80小说网

手机浏览器扫描二维码访问

第一章 聪明地效仿（第4页）

在你之后的人同样也知道过去大多数人都更倾向选择餐馆A，并且他们也掌握与几乎所有排队等候的食客（再次强调，除第一名食客外的所有人）完全一致的私有信息，即餐馆B是更优的选择。

但是此时他看到之前的两人（第一名食客和你）都选择了餐馆A，因此尽管其掌握的私有信息倾向于餐馆B，他还是“服从多数”

选择了餐馆A，并且他在做这个决定时甚至比你更加果断，因为他看到了两个人做出同样的选择，而刚才你只有一个人的选择作参考。

这就是信息瀑布，一旦形成，就势不可当，并且自我强化，无须借助外力。

随着越来越多的人选择餐馆A，后续选择餐馆A的人会越来越多，并且他们的选择并非基于丰富的支撑信息储备，而仅是因为其他人做出了这样的选择。

尽管餐馆B实际上是更优的选择，但食客络绎不绝涌进的却是餐馆A。

无论是单看餐馆排队的例子，还是更宽泛地讨论信息瀑布的现象，需要重点指出的是，跟随他人做出类似的决定并不一定是非理性的。

即便你和同伴去餐馆A的选择仅是建立在某种根基脆弱的信息瀑布的基础上，但这并不是一个愚蠢的选择。

事实上考虑到个体所掌握的信息的局限性，这一选择本身是理性符合逻辑的。

为了把握从众行为背后的逻辑本质，苏希尔·比赫昌达尼及其同事借助一个叫贝叶斯定理（Bayes’rule）的数学原理对信息瀑布现象进行了分析诠释。

贝叶斯定理得名于18世纪的数学家托马斯·贝叶斯——一名离经叛道的长老会牧师和虔诚的数学狂热爱好者。

贝叶斯定理解释了我们如何通过观察到的各类信息进行推导，我们依据新的信息修正和更新我们对于某一事件概率的预测。

根据某一时点上掌握的所有信息，我们首先得到一个先验概率（priorprobability），接着我们获取某些新信息，并将该新信息同先验概率结合起来，获得一个对事件概率的最终预测，即后验概率（posteriorprobability）。

尽管其数学推导过程很复杂，但贝叶斯定理的理论和实践应用很广泛。

不仅数学家和统计学家将其应用于日常问题的解决上，而且一些社会科学家、心理学家和经济学家也探索出了应用贝叶斯定理的场景，包括对我们何时选择从众这一问题的研究。

一些经济学家（如比赫昌达尼及其同事）借助贝叶斯定理解释了人们如何在接收到新的信息时修正对某一事件的概率（或预测）：哪间餐馆更好，我应该选哪个宽带上网的套餐，房价是会上涨还是下跌。

在寻找这些问题的答案时，“他人的选择”

作为有价值的信息，与我们已经掌握的私有信息一起，影响我们的最终决定。

既然我们现在对贝叶斯定理有了更加深入的理解，让我们回到刚刚的餐馆选择问题：如何调和不同支撑信息之间的自相矛盾？首先我们有了一个先验概率，即大多数人过去都倾向于餐馆A，但我们从一个美食评论中获取的私有信息和这一点相矛盾，而新获取的信息则是他人对餐馆的选择这一社会信息。

根据贝叶斯定理，我们更新了某一家餐馆优于另一家餐馆的概率的预测，并得到一个后验概率。

在对最初的判断进行重估后，我们将私有信息及社会信息两相比较，权衡之下认定餐馆A应是更优的选择。

如果我们能明确知晓所有人拥有的私有信息，那么我们应该会做出不同的选择，但这一点我们无法做到。

从众的游戏

如果推动和参与其中的人都聪明到使用贝叶斯定理帮助决策，那从众和信息瀑布恐怕就不能称作非理性的现象。

尽管我们现在能确认理性从众理论上是存在的，但我们还是缺乏实践经验以证明从众是理性的行为。

先抛开结果不谈，我们手上到底有哪些证据呢？综观社会科学领域，这个问题没有非黑即白的结论，一些经济学家已经收集到证据，显示从众是理性的；但如我们将在本书下一章中看到的，很多社会科学家也收集到证据显示从众是非理性的。

在本章中我们将专注这些经济学家提供的证据，而在本书之后的章节中，我们将尝试调和经济学家和社会科学家收集到的证据的矛盾之处。

证据之一是对于现实生活中餐馆排队现象的研究。

行为经济学家阿瑟·菲什曼（ArthurFishman）及尤里·格尼茨（UriGneezy）巧妙地设计了一个有关餐馆选择的社会学习过程的自然实验。

他们雇用了一批研究助理观察人们如何在两家快餐店之间进行选择，两家快餐店都位于以色列特拉维夫附近的巴伊兰大学校园旁的露天美食广场。

研究者选取了两个时间段进行观察，以研究随着时间推移，当被观察者有更多机会获取哪家餐馆更好的第一手信息后，社会影响效力的变化。

因为两家快餐店都紧挨着大学校园，菲什曼和格尼茨假定在学年伊始，很大比例的造访食客应该都是刚入学的新生（因此他们对两家餐馆的品质都知之甚少），研究小组先于2009年10月初（巴伊兰大学新学年伊始）共计观察了1324名顾客的行为，接着于2010年4月中旬（巴伊兰大学学年尾声）观察了另外1153名顾客的行为。

菲什曼和格尼茨发现，由于观察时期的不同，两家餐馆外排队食客的人数竟有很大差别。

在10月，两家餐馆中生意好的一家门外的排队人数远超过另一家餐馆，而到了来年4月，两家餐馆外排队的人数已基本持平了，也就是说某家餐馆外是否有很多排队等候的食客已经不会对后来的食客产生影响了。

菲什曼和格尼茨将这个现象归因于社会学习。

如果在10月刚入学时，对两家餐馆还没什么了解的学生食客并不依赖于其他客户的选择进行决策，那么彼时他们就应随机在两家餐馆之间进行选择，而事实上两家餐馆彼时的排队人数相差悬殊，新入学的食客纷纷选择已人满为患的其中一家餐馆排长队，这一行为背后一定是有某些因素驱动的。

既然当时唯一能获取的信息就是其他食客的选择这一社会信息，因此菲什曼和格尼茨断言，（一家餐馆外的）长龙队伍就是这一驱动因素。

也许新入学的食客将一家餐馆外的长队诠释为该餐馆质量的证明，从而为我们呈现了现实生活中信息瀑布的鲜活例子。

但是到了来年4月，也许学生已经对两家餐馆的情况更清楚了，因此也就不再那么依赖于观察他人的选择了，这就解释了为何这时两家餐馆外排队的人数基本一致了。

弗吉尼亚大学的美国经济学家查尔斯·霍尔特（CharlesHolt）和威廉玛丽学院的经济学家莉莎·安德森（LisaAnderson）则借助在实验室可控环境下的实验对社会学习和信息瀑布假设进行了研究。