第二部分对判断启发法做了更新
探索了一个难题:为什么很难具备统计型思维
一、大数法则与小数定律
大数定律又称大数法则、大数律,是描述相当多次数重复实验的结果的定律。根据这个定律知道,样本数量越多,则其平均就越趋近于期望值。大数定律很重要,因为它“保证”了一些随机事件的均值的长期稳定性。人们发现,在重复试验中,随着试验次数的增加,事件发生的频率趋于一个稳定值。
小数定律:大多数人在判断不确定事件发生的概率时,往往会违背概率理论中的大数定律,而不由自主地使用“小数定律”,即滥用“典型事件”,忘记“基本概率”。小数定律是人有把从大样本中得到的结论错误地移植到小样本中的倾向。
从统计学角度来说:大样本比小样本更精确,小样本比大样本产生极端结果的概率大。
那么,为什么人在判断不确定时间发生时会产生小数定律呢?
系统1非常擅长一种思维模式——自动且毫不费力地识别事物之间的因果关系,即使有时这种关系根本不存在,它也会这样认定。当系统1面对“纯统计学”的数据时是束手无策的,因为这些数据可以改变结果出现的概率,却不能直接导致结果的发生。
由于系统1不善于质疑,它抑制了不明确的信息,不由自主地将信息处理得尽可能连贯。除非该信息被立刻否定,不然,它引发的联想就会扩散开来,联想机制会搜寻原因,仿佛这条信息就是千真万确的。系统2能够提出质疑,因为它可以同时包含不相容的多种可能性。然而,保持这种质疑会不知不觉相信其真实性更加困难。小数定律是普遍性偏见的一种表现,即对事物的信任多于质疑。我们常常夸大所见事物的相容性和连贯性。系统1在了解事实之前就根据零散的证据拼凑了一个饱满的形象。如果相信小数定律,急于下结论的机制就会运作起来。它会构建一个言之成理的说法是你相信自己的直觉判断。
在统计规则方面,我们面对的困难是这些规则要求使用不同方法处理问题。依据统计学观点,我们不应该关注当前事件的成因,而应当关注其未来的走向。随机事件的发生并没有什么特殊原因,一切只是机缘。因为系统1偏好进行因果思考,我们在估计真实的随机事件的随机性时就会犯严重的错误。
二、锚定效应
锚定效应:人们在对某一未知量的特殊价值进行评估之前,总会事先对这个量进行一番考量,此时锚定效应就会发生。而估测的结果和人们思考的结果很相近,就好比沉入海底的锚一样。系统1和系统2都会产生锚定效应,系统1的锚定效应是由启发效应产生的,系统2的锚定效应是在刻意调整时发生的。
1.刻意调整时发生锚定效应
在我们思考时,脑海中出现了锚定数字,然后估测它是高是低,接着让大脑从锚定数值上“转移”并逐渐调整估值。调整是一项需要付出努力的活动,调整通常会提前结束,调整就是刻意去寻找离开锚定数字的理由。调整不足是软弱或懒惰的系统2的一种失误。
2.启动效应引起的锚定效应
暗示就是一种锚定效应,暗示即一种启动效应。当受到暗示时,系统1就会试图建立一个将锚定数字视为真实数值的世界。这是与第一部分描述联想一致性的性的一种表现。通过第一部分我们知道任何启发都会唤起与之相应的信息,暗示和锚定效应都通过相同的系统1的自主运行得到了解释。
锚定效应使我们更加了解系统1和系统2之间的关系,系统2从记忆中提取数据进行加工,并由系统1进行自主的、无意识的运行,因此很容易收到锚定效应的影响,而这种影响会使某些信息更容易让人回想起来。系统2对这种影响一无所知、也无法控制。
锚定效应无处不在,产生锚定效应的心理机制致使我们比自己预想的更容易受影响。有些人也会可以利用我们的轻信,例如,为什么限量购买是一种有效的营销策略,商讨房价时先说出价格的一方占优势,锚定效应对公共政策问题也会有影响。
