Thinking, Fast and Slow-Ch16-18：

阅读进度：（Part II finished）
Ch 16：Causes trump statistics
Ch 17：Regression to the Mean
Ch 18：Taming intuitive predictions

Statistical base rate — 统计学基础比率

某一事件所属类别的比率，和个体事件无关；facts about a population to which a case belongs, but they are not relevant to the individual case.

Causal base rate — 因果关系基础比率

会改变对单个事件的判断；change your view of how the individual case came to be.

通过出租车实验，我们可以很清楚的发现，我们的大脑在判断概率时，会不自觉的低估甚至忽视统计学基础比率，但对于因果关系的基础比率，则会很自然的将其视为个体事件的相关信息进行考量判断，但也因此容易出现 “思维定式” 的情况。比如该实验中的前提，“绿色出租车的事故率是 85%”，很容易让系统 1 产生 “开绿色出租车的司机都很危险” 这种思维定式，从而影响后续事件的客观分析与判断。

Stereotype — 思维定式

statements about the group that are accepted as facts about every member. 指的是我们会将对某个团体的看法推及到团体里的每一个成员，比如我们会因为一个城市的印象，而推断该城市的每个居民都是如此印象。

helping experiment （帮助实验） ==》旁观者效应（责任分散效应）

社会心理学家 Richard Nisbett 和 学生 Eugene Borgida 的 helping experiment，告诉我们一个连我们自己都很不愿意相信的有关人性的事实：

当紧急情况发生时，越是有旁观者在场，我们越不会主动提出帮助，因为大家都认为其他人会提供帮助，不差自己一个……

所以建议作法是：
当我们看到有他人需要救助时，作为旁观者的一员，我们除了积极上前提供帮助外，还可以适当的招呼其他旁观者帮忙，不要光想着等别人来做；若我们自己不幸成为需要救助的那个人，那么我们呼救时一定要具体到某个人……

同样的，推及到工作生活中，当我们在分派任务时，也一定要记得 “责任到人”，否则也极有可能出现 “三个和尚没水喝” 的情况。

此外，这个实验还推导出：我们的大脑不大乐意接受普遍现象里的特殊性，正如我们倾向于从特殊现象中归纳出普遍规律一样。Subject’s unwillingness to deduce the particular from the general was matched only by their willingness to infer the general from the particular.

Regression to the Mean — 回归平均值现象

19世纪英国学者 Francis Galton 发现并命名了这一现象。

这是最近阅读过程中收获到的一个最为意外的概念，长期以来我们都认为说，对表现不好的现象进行责备或者惩罚后，接下来就会有改善，这是因为惩罚促使他们反省，从而进步。但是作者在本书里通过一系列的例子，结合统计学的理论告诉我们，这一切其实不过是 “回归平均值现象”。也就是说，表现特别好或者特别差的极端现象，转天，或者转几天，总会慢慢向平均值（表现尚可）靠近，和我们认为的表扬后骄傲或者惩罚后奋进，并没有必然的因果关系。

嗯，这是个相当颠覆的想法，和我们长久以来的认知十分不符，尽管作者在书里举了不少的例子，也很有说服力，但我还是存有疑虑，估计是颠覆性太大了。但不管怎样，大脑里已经存了这个说法，可以提醒自己在今后的生活中多加留意观察，或者有机会时也可以小 “试验” 看看，比如管理者可以试在对表现不好的员工身上，比如父母可以试在表现不好的子女身上，比如老师可以试在表现不好的学生身上…….

correlation coefficient — 相关系数

指的是两个值共有因素的相对比重，通常在 0 和 1 之间浮动 the correlation coefficient between two measures, which varies between 0 and 1, is a measure of the relative weight of the factors they share.

intuitive prediction — 直觉性预测

生活中免不了对各类事件进行预测，对于某专业领域，比如象棋高手、火场指挥员、内科医生的病因诊断等，系统 1 可以凭借长期刻意练习出来的技能和经验，快速得出当下问题的解决方案，这种经验性直觉（skilled intuitive）基本上还是靠谱的。

但更多时候，我们会不自主的出现直觉性预测偏离错误（nonregressive intuitive），主要是在于系统 1 容易受表面证据影响，忽略统计学中的基础比率，以及没有考虑到回归平均值的情况。

那么，有没有什么办法可以自我调整，尽可能作出无偏见预测呢？

本书作者举例，一名州立大学的大四学生 Julie，四岁时就能流利阅读。请问她的大学 GPA 分数会是多少？

image.png

总结了如何尽可能作出无偏见预测的四步骤：

1，基准线预测（baseline prediction）：忽略掉其他的信息，只单纯的预测，一般情况下，一名大四学生的 GPA 平均分数最有可能是多少？（假设答案是 A）

2，直觉性预测（intuitive prediction）：根据给出的证据信息（不同于一般情况下的特殊信息），系统 1 直觉反应的答案；（假设答案是 B）

3，评估这两者之间的相关系数（estimate the correlation between evidence and baseline），系数范围在 0-1 之间；

4，假设所评估的相关系数是 0.3，那么最后的预测分数是：A+B*0.3

所有的预测都不可能百分百准确，但通过这种方式，可以一定程度上减轻我们的直觉反应，尽可能回归到平均值上，得出合理的可能性评估。

提及书目：

Judgment in Managerial Decision Making— Max Bazerman《管理决策中的判断》

Source of Power — Gary Klein《力量的源泉》