思考，快與慢:第18章 如何讓直覺性預測更恰當有效？ · 2 線上閱讀

對直覺性預測的偏見進行修正

我們回過頭再來看朱莉，那個兒時閱讀能力就很強的閱讀者。前一章已經介紹過預測她平均績點的正確方法。我在前一章中還為連續兩天打高爾夫球的例子以及體重和彈鋼琴的例子分別寫了一個原理公式，在這裡我也要為閱讀年齡和大學成績的決定因素寫一個公式：

閱讀年齡=共同因素+決定閱讀年齡的特殊因素=100%

平均績點=共同因素+決定平均績點的特殊因素=100%

共同因素包括由遺傳決定的潛能、家庭支持學業的程度，以及能夠造成人們在孩童時期成為出色的閱讀者、青年時期又在學術上有所建樹的所有其他因素。當然，許多因素只會影響到其中的某個結果，卻不會對其他結果產生影響。朱莉可能是因為父母對她期望過高強迫女兒讀書才這麼早學會閱讀的，也有可能因為一段不愉快的感情經歷，她的大學成績才那麼糟糕，還可能在少年時滑雪出了事故導致腦部輕微受損等。

回想一下上面兩個測量公式的關聯，即當前閱讀年齡和平均績點這兩個公式，你會發現兩者所考慮的共同因素在決定因素中所占的比例是一樣的。你對這個比例能作出的最貼近的估測是多少？我給出的答案是最多30%。有了這個估測，我們就完全有條件作出不帶偏見的預測了。按照以下4個簡單步驟來做，我們就可以進行無偏見預測：

1.先估測出平均績點的平均值。

2.根據你對證據的印象算出與之相匹配的平均績點。

3.對你的證據和平均績點的關聯作出估計。

4.如果關聯度是0.3，則從估算出的平均績點的平均值中抽出30%，放到與之匹配的平均績點裡。

步驟1為你提供了基準線，即在你除了知道朱莉是個快畢業的大學生之外什麼也不知道的情況下，預測她的平均績點。在沒有信息的情況下，你很有可能預測其為一般水平。（這一點與你對湯姆的預測相似，在對他一無所知的情況下，你便將企業管理專業畢業生的基礎比率放在了他的身上。）步驟2是你的直覺性預測，這個預測將你的估計和證據進行了匹配。步驟3使你離開基準線靠向自己的直覺，但你能離開的距離取決於你對關聯性的估測。在步驟4中，儘管你最終作出的預測還是受到了直覺的影響，但是這個影響力已經小很多了。

這種預測方法很常見。在你需要預測一個定量數值時，就可以運用這個方法，例如在預測平均績點、投資效益、公司發展的業績時，這個方法就可以派上用場。這個方法以你的直覺為基礎，但是削弱了直覺的影響，使它回歸到平均值上了。當你有充分的理由對自己的直覺性預測的準確性充滿信心時，即證據和預測之間聯繫非常緊密，進行調整的餘地就會很小。

直覺性預測需要校正是由於它並不具有回歸性，因此是帶有偏見的。假設我預測每一位高爾夫球員在一場錦標賽上第二天的得分與第一天的得分相同，那麼這個預測並沒有考慮到回歸平均值的問題：第一天發揮得好的高爾夫球員第二天比賽時水平都會有所下降，而那些頭天狀態不佳的球員則大多會在第二天有所提高。當我們最後將預測值與實際結果進行比較時，我們會發現，缺失回歸性的直覺確實帶有偏見。

這些預測普遍對第一天發揮得好的人過於樂觀，對開始就發揮得不怎麼樣的人則過於悲觀。預測與證據一樣極端。同樣，如果不使預測回歸到平均值上來，而是根據兒童時期的成就來預測其大學時期的分數，那麼你多半會對孩提時代閱讀能力強的人在大學時代取得的學術成績頗感失望，而那些較晚開始閱讀的孩子的大學成績反而會給你帶來驚喜。修正過的直覺性預測消除了這些偏見，所以預測（過高或過低）高估真實值或低估真實值的可能性大致是相等的。當你不帶偏見地預測時仍然會犯錯，但這時的錯誤較小，也不會導致過高或過低的估值。

 