如何抵制在谈判中受锚定效应的影响?集中注意力搜寻大脑记忆,激活系统2来抵制锚定效应。
三、可得性启发法
可得性启发法:通过“实例呈现在脑中的轻松程度”来判断概率的过程。与判断启发法一样,可得性启发法就是用一个问题替代另一个问题:你希望估测某一事件的(发生)概率,但你却会提到自己想到相关的实例的轻松程度。而问题的替代必然会产生系统性错误。
可得性启发造成的偏见在生活中随处可见,可得性偏见还会影响我们对自己或他人的看法。例如,在团队中,成员感觉自己做的事超出了自己的分内工作,而其他人并不感激自己作出的贡献。虽然时刻保持警惕是件累人的事,但由此避免一个代价高昂的错误,这个付出还是值得的。实验表明,意识到自己的偏见有利于人际关系融洽。每个人都应该牢记:你做的事情偶尔会超出自己的分内事,但你应该知道,当你有可能有这种感觉的时候,你团队里每个人也有可能有同感。
四、情绪启发
在生活中我们会发现,不同寻常的事件会格外引人注意,人们常会低估此类事件的发生概率。例如,中风致死的数量几乎是所有意外事故致死总数的2倍,但是80%的人却判断意外事故致死的可能性更大。因为媒体往往报道的都是新鲜尖锐的事件。
我们脑海中的世界并不是真实世界的准确反映,我们对事件发生频率的估测也会受到自己接触这些信息的频率与个人情感强烈程度等因素的影响。人们想到不同风险的轻松程度与其对这些风险的情感反应是紧密相连的。人们在做决策时会受情绪的影响,在生活中人们形成的观点和作出的选择直接表达出起情感和取舍的基本倾向,而这些行为完全是在毫无意识的情况下作出的。
情绪启发是替代的一种,即将简单问题(我对它感觉如何)的答案当做较难问题(我对它评价如何)的答案。情绪启发是通过创造一个比现实更明了的世界来简化我们的生活,所有的决策在这里都变得简单。
五、效用层叠
效用层叠:即集体信念形成的自我增强过程。经由该过程表示的认知触发一连串的反应。它通过在公共话语中增强影响效用而增强此感知的合理性。
效用层叠是一连串自持事件,它可能开始于对相对次要事件的媒体报道,然后引起公众恐慌和大规模的政府行动。有些情况下,关于某一风险的媒体报道能抓住部分公众的注意力,这部分注意力进而会变成激愤和焦虑。这种情感反应本身又会推动媒体跟进报道,继而产生更大的焦虑,波及面也广。这个循环有时候会被不怀好意的人或者组织刻意操纵而加速运行。
我们的大脑解决小风险的能力有一个基本限度:我们要么完全忽视风险,要么过于重视风险,没有中间地带,这个模式也叫概率忽视。概率忽视和效用层叠两种社会机制的组合必然会导致对小威胁的夸大,有时还会引发严重后果。概率忽视和效用层叠间的不同在于两种发现的可得性和呈现到脑中的轻松度和概率。
六、典型性启发与基础比率
实验:根据对汤姆的描述,预测他与某个专业典型学生的相似度
在这个实验中,替换起了很大的作用,因为有关于概率的问题很难回答,而相似性的问题比较简单,问题就被替换了。相似性和概率的判断所遵守的并不是同一个逻辑规律。对非统计学家和逻辑学家的人来说,概率是一个相对模糊的概念,与不确定性、倾向性、貌似正确以及出乎意料等词紧密相关。关于概率或可能性的问题引起了思维的发散性,让人想起比较简单的问题答案。其中一个简单的答案就是对典型(代表性)的自动评估。
典型性启发的优点是它所带来的初始印象通常比乱猜一气更为精确。而典型性启发也会带来偏误,尤其会使人们忽略基础比率信息,找错预测方向。典型性启发的两宗罪:
1.过于喜爱预测不可能发生(低基础率的)事件。
例子:如果你看见地铁里阅读《纽约时报》,下面哪种情况与读报者更吻合?
