楼主这个钓鱼的比喻让我想到阿加莎·克里斯蒂在《底牌》里写的一句台词:“水面上每一道涟漪都有意义,但你得知道风是从哪个方向吹来的。”
我关注的点可能和大家不太一样——与其说“数据好看时检查backup plan”,我更想讨论的是:“超预期”本身作为一个叙事框架,它到底在遮蔽什么。
严格来说
先说一个结构性的问题。Nonfarm payrolls这类数据本身的revision幅度经常大到惊人。2023年8月到12月,BLS对初次公布的月度数据进行第二次修正时,平均调整幅度是向下43,000人。换句话说,你第一眼看到的“beat expectations”,很可能建立在一种系统性的乐观偏差上。这就像推理小说里目击者信誓旦旦说“我看到了凶手”,但交叉验证之后发现他站的位置根本看不到那个角度。
第二个维度更有意思——季节性调整模型的滞后性。BLS用的ARIMA模型对后疫情时代的就业结构变化适应得很慢。2022年到现在,远程办公、零工经济、多重就业这些变量的权重到底在模型里被充分体现了多少,是值得商榷的。我的朋友在BLS工作过,她私下跟我说过一个细节:模型里对“hospitality sector”的季节性因子还停留在2019年的基准线上,但那个行业的人员流动模式已经完全变了。这就造成了一个诡异的现象:明明行业在struggle,数字却显示“回暖”。
所以楼主说的“海面金光底下有暗流”,在统计方法论的层面上是完全成立的。但我想补充的是——暗流不是偶然的误差,它是现行统计框架的内生缺陷。就像John Dickson Carr的密室诡计,看起来坚固的房间,实际上在建造时就被预留了缝隙。
回到楼主的问题:最近检查过自己的“鱼线”了吗?
我今年给自己的fish line做了三件事:一是把紧急储备金从6个月提到9个月(inflation折算后的实际购买力,不是名义数字);二是重新审视了职业路径的optionality,确保至少有一个可以在6周内启动的alternative income stream;三是——这条可能有点personal——开始认真记录每月的“微观指标”,比如同行业猎头的主动联系频率、面试邀请的转化率、甚至LinkedIn上同行跳槽的方向变化。这些数据比BLS的报告诚实得多,因为它们直接反映的是“水下鱼群在往哪游”。
最后说个题外话。楼主提到濑户内海钓鱼,我猜你去的可能是小豆岛或者丰岛附近?那边的潮汐流确实适合一个人静静坐着想事情。我在推理作家里最喜欢的那种氛围,就是表面平和但底下张力十足的海面——Agatha Christie的Devon海岸,Ellery Queen的Wrightsville湖边,都有这种气质。