兩位教授候選人，應該選擇哪一位？

前文中，我向大家介紹了湯姆的情況，用以說明不連續結果的預測問題，比如對其所屬的專業領域或者一次考試的成功概率進行的預測，這些預測是通過評估某一特定事件的可能性（或者按照結果出現的可能性大小排序）來表達的。我還曾描述過抵制不連續預測中的常見偏見的步驟，比如忽略基礎比率，對信息的優劣不敏感。

有些預測偏見是通過一個數值範圍來表達的，例如某學生的平均績點或某公司的收益，這些偏見與我們在判斷結果的可能性的過程中所持偏見相似，而兩種偏見的修正過程也十分相似：

·都包含一種基準線預測，如果你對手頭這個案例的情況一無所知，便會作出這種預測。在絕對的情況下，這個基準線是基礎比率；在有數字的情況下，這個基準線就是相關結果的平均值。

·都包含一種直覺預測，無論是可能性或是平均績點，這種預測會將呈現在大腦中的數值通通表達出來。

·在上述兩種情況中，你的目的都是要作出一種預測，這種預測可在基礎比率和直覺性反應之間充當媒介。

·在沒有什麼有價值的信息的情況下，你會堅守基準線。

·在其他極端情況下，你還會堅守自己最初的預測。當然，只有在對支持自己最初預測的證據進行過嚴格驗證之後，你才會信心十足地堅持那個預測。

·在大多數情況下，你會發現自己有理由懷疑自己的直覺判斷和真理之間的關聯其實並不完美，而你最終會給出介於兩者之間的判斷。

這個過程很接近一個恰當的統計分析可能會出現的結果。如果成功的話，這個過程就會使你作出的預測偏見越來越少，作出的可能性評估越來越合理，對各種數值作出的預測也越來越適度。前述兩個過程意在解決同一種偏見，即直覺性預測總是過於自信或過於極端。

修正你的直覺性預測的偏見是系統2的任務。要想找到相關的參照物、對基準預測作出估測或者對證據的質量進行評估，往往需要付出很大的努力。只有在風險很高而你又特別渴望避免犯錯誤時，這種努力才顯得合乎情理。此外，你應該知道糾正你的直覺也許會使你的生活變得複雜。無偏見預測的一個特徵就是，只有在信息非常有效時才允許人們對罕見或極端的事件作出預測。如果你期待自己作出恰當有效的預測，那麼你的預測結果就永遠不會太離譜或者偏離平均值太多。而如果你的預測不存在偏見，你也就永遠不會有極端事件的「愉快體驗」了。當你在法學院最得意的學生成為最高法院的法官時，或者當你曾經很看好的那家新成立的公司成為商界新秀時，你永遠不會說「我早就知道會這樣」。如果信息量有限，你也無法預測到一個出色的高中生會成為普林斯頓大學的優等生；同理，一個風險資本家永遠不會認為新創立的公司在起步階段時成功的概率會「很高」。

一定要嚴肅對待那些反對適度的直覺性預測原則的意見，因為擺脫偏見並非總是頭等大事。如果不問具體情況，對所有預測的錯誤都同樣對待，那麼對無偏見預測的偏愛就是合理的了。然而總有那麼一些時候，一種錯誤比另一種錯誤更糟糕。若一位風險投資家只為尋找「下一件大事」，那麼他錯過下一個谷歌或臉譜網的風險就會遠遠大於對剛剛創立的公司（最終破產）進行適度投資帶來的風險。風險投資家的目標是正確判斷極端情況，甚至以高估其他許多風險為代價也在所不惜。對於借出大筆貸款的保守銀行家來說，某一位借款人破產帶來的風險會比拒絕幾位可能會履行債務的潛在客戶帶來的風險更大。在這種情況下，即使作出這些判斷所依據的信息效度只是適中，使用極端的語言（「前景非常好」，「違約的嚴峻風險」）也可能會為其帶來舒適感。