他有博士学位
他没有大学文凭
典型性会告诉你应该选第二个选项,但是从基础比率来看,地铁里更多的是没有大学文凭的人,而不是有博士学位的人。
2.它对证据质量不够敏感,因为系统1的眼见为实的原则。
所以避免犯这总错误,应该让基础比率在预测时起主导作用。使用贝叶斯定理可以让你能避免典型性启发带来的偏误:
1)以相对合理的基础比率对结果的可能性作出判断
2)质疑你对证据的分析
七、少即是多
琳达,31岁,单身,一位直率又聪明的女士,主修哲学。在学生时代,她就对歧视问题和社会公正问题较为关心,还参加了反核示威游行。
下面哪种可能性更大?
琳达是银行出纳
琳达是银行出纳,同时她还是个女权主义者
通过直接比较,人们总会认为两个事件(在此即为银行出纳和女权主义者)的联合出现比只出现其中一件事(银行出纳)的可能性要大,这就是“合取谬误”。
如果我们用概率逻辑来看,热衷女权主义的银行出纳的集合,包含在银行出纳的集合之中,因为热衷女权的银行出纳本身就是个银行出纳,因此,琳达是银行出纳的可能性应该更大。但是这题使典型性直觉和概率逻辑两者对立起来。典型性属于一连串可能同时发生且联系紧密的基本评估,最具典型性的结果与特性描述结合在一起就会生成最有条理的信息。而这些最具条理的信息却不一定就是可能性最大的,但它们“貌似正确”,稍有不慎,严重影响我们的判断结果。
人们对更详细,更丰富的描述作出的概率判断更高,即使它们概率更低。
八、因果关系胜过统计概率
统计概率是指某一件事所属类别的事实总量,与单独事件无关,而因果关系则会改变人们对单独事件的看法。人们往往会区别对待它们:
统计学概率普遍受到轻视,当人们手头有与该事件相关的具体信息时,还会完全忽略它,如上面提到的琳达的问题。
因果关系被视为个别事件的信息,人们很容易将它与其他具体事件的信息结合起来考虑问题。
在因果关系里少不了思维定式,思维定式是指人们会(至少暂时会)将自己对某个团体的看法延伸到这个团体中每个成员身上(团体存在某些问题,其中的成员无一例外也都会有问题)。想想现在常说的“刻板印象”和“地图炮”,以偏概全就是思维定式。
那么思维定式是怎么形成的呢?
系统1的基本特征之一就是它代表了范畴规范和原型范例。这样的规范和范例决定了我们怎么看待事物,因为我们会在记忆里储存与所有这些范畴的事物或人相关的一个或者多个“规范的”典型形象。当这些范畴具有社会性时,这些典型形象就会被称为思维定式。不管是对是错,思维定式都是我们对不同范畴事物的看法。
九、回归平均值
只要两个数值之间的相关度不高,就会出现回归平均值的现象。例如:聪明的女人常常会嫁给不如她们聪明的男人。我们都知道夫妻二人智商之间的相关度并不是绝对的。从数学上来讲,这一现象在正常不过了。
我们的思维常会对因果关系的解释带有强烈的偏见,而且极不善于处理统计数据。当我们把注意力集中在某件事上时,相关的记忆就开始探寻其原因,我们会对所有早已存在于记忆中的原因进行自动搜索。当发现有回归效应时,因果关系解释就会被激活,但事实上这些解释都是不对的,因为回归平均值虽然可以用来解释现象,却无法找出其中原因。
我们理解“回归”概念存在很多困难,这些困难皆源自两个系统,若无特别说明,“相关”和“回归”的关系还是相当模糊的,因此系统2认为理解这种关系很难。因为我们总是要求对事物进行因果关系的解释。
想想为什么要做对照组实验和双盲实验,原因也在此。
十、如何让直觉性预测更恰当有效?
1.先给出自己的估测值(基准线,在没有信息的情况下,很有可能预测其为一般水平)
2.将估计与证据进行匹配,给出直觉性预测
3.对证据和自己的估值的关联性作出估计
4.根据关联度调整估测值
(这里不是很明白,记下来,往后看先~)
网友评论