詭辯地利用統計數字是新聞記者和政治家的拿手好戲，這導致了人們對健康的擔憂，形成了錯誤的認識甚至引起過戰爭。以下是將數字加工成你最需要的樣子的4種手段：
1.忽略基礎比例。我有款軟件可以正確識別90%的信用卡詐騙電話，只有0.1%的情況下會將正常的電話誤判為詐騙電話（誤報率）。表面上看起來這很不錯。但是如果將詐騙發生的比例（基礎比例）也考慮進來的話，這種情況是否仍然樂觀呢？如果每1 000次通話中有1個詐騙電話的話，我們以10萬個電話為例的話，詐騙電話共有100個，我應該從中識別出90個。但是，在每1 000個正常的來電中，也會有1個電話被誤判為詐騙電話。這就意味著，在我攔截的來電中，有90條是詐騙電話，而有100條是被錯誤攔截的正常電話。這一誤報率對於企業來說是可以接受的。但是，如果每10萬個來電中都會有1個詐騙電話的話，情況就不妙了。現在，我的誤報率還是100條左右，但是正確攔截的詐騙電話只有9條。這對於商家來說就是大難臨頭了，因為處理誤報所引發的客戶投訴成本已經遠遠超過避免詐騙所節省的錢了。如果你想讓難看的統計數據看起來好看些的話，那麼就可以忽略基礎比例，只說百分比就好了。
2.拿最好的和最差的進行比較。現在我們假設是拿你的產品和某競爭對手來比較。從平均情況來看，你的產品較差。別擔心，只要對比一些對方無法與你相比的指標即可。例如，以汽車為例，你可以拿設計油耗或實驗室的油耗數據與競爭對手在實際駕駛過程中的平均數據進行對比。或者，你也可以拿他們的平均數和你在城郊高速公路上的油耗進行比較，這樣就可以說你們的汽車能比競爭對手節約將近30%的油耗。請注意「將近」這一用詞。這一用詞要比其他任何欺騙性廣告更加有責任感。由於沒有更多的細節內容，讀者不可能進行有效的判斷，並且他們更傾向於簡單地接受你的論斷。
3.挑選最有利的數據。任何統計分析結果在很大程度上都會受到數據源的影響。以化妝品為例。幾乎每個廣告都在說「九成女性都認為她們的肌膚變得更加年輕了」。那麼他們的數據是從哪兒來的呢？如果是我的話，我就會向本品牌的150名消費者免費發放試用品，並讓她們來對其點評。這不僅僅是因為這些人喜歡我的產品，同時也是因為我向他們贈送了免費商品而有所感恩。其次，我在問卷的措辭上也可以通過錯誤二分法（參加本章下文的「再多說兩句……」）的手法增加消費者給予好評的幾率。如果我沒有得到我想要的結果，我就會另作調查。當然，我永遠不會宣稱有100%的滿意度，因為這樣看著太假了。最好是達到77%或86%。順便說一下，實際上，從Google這種非常不科學的搜索中可以看到，大多數面霜的見效率都在75%~90%之間[1]。同樣的方法也可用於其他任何類型的統計中——選擇最有利的數據並淡化細節，你就能得到最優說服力的數據。
4.從隨機現象中找出規律模式。這就又聯繫到了因果關係。如果你能找到一系列隨機事件的話，你就可以說這並非偶然，而是預示著某種必然規律。《The Bible Code》（中譯名《聖經密碼》）就是依此規則成書的。更糟的是,還有幾起僅僅基於拙劣統計數據就將人誤判入獄的案例（例如著名的Sally Clarke判例）。在運用這一方法時，你要向讀者提問「這件事發生的概率有多大？」而讀者會以「根本不可能」來回應你。
為了闡明這一點，我想證明我的員工在請病假時撒謊。我們假設辦公室裡共有15名員工。Bill和Sarah在上週五都請病假了，但是其他人並未生病。由於我的員工都很健康並且平均每年只請一天假，因此我敢肯定他們是一起翹工了。畢竟，這種事情發生的概率能有多少啊？
一年有220個工作日。為了證明我的觀點，我可以說，Bill在上週五生病的幾率只有1/220。Sarah在相同時間生病的概率就只有1/220×1/220，也就是1/48 400了。是該對他們遵章處罰一下了。
或者事實的確如此？我假設Bill和Sarah在同一天生病幾乎是不太可能的。然而，一年中的任何一天都有可能出現兩名員工同時生病的情況。實際上，任意一天內，都有105種兩名員工同時生病的排列組合情況。雖然特定兩人在某一天同時生病的幾率很小，但是隨機的兩人在同一天生病的幾率就會大很多，這種事情瞬間就變得很可能發生了。在本例中，一年中兩名同事在同一天生病的幾率是38%。雖然數據是完全隨機的，但是我找到了某種規律，好像它就根本不會隨機發生一樣。這是經驗常識失效的又一個例子。雖然我的推理是錯誤的，但還是會有很多人相信我的推理和統計，並且認為我的員工是蓄意裝病曠工。
簡而言之，如果你從一組隨機數據中看出了某種規律模式，那麼你就可以說它是有意義的,並且可以忽略隨機性這樣的事實並問出有說服力的問題，「這種事情發生的幾率有多大？」拿出一些有蠱惑性的統計數據來證明你的觀點，並且你只是為了說明隨機性的命中幾率如此之高是不可能的。