鸿蒙文学网

手机浏览器扫描二维码访问

附录A 不确定性下的判断 启发法和偏见XINshuHaiGe com（第9页）

也就是说，受试者设定的置信区间过小，与他们关于待估量的知识所能证明的相比，反映出了更大的确定性。

经验不足与经验老到的受试者都存在这种偏差，而引入合适的积分规则虽能为外部校准提供刺激，但也不能彻底消除偏差。

这种效应至少部分是因锚定引起的。

例如，为了选择X90作为道琼斯指数，人们会首先想到自己对道琼斯指数最佳的估测，然后将这个数值上调。

如果这个调整和大多数其他调整一样是不充足的，那么X90就不会是极端的。

同样的锚定效应在选择X10时也会发生，这时，人们就会将最佳估测向下调整。

所以，X10到X90之间的置信区间将会太小，而待估量的概率分布就会更紧密。

一种程序能够系统地改变主观概率分布，使最佳估测值不作为初始值，这也支持了这种解释。

某个给定的量（比如道琼斯指数）的主观概率分布可以通过两种不同的方法得以实现：（1）要求受试者选择与自己的概率分布的特定百分位数相符合的道琼斯指数；（2）要求受试者估测出的真实值超过特定数值的概率。

这两种方法在形式上是等同的，因此应该产生相同的分布。

然而，这两种方法体现出的是不同锚定下不同的判断模式。

在方法（1）中，自然的起始点是人们对变量的最佳估测。

此外，在方法（2）中，受试者可能将锚定点定在了问题中给定的数值上。

或者，他可能将锚定定位在相等的概率上，即50–50的概率，因为这是估测可能性通常的起始点。

无论哪种情况，方法（2）得到的概率应该不会像方法（1）那样极端。

为了对比这两种方法，研究人员给一组受试者24个量值（例如从新德里到北京的空中距离），并要求他们在每一个问题上估计X10或X90。

另外一个组的受试者得到的是第一组受试者对24个数值中每个评估结果的中值。

他们被要求评估每个给定的数值超过相应量值的真实值的概率。

在没有任何偏见的干扰下，第二组受试者应该提取出和第一组相同的概率，即9∶1。

然而，如果使用50%的概率或给出的数值作为锚定，第二组的概率也应该更不极端，即接近于1∶1。

事实上，第二组给出的所有问题的概率中值都是3∶1。

当对两组受试者的判断进行外部校准时，发现第一组的受试者太过极端，这与早前的研究结果相符合。

他们估测的发生概率为0.10的事件实际上有24%发生了。

相反，第二组受试者太过保守。

他们认为平均概率为0.34的事件实际发生的概率只有26%。

这些结果说明了校准的程度取决于引导的程序。

讨论

本附录关注的是依赖于判断启发式的认知偏见。

我们不能把这些偏见归因于激励效应，比如一相情愿的想法或是因为报酬和罚款而扭曲的判断。

实际上，尽管受试者被鼓励应尽量准确，而且答案正确的话还能得到奖赏，但还是会犯前面所提到的严重的判断性错误。

对启发式的依赖性以及偏见的普遍存在，并不局限于普通人。

有经验的研究人员在凭直觉进行思考时，同样易于犯偏见的错误。

例如，受过广泛训练的人在进行直觉判断时，也会有在没能充分考虑先验概率的情况下预测最能代表数据的结果这一倾向。

尽管这些研究人员在统计学方面的经验可以使其避免类似于赌徒谬误的基本错误，但他们的直觉性判断还是容易在更为复杂的问题中犯类似的谬误。

类似于代表性和可得性等有用的启发式可以得以保留，即使它们有时会导致预测或估测的错误。

这一点并不会使我们惊奇，而可能会使我们惊奇的是，人们不能从其人生经历中推断出基本的统计学规则，例如回归平均值或是样本大小对样本可变性的影响。

尽管在人的生命历程中，每个人都会遇到许多这样的例子，很少有人能独自发现样本和回归性的原则。

我们不能从每天的经历中学习到统计学的规则，因为相关的例子不能被恰当地解释。

例如，人们不会发现，某文本中连续几行单词的平均词汇长度比连续几页中单词的平均长度变化更大，因为无论是几行或者几页，人们根本就不会注意到单词平均长度的问题。