本页目录

公式为什么几乎总是赢：概率校准和决策卫生的矫正逻辑

线性模型优势不是特例，是系统性规律

1954年，心理学家保罗·米尔做了一件当时得罪了整个临床心理学界的事：他系统比较了专家的直觉判断和简单统计公式的预测准确度。结果是公式赢了。不是在某个特定领域赢了——是在几乎所有被测试的领域都赢了。

后续数十年，研究者在超过一百个领域重复了这个比较：犯罪再犯预测、疾病诊断、学术表现预测、企业破产预测、葡萄酒品质评分。结论一致——把几个关键变量用简单的线性公式加权求和，准确度等于甚至优于领域内最有经验的专家。

这个发现的颠覆性在于：公式赢的原因不是公式有多好，而是人类直觉有系统性弱点。专家在整合多个维度的信息时，会被最近看到的案例影响权重、会被第一印象锚定、会在不同维度之间做不一致的权衡。公式不会。公式每次用同样的权重处理同样的信息。

一致性，而不是天才，是预测准确度的最大来源。

知道公式能赢直觉，但还需要知道直觉具体错在哪里。黑斯蒂和道斯梳理了判断偏差的主要类型，每一种都对应一个可识别的认知操作：

可得性启发式——用"能想起来多少"替代"实际发生了多少"。越容易想起来的事件，被判断为越常见。新闻头条里反复出现的风险被高估，统计数据里沉默的风险被低估。

代表性启发式——用"像不像"替代"概率是多少"。一个人的描述听起来像工程师，就被判断为大概率是工程师——即使工程师在总人口中只占2%。

锚定效应——先接触到的数字会拉偏后续判断，即使那个数字和判断完全无关。谈判中先报价的一方设定了锚点，后续的讨价还价都围绕那个数字上下浮动。

过度自信——主观确定感系统性地高于客观准确率。

这些不是随机的认知噪音。它们的方向是可预测的。知道偏差方向，就知道该往哪个方向矫正。

黑斯蒂和道斯的矫正逻辑和卡尼曼不同。卡尼曼的双系统框架主要是解释机制——"系统1抢跑了，系统2没审查"。黑斯蒂和道斯更关心操作层面：在具体判断任务中，用什么工具可以替代直觉。

核心原则只有一条：当直觉估计和形式化模型不一致时，默认信模型。

这条原则展开成几组具体操作。

概率更新用贝叶斯定理。拿到新证据后，先查基率，再根据证据的诊断力度做调整。不要直接用证据本身的"准确率"替代后验概率。实在不想算公式，至少把问题转换成频率格式。

风险选择用期望效用分析。列出每个选项的可能结果及其概率，算期望值。先做计算，再做决定——不要让"感觉这个更安全"替代数学。

多维评估用线性模型。把评估拆成独立维度，各自打分，加权求和。不要做"综合印象"。

沉没成本的处理更简单：忽略它。

矫正程序本身不难理解，难在执行。

第一个卡点是实时性。偏差发生在判断的瞬间，而矫正动作需要你主动停下来。大多数人在日常判断中不会停——不是因为不知道该停，是因为直觉已经给出了一个"感觉不错"的答案，没有动力再检查。

第二个卡点是情感阻力。沉没成本矫正要求你接受"之前的投入白费了"。过度自信矫正要求你承认"我没那么确定"。框架效应矫正要求你面对"我的偏好原来不是我的"。这些都让人不舒服。

第三个卡点是适用范围。高度结构化、可量化的判断任务（招聘打分、风险评估、诊断预测）是这套矫正程序的最佳射程。但人生中很多重要决定——和谁结婚、住在哪里、要不要换一份完全不同的工作——不太容易被分解成几个维度加权求和。

概率校准和线性模型的力量和限度同出一源：它依赖形式化模型的准确性，而形式化模型依赖可量化的输入。超出可量化边界的决策，矫正程序能提供的帮助有限。