80小说网

手机浏览器扫描二维码访问

第18章 如何让直觉性预测更恰当有效（第4页）

步骤1为你提供了基准线，即在你除了知道朱莉是个快毕业的大学生之外什么也不知道的情况下，预测她的平均绩点。

在没有信息的情况下，你很有可能预测其为一般水平。

（这一点与你对汤姆的预测相似，在对他一无所知的情况下，你便将企业管理专业毕业生的基础比率放在了他的身上。

）步骤2是你的直觉性预测，这个预测将你的估计和证据进行了匹配。

步骤3使你离开基准线靠向自己的直觉，但你能离开的距离取决于你对关联性的估测。

在步骤4中，尽管你最终作出的预测还是受到了直觉的影响，但是这个影响力已经小很多了。

这种预测方法很常见。

在你需要预测一个定量数值时，就可以运用这个方法，例如在预测平均绩点、投资效益、公司发展的业绩时，这个方法就可以派上用场。

这个方法以你的直觉为基础，但是削弱了直觉的影响，使它回归到平均值上了。

当你有充分的理由对自己的直觉性预测的准确性充满信心时，即证据和预测之间联系非常紧密，进行调整的余地就会很小。

直觉性预测需要校正是由于它并不具有回归性，因此是带有偏见的。

假设我预测每一位高尔夫球员在一场锦标赛上第二天的得分与第一天的得分相同，那么这个预测并没有考虑到回归平均值的问题：第一天发挥得好的高尔夫球员第二天比赛时水平都会有所下降，而那些头天状态不佳的球员则大多会在第二天有所提高。

当我们最后将预测值与实际结果进行比较时，我们会发现，缺失回归性的直觉确实带有偏见。

这些预测普遍对第一天发挥得好的人过于乐观，对开始就发挥得不怎么样的人则过于悲观。

预测与证据一样极端。

同样，如果不使预测回归到平均值上来，而是根据儿童时期的成就来预测其大学时期的分数，那么你多半会对孩提时代阅读能力强的人在大学时代取得的学术成绩颇感失望，而那些较晚开始阅读的孩子的大学成绩反而会给你带来惊喜。

修正过的直觉性预测消除了这些偏见，所以预测（过高或过低）高估真实值或低估真实值的可能性大致是相等的。

当你不带偏见地预测时仍然会犯错，但这时的错误较小，也不会导致过高或过低的估值。

两位教授候选人，应该选择哪一位？

前文中，我向大家介绍了汤姆的情况，用以说明不连续结果的预测问题，比如对其所属的专业领域或者一次考试的成功概率进行的预测，这些预测是通过评估某一特定事件的可能性（或者按照结果出现的可能性大小排序）来表达的。

我还曾描述过抵制不连续预测中的常见偏见的步骤，比如忽略基础比率，对信息的优劣不敏感。

有些预测偏见是通过一个数值范围来表达的，例如某学生的平均绩点或某公司的收益，这些偏见与我们在判断结果的可能性的过程中所持偏见相似，而两种偏见的修正过程也十分相似：

·都包含一种基准线预测，如果你对手头这个案例的情况一无所知，便会作出这种预测。

在绝对的情况下，这个基准线是基础比率；在有数字的情况下，这个基准线就是相关结果的平均值。

·都包含一种直觉预测，无论是可能性或是平均绩点，这种预测会将呈现在大脑中的数值通通表达出来。

·在上述两种情况中，你的目的都是要作出一种预测，这种预测可在基础比率和直觉性反应之间充当媒介。

·在没有什么有价值的信息的情况下，你会坚守基准线。

·在其他极端情况下，你还会坚守自己最初的预测。

当然，只有在对支持自己最初预测的证据进行过严格验证之后，你才会信心十足地坚持那个预测。

·在大多数情况下，你会发现自己有理由怀疑自己的直觉判断和真理之间的关联其实并不完美，而你最终会给出介于两者之间的判断。

这个过程很接近一个恰当的统计分析可能会出现的结果。

如果成功的话，这个过程就会使你作出的预测偏见越来越少，作出的可能性评估越来越合理，对各种数值作出的预测也越来越适度。

前述两个过程意在解决同一种偏见，即直觉性预测总是过于自信或过于极端。

修正你的直觉性预测的偏见是系统2的任务。

要想找到相关的参照物、对基准预测作出估测或者对证据的质量进行评估，往往需要付出很大的努力。