思考，快与慢
本周《Thinking Fast and Slow》的读书笔记
CH17. REGRESSION TO THE MEAN
An important principle of skill training: rewards for improved performance work better than punishment of mistakes.
这一章主要是对于统计学上“回归均值”的讲述。卡尼曼以他给以色列空军教授飞行指导的经历为例，讲述人们常见的对于“回归均值”的误解。他给军方教练员的意见是：“在提升学员技能方面，取得进步后的表扬远比犯错后的惩罚有效。”
但他的这一观点却受到了飞行教练的质疑，他们指出每当他们表扬某一个在训练中表现出色的学员后，这个学员下一次的表现往往会比这一次差；而每当他们训斥那些出错的学员后，他们在下一次就会表现的比较好。实际观察得出的结论同卡尼曼给出的建议正相反，究竟要听谁的？
Poor performance was typically followed by improvement and good performance by deterioration, without any help from either praise or punishment.
卡尼曼当即带着教练员们做了一个实验，他在地上画了一个圈，然后让每一位教练员背对着圈，在一定距离外向圈内投硬币，每人有两次机会。当所有人都投完后，卡尼曼将两次投掷收集的数据按硬币同画圈的目标点之间距离进行排序，完全投入圈内是最优，离圈越远则越差。将两组数据对比后可以发现，在第一次投掷中成绩非常好的人，第二次投掷的成绩平均都没有第一次好；而在第一次投掷中失误较大的人，其第二次的成绩往往好于第一次。这一种现象，我们就称为“回归均值”，这跟是否收到表扬或批评毫无关系。
Our mind is strongly biased toward causal explanations and does not deal well with “mere statistics”. When our attention is called to an event, associative memory will look for its cause —more precisely, activation will automatically spread to any cause that is already stored in memory. Causal explanations will be evoked when regression to the mean has an explanation but does not have a cause.
我们的头脑对于有因果关系的解释是有倾向性的，反而是对于存粹数据的内容较无感。当我们注意到一件事时，我们的联想记忆会开始搜寻造成这一事件的原因。更确切的说，是自动去找寻记忆中最容易找到的任何一种原因。对于这类并非任何原因造成的”回归均值“的事件，我们的大脑倾向于自动补全这其中的因果关系。
英国统计学家弗朗西斯-高尔顿在1889年的时候提出过“高尔顿定律”（Galton’s law），研究的是父母与后代身高之间的关系。对于身材较高的父母，他们的孩子也会比较高，但这些孩子的平均身高并没有他们父母的平均身高高；而身材较矮的父母，他们的孩子也比较矮，但这些孩子的平均身高却比他们父母的平均身高高。这种后代的身高向中间值靠近的趋势也就是本书中提到的“回归均值”效应。
CH. 18 TAMING INTUITIVE PREDICTIONS
some intuitions draw primarily on skill and expertise acquired by repeated experience. Other intuitions, which are sometimes subjectively indistinguishable from the first, arise from the operation of heuristics that often substitute an easy question for the harder one that was asked. Of course, many judgments, especially in the professional domain, are influenced by a combination of analysis and intuition.
本章讲的是如何来矫正我们用直觉预测的结果。卡尼曼讲到在我们做出预测判断的时候，一般会有三种判断过程。一些预判是经过精确的计算、对观察对象的周密分析而得出的，这主要是系统2的作用。还有一些预判则主要是由系统1来主导完成的，而这其中又分成两类。一类是指用专业知识和技能做出的预判，这些专业知识和技能的形成靠的是大量的、重复的实践和练习，比如象棋大师看一眼棋盘就知道下一步怎么走，修车老师傅凭声音就能知道车子哪里出了问题。还有一类主观看起来和前一种没什么区别，但实际上是用回答简单问题来代替复杂问题的方式做出预判。当然在很多情况下，尤其是在专业领域，人们的预判多是这三种判断过程的结合。
People are asked for a prediction but they substitute an evaluation of the evidence, without noticing that the question they answer is not the one they were asked. This process is guaranteed to generate predictions that are systematically biased; they completely ignore regression to the mean.
卡尼曼和他的搭档做了一个实验，在实验中他们让实验参与者根据一份对八位大一新生的评估报告来做判断，这份报告是由辅导员根据学生们入校前的面试表现写成的，包含对于智力水平、自信程度、努力程度、好学程度等方面的评估，评估标准为好、较好、差、一般等。第一组参与者们被要求回答从这份报告中能否预测这些学生们今后的学术能力如何。还有一组参与者被要求回答能否预测下这些学生今后几年在年级中学习成绩排名如何。
要回答第一组问题，参与者需要将自身对于好坏的定义标准同辅导员对好坏的定义标准做比较，在辅导员的评估基础上进行评估结果的上下浮动，从而得出个人对于学生今后学术能力的预判。而要回答第二个问题，则参与者起码要知道这些学生们第一学期的成绩，再来对大学四年的学习情况做出预测。
虽然这两个问题的解答思路并不同，可第二组参与者会将这两个问题看成是同一个问题，都采用第一个问题的解题思路来回答。之所以会是这样的结果，是因为人们自然地将对证据的评估行为当成了预测，无意识地忽略了样本中的“回归均值”现象。
可能你会说针对这个实验的情况，参与者的预测不会造成什么实际意义上的损失，这就跟我们常说的“三岁看老，七岁看大”类似，只是一种无伤大雅的评估而已。但若是你的预测会对实际生活或工作产生直接影响时，该怎么办？来看看下面这个例子。
Kim recently completed her graduate work. Her recommendations are spectacular and she gave a brilliant talk and impressed everyone in her interviews. She has no substantial track record of scientific productivity.
Jane has held a postdoctoral position for the last three years. She has been very productive and her reasearch record is excellent, but her talk and interviews were less sparkling than kim's.
一所大学要招聘一位新教授，目前最终的两位竞争者是Kim和Jane，如果你是招聘组的一员，你会选择谁？为什么？
从所列出的情况看，候选人Kim的推荐信和面试情况都远好于Jane，可她刚毕业而且科研成果比较少。而Jane成为博士后已经三年了，她的科研工作也一直很出色和多产，只是在言谈和面试上相较Kim稍有不足。
一般来说，你的第一直觉会选择Kim，因为她很容易给你留下深刻的印象。可还记得“小数定律”吗？你从Kim那儿获得的样本信息少于从Jane那儿获得的（Jane有三年长的工作情况），样本数据越少，越容易观察到“极值”情况，所以你应当尽可能的缩减你对于Kim未来工作表现的预期。而当你缩减了对Kim的未来表现预期后，你更应该选择Jane。
不仅仅是在招聘中，投资上也是同样的，当你面对两家公司，一家刚成立不久，但当下业绩闪亮；另一家成立时间较长，业绩稍逊色于前一家，你怎么选择？这一类的预测其实是需要一些反人性的勇气的，因为系统1已经帮你做了选择，而你偏偏要刻意调动系统2来推翻自己的直觉，回归理性。
网友评论