大數據：越大越有價值嗎

孟曉犁

大數據這兩年一直是熱詞。發展中的大數據確實帶來了很多有用信息，但是所謂大數據，并非越大越有價值。

比如，在美國做一個1000人的抽樣調查，這個調查若是在中國做，要達到同樣的精度，需要抽取多少人？美國的人口是3.2億人，中國的人口是美國的4倍多一點。每次我在大學做講座問到這個問題時，只有10%的人能說出正確答案：仍需抽樣1000人。絕大多數人認為，抽樣數必須大于4000。

為什么呢？最簡單的比喻是：喝湯時，要確定湯的咸淡，大多數人只需要嘗幾口，并不需要把湯全部喝完。這個判斷的準確性取決于這碗湯的均勻度。喝湯前把整碗湯攪拌一下，然后品嘗幾口，這就是我們所說的隨機取樣。無論是一小碗湯還是一大桶湯，只要攪拌均勻，嘗幾小口就夠了。同樣，去醫院驗血時，每個人不論是胖是瘦，小孩還是大人，醫生都只會抽一點血就可以做出判斷。這意味著抽樣調查需要有一定的樣本，但是一旦超過臨界點后，和母體大小的關系是完全可以忽略的。也就是說，大數據再大，只要科學抽樣，哪怕只有百分之零點零零幾的均勻抽樣，效果也可以比95%不均勻的數據好。

所謂大數據，也不能光看絕對量，并非數據越多結果越可靠。以現在最熱的個性化治療為例。如果一種藥對95%的人有效，但對我沒有用，那這95%的數字對我而言便毫無意義。

一個真實的例子是，在20世紀80年代，英國有一本雜志登了兩種治療腎結石的方法。文章摘要宣稱方法A治療腎結石，成功率是78%;用方案B的話，成功率是83%。在沒有其他信息的情況下，任何人都會認為B方案的治療效果更好。但是仔細閱讀那篇文章，你會發現當研究人員把病人分成大結石和小結石兩組時，方案A比方案B在每組里的成功率都要高。

（孫麗摘自《新一代》2015年第12期，全景視覺供圖）