Observing a predicted consequence does not prove the hypothesis that predicted it; the same consequence may have many causes.
1The problem it solves
Empirical reasoning constantly moves from “if the hypothesis is true, we should see Q” to “we see Q.” The temptation is to conclude the hypothesis is true. That move is invalid unless rival explanations of Q are also considered. The concept exists to separate prediction from discrimination: evidence matters only when it is more expected under your hypothesis than under alternatives.
2The idea
If P then Q; Q; therefore P. This is invalid, and it is the single most common error in empirical reasoning — because it looks exactly like confirmation.
The reason it fails is that Q may follow from other things besides P. Observing Q raises P's probability only to the extent that Q is less likely under the alternatives.
3Origin & context
A standard formal fallacy from classical logic: If P, then Q; Q; therefore P. In modern empirical work the same structure reappears as weak confirmation. Bayesian likelihood ratios make the missing step explicit by asking how expected Q was if P were false.
4Canonical example
If the model is correct we would see this pattern. We see it. Therefore the model is correct. No — three rival models predict the same pattern.
5Objections & replies
Objection. But observing a predicted result really should increase confidence in the theory.
Reply. Yes—often it should. The fallacy is not updating upward; it is treating Q as deductive proof of P. The size of the update depends on how surprising Q would be under rival hypotheses.
Objection. If the prediction was made in advance, does that rescue the inference?
Reply. Pre-specification prevents some post-hoc fitting, but it does not create uniqueness. A risky prediction is strong evidence only when plausible alternatives did not predict it nearly as well.
6Don't confuse it with
Affirming the consequent vs. Bayesian confirmation
Bayesian confirmation is probabilistic: Q can raise P without entailing it. Affirming the consequent incorrectly turns that probabilistic support into deductive certainty.
Affirming the consequent vs. modus ponens
Modus ponens goes from P and P→Q to Q and is valid. Affirming the consequent reverses that direction and is invalid.
7Common mistakes
- Calling every successful prediction a fallacy. Successful predictions can be excellent evidence; the error is ignoring how well alternatives predict the same result.
- Using “consistent with the hypothesis” as though consistency were discriminating evidence.
8In your work
Every “the data is consistent with our hypothesis” claim commits this fallacy unless it also shows the data is inconsistent with the rivals. That is what a likelihood ratio measures.
9Check yourself
A model predicts spreads will widen during stress. They widen. What must you know before saying this strongly confirms the model?
Show answer
How likely the widening was under serious rival models. If they also predicted it, the observation has little discriminating force; if they predicted stability, the evidence is much stronger.
مشاهدهٔ پیامدی که یک فرضیه پیشبینی کرده، آن فرضیه را اثبات نمیکند؛ همان پیامد ممکن است علل و توضیحهای دیگری هم داشته باشد.
1مسئلهای که حل میکند
استدلالِ تجربی دائماً از «اگر فرضیه درست باشد، باید Q را ببینیم» به «Q را میبینیم» میرسد. وسوسه این است که نتیجه بگیریم فرضیه درست است. این حرکت تا وقتی توضیحهای رقیبِ Q سنجیده نشدهاند نامعتبر است. این مفهوم برای جداکردنِ پیشبینی از تمایزبخشی لازم است: شاهد زمانی نیرو دارد که تحتِ فرضیهٔ شما از بدیلها محتملتر باشد.
2ایدهٔ اصلی
اگر پ آنگاه ق؛ ق؛ پس پ. این نامعتبر است، و رایجترین خطای استدلالِ تجربی است — چون دقیقاً شبیه تأیید بهنظر میرسد.
دلیلِ شکستش این است که ق ممکن است از چیزهایی جز پ هم برآید. مشاهدهٔ ق تنها به همان اندازه احتمالِ پ را بالا میبرد که ق تحتِ بدیلها کممحتملتر باشد.
3خاستگاه و زمینه
یک مغالطهٔ صوریِ استاندارد: اگر P آنگاه Q؛ Q؛ پس P. در پژوهشِ مدرن همین ساختار بهصورتِ «تأییدِ ضعیف» ظاهر میشود. نسبتِ درستنماییِ بیزی مرحلهٔ گمشده را آشکار میکند: اگر P نادرست بود Q چقدر انتظار میرفت؟
4مثالِ کلاسیک
اگر مدل درست باشد این الگو را میبینیم. میبینیم. پس مدل درست است. نه — سه مدلِ رقیب همان الگو را پیشبینی میکنند.
5اعتراضها و پاسخها
اعتراض. اما دیدنِ نتیجهای که نظریه پیشبینی کرده واقعاً باید اطمینان ما را بالا ببرد.
پاسخ. اغلب بله. مغالطه در افزایشِ احتمالیِ باور نیست؛ در تبدیلِ Q به اثباتِ قیاسیِ P است. اندازهٔ بهروزرسانی به این بستگی دارد که Q زیرِ فرضیههای رقیب چقدر نامحتمل بوده باشد.
اعتراض. اگر پیشبینی از قبل ثبت شده باشد، استنتاج نجات پیدا نمیکند؟
پاسخ. پیشثبت از بعضی سازگارسازیهای پسینی جلوگیری میکند، اما یکتایی نمیسازد. پیشبینی فقط وقتی شاهدِ قوی است که بدیلهای جدی آن را تقریباً به همان خوبی پیشبینی نکرده باشند.
6با اینها اشتباه نگیرید
وضعِ تالی و تأییدِ بیزی
تأییدِ بیزی احتمالاتی است: Q میتواند احتمالِ P را بالا ببرد بیآنکه آن را نتیجه دهد. وضعِ تالی این حمایتِ احتمالاتی را به یقینِ قیاسی تبدیل میکند.
وضعِ تالی و وضعِ مقدم
وضعِ مقدم از P و P→Q به Q میرود و معتبر است. وضعِ تالی جهت را برمیگرداند و نامعتبر است.
7خطاهای رایج
- مغالطهنامیدنِ هر پیشبینیِ موفق. پیشبینیِ موفق میتواند شاهدِ عالی باشد؛ خطا نادیدهگرفتنِ قدرتِ پیشبینیِ بدیلهاست.
- استفاده از «با فرضیه سازگار است» بهعنوان اینکه شاهد الزاماً تمایزبخش است.
8در کارِ شما
هر ادعای «داده با فرضیهٔ ما سازگار است» مرتکبِ این مغالطه میشود، مگر آنکه نشان دهد داده با بدیلها ناسازگار است. نسبتِ درستنمایی دقیقاً همین را میسنجد.
9خودآزمایی
مدلی پیشبینی میکند در دورهٔ تنش اسپردها باز شوند و همین رخ میدهد. پیش از اینکه بگویید این نتیجه مدل را قویاً تأیید میکند چه باید بدانید؟
نمایش پاسخ
اینکه مدلهای رقیبِ جدی چقدر همین بازشدن را پیشبینی میکردند. اگر آنها هم چنین انتظاری داشتند، شاهد تمایزبخشِ کمی دارد؛ اگر ثبات را پیشبینی میکردند، شاهد بسیار قویتر است.