其中一个值得留意的例子，和前几年对小儿麻痺症（ polio，又称脊髓灰质炎）进行的疫苗研究有关。就医学实验来说，这项研究是个令人印象深刻的大规模实验：在实验社群中，有450名儿童接种了疫苗，当作对照组的另外680名儿童则没有接种疫苗。
不久后，该社群遇上了一场流行病的爆发。根据医疗人员的检验，接种过疫苗的儿童中，没有任何一个感染小儿麻痺症。不过，控制组的儿童也通通没有感染小儿麻痺症。
实验人员在规划此研究时，忽略或不理解小儿麻痺症的发病率很低。按照一般比例，在该实验的社群规模中，预计只会有两个病例，因此这个实验打从一开始就注定毫无意义。若想要取得具有任何意义的结果，参与实验的儿童数量得增加到15至25倍。
然而，不是只有医学界会出现这种过失。公众压力和草率的新闻业常会带来未经证实的治疗方法，在医疗需求极高且统计背景模糊的状况下尤其容易如此。
本文出自《统计操控的真相与谎言》数年前十分受欢迎的流感疫苗，和晚近出现的抗组织胺药物就是例子。这些不成功的「治疗」之所以会受欢迎，很大的原因在于疾病本身的不确定性，以及逻辑上的缺陷。若你愿意给你的身体一点时间，它甚至能自己治愈感冒。
你要如何避免被没有真正结论的结果所愚弄呢？难道每个人都必须成为统计学家，自己研究原始数据吗？其实事情没有那么困难，你只要运用一种容易理解的显著水准（significance）测试就可以了。
这种测试是一种简单的方法，能让你了解自己看到的数字，代表的是真实的结果，而非偶然制造出来的表象。
显著水准是一个不存在的小数字──这是因为提出该数据的人认为，身为非专业读者的你不会理解何谓显著水准；又或者提出该数据的人想要证明某种特定观点，而他们认为你理解何谓显著水准，所以不愿写出这个数字。
（本文出自《统计操控的真相与谎言》，作者：德瑞尔．赫夫 译者：闻翊均）