對於一個理性的人來說，無偏見且適度的預測不應該引發問題。畢竟一個理性的風險投資家知道，即便是最有前景的新建公司，其成功概率也只是中等水平而已。她將自己的工作視為從所有賭注中找到的前景最好的賭注，而且關於要投資的那家新建公司的發展前景問題，她覺得沒有必要欺騙自己。同樣，預測某家公司收益的理性個體不會受到某個數字的束縛—他們應該考慮到最有可能出現的那個結果的不確定性。如果成功的回報足夠大，一個理性的人就會考慮向一家極有可能倒閉的企業投資一大筆錢，而不會自欺欺人地抬高其成功概率。然而，我們並不都是理性的，我們中的一些人也許還需要歪曲判斷作為保護來掩蓋自己的無能為力。如果選擇接受極端的預測來蒙蔽自己，你就會清楚地意識到自己對自己的縱容。

也許我提出來的那幾個修正步驟最難能可貴的貢獻就是這些步驟會要求你思考自己對事情到底了解多少。接下來我會運用一個學術界盡人皆知的例子，其他生活領域中的例子亦可依此類推。一個部門要雇用一位年輕的教授，他們希望這位教授未來的學術能力能夠達到最高水平。該部門的調查委員會最後將候選人圈定為兩個：

金最近完成了畢業設計。她的推薦信中都是對她的溢美之詞，而且面試時她說得也很好，給在場的每個人都留下了深刻的印象。不過她沒有什麼實質性的科研成果。

簡經過過去3年的學習取得了博士後頭銜，學術成果頗豐，研究也做得非常出色，但她在面試時表現得不如金出色。

我們直覺會選擇金，因為她給人的印象更深刻，而且眼見即為事實。但與簡的信息相比，金的相關信息則少很多。我們可以回想一下小數原則。事實上，你從關於金的描述中得到的信息樣本比簡的要小，而且在小樣本中更容易發現極端的結果。小樣本的結果往往有更多的運氣成分，因此在判斷金將來的表現時，更應該回歸平均值。若覺得金更有可能退步，最終你就會選擇簡，儘管你對她的印象並不深刻。如果按照學術能力來選人，我會投給簡一票，但我得先努力克服自己對金的直覺印象—金更有希望。跟着我們的直覺走比違背直覺感覺更自然、更親切。

你很容易就能想象出不同情境下的相似問題，例如某位風險投資家要在位於不同市場中的兩家新建公司之中選出一家進行投資，他可以相當精確地預估其中一家公司的產品需求量，而另一家是一派欣欣向榮的景象，讓人覺得更有希望，但其發展前景卻並不是很確定。如果把這種不確定因素考慮在內的話，你對第二家公司前景的最佳猜測是否還會優於第一家公司呢？這個問題值得認真思考。信息不足時，極端預測和預測罕見事情的願意都源於系統1。聯想機制會很自然地將極端預測和作出這些極端預測所依據的可察覺的信息極端性匹配在一起—這也正是替代的運行機制。而且系統1形成過於自信的判斷也是正常的，因為自信是由你根據可得信息提煉出來的最合理故事的連貫程度決定的，這一點我們都明白。但要注意：你的直覺會產生極端預測，而你也很容易對這種極端信心滿滿。

回歸性也是系統2的一個問題。回歸平均值這一概念很新奇，溝通和理解皆非易事。高爾頓在弄懂這一概念之前也頗費了一番心思。很多統計學老師在講到這一問題時，心中也很沒底，學生們最後對這個重要概念也是似懂非懂，只有個很模糊的概念。這個例子說明系統2需要經過特殊訓練。將預測和信息匹配起來不僅是我們的直覺行為，這樣做似乎也是很合理的。我們無法根據經驗理解回歸性。即使我們對回歸性已經有了明確認識—就像我們在飛行教練員的故事中看到的那樣—也只會用因果關係來解釋這一特性，而這個解釋往往又是錯的。

示例—直覺性預測
「那家新成立的公司已經深入人心了，但我們不能指望他們將來也能做得這麼好。他們的營銷之路很長，回歸的空間也很大。」
「我們的直覺性預測的確令人鼓舞，但這個預測可能離現實太遠了，還是讓我們再看看手中的信息資料，讓預測回歸到平均狀態吧。」
「即使這次投資極有可能失敗，我們還是覺得這項投資可能是個不錯的想法。咱們還是別說什麼這就是下一個谷歌這樣的話吧。」
「我讀過關於那個品牌的一篇評論，評價極高，然而這很可能只是僥倖成功。我們應該這樣想：對這個品牌的評論很多，而我們看到的這個正巧是評價最高的。」