常具有时效性的，如果用之前的数据来解释当前的现象，也会造成错误的结论。
比如下面这两个图表是前后相隔半年针对图片软件使用情况所做的调查，可以看到变化很大；假如我们也要做一款全新的图片软件，参考这两张不同时间的调查图表可能会导致产品定位的截然不同。
所以当我们在看到一个统计图表的时候，首先要想这个图表是从哪里来的，是什么时候的图表，我们应该问一句：“谁说的？”接着我们应该接着我们还应追加第二个问题：他是如何知道的？
他是如何知道的？
主要是看这些数据是怎么得到的，也就是调查的样本是否足够大，样本是否有偏，调查的人群是否涵盖了所有的用户。
下面是两张针对播放器用户所做的亮点功能调查，一个是样本量100的结果，一个是样本量2000的结果，在样本量不一样时结果差异会很大。
在互联网产品设计中，还有一个比较常见的问题是，当遇到一个设计或者一个功能不确定时，往往会直接询问周围同事的建议，可这并不能代表整个用户，导致结果的偏差。
还有比如在一款新产品发布时，经常会做产品的可用性测试，得到的结论是一半的用户在某个功能的操作上存在问题，也许会觉得问题挺严重，实际可能是50%背后一共测试了两个用户，其中有一个用户遇到了问题。
是否遗漏了什么？
也就是看对结论有影响的因素是否都列举出来。
比如说，调查表明公司的员工平均月薪是2万，调查涵盖了公司所有员工，外界一看，哇，该公司的员工工
资好高啊，其实背后的原始数据没有纰漏出来，该公司有100个员工，总经理的工资是100万，而剩下的员工平均工资是1万，一平均，就说该公司的平均月薪是2万。
比如在做一次竞品之间的满意度调查时发现自己产品的满意度明显高于竞争产品，大家看了都觉得很开心，但是却忽略了调查的方法，实际上该调查的对象都是最常使用自己产品的用户，那结果肯定是不言而喻。
再说满意度的问题，如果针对自己的用户进行了产品的满意度调查，结果是85分（百分制），可能觉得产品还不错，可是缺少了和竞品的比较，85分到底是怎样一个水平，不得而知，实际情况是竞品用户的满意度都是在90分以上。
下面两张分别是只有自己产品的满意度和有竞品满意度的图表，效果截然不同。
是否偷换了概念？
在看统计资料时，从收集原始资料到得出结论的整个过程，是否存在着概念的偷换。
比如在收集数据时问题问的是可支配收入，下结论说的是收入；问题问的是使用过什么产品，结论说是经常使用什么产品；实际调查只针对某几项因素，下结论时却不加定语限制，让人觉得是整体的情况描述，就似现在国内大学排名，不同机构采用不同的指标排出不同的结果，实际公布时对采用的指标只字不提，结果往往误导和迷惑读众。
给我印象深刻的是在2008年奥运会结束后四大门户网站都对外称自己在奥运会期间的报道取得了第一，让网友摸不着头脑的同时也让业界疑虑丛生。
其实
导致这种结果的第一个原因是不同公司排名所采用的指标不一样，指标分别有“用户访问量”、“网页流量”、“平均每位用户停留时间”、“访问速度”、“冠军访谈数量”等，这样四大门户都可以对外声称在奥运报道上取得了第一；第二个原因是引用的数据源不一样，导致数据上的差异，甚至不同公司引用同一家调研公司的数据都是不一样的，摘录其中一段调研公司的解释：“新浪、搜狐用的是我们两次不同的调查数据，这两次调查的城市范围、方法等都不一样，两方面数据结果根本没有可比性。
新浪公布的那个结果是我们在国内128个城市采取计算机辅助电话访问的调查结果，而搜狐公布的那份结果是我们在北京、上海、广州、青岛、南京5个重要城市采取街访方式的调查结果。
那5个最重要的城市和其他128个城市的网络普及率、人对网络的偏好都不一样，数据结果反映的东西肯定也不同”，普通网民在关注到“第一”的同时会去关注这些背后的数据吗？
另外就是同一个数据，但是图表的基准值、刻度等不一样，也会导致图表表达出的效果截然不同，比如下面两个图，左边第一眼给人的感觉是2名用户之间的上网时长差异不大，而右边这个给人的感觉是差异非常大。
这个资料有意义吗？
许多统计资料在我们一眼就能看出是有误的。
比如前一阵因为BT事件，一调查机构宣称：在他们随机调查的100位网友中，有87.53%的网友支持封杀BTchina；有时在对用户进行分类时，对于分类结果，分成的各个类别的用户是否都能在现实中找到对应的人群，或者说周围认识的每一个人是否都能找到属于自己的类别，这都是一眼能够看出是否有意义的。
最后再举一个最常见但也最经常被误导的两个例子：
很多人在学生时代肯定都听过老师有过这样的计算：离某某考试还有1个月时间，扣去一天8小时共10天的睡眠时间，扣去一天约4小时共5天的进餐活动等时间，再扣掉每周两天共8天的双休日，这时余下的学习时间就只剩7天了，这时一听都觉得很紧张，但是感觉没有这么短啊，其实是我们被老师忽悠了；一个产品开发项目计划本来总时长是1个月，后来因为某种变更，需求规划时间要增加15%，界面设计时间要增加20%，开发的时间要增加10%，测试时间要增加5%，则总时间要增加50%？实际总时间增加肯定不到20%。
在这个信息爆炸的时代，统计本是一个通过数据揭露本质的有力工具，但遗
憾的是，统计未必能够揭示真实，有时候还可能成为假象的帮凶。
当我们面对生活中形形色色的统计数据时，还要多保持一些理智和清醒，并要有所保留地看待问题。
因为“如果一个人以种种肯定的立论开始，他必将终止于各种怀疑；但如果他愿意抱着怀疑的态度开始，那么他必将获得肯定的结论。
”。