《思考，快与慢》笔记
回归到平均值：预测中的隐形法则
在《思考，快与慢》中，丹尼尔·卡尼曼通过一系列精彩的实验和案例，揭示了人类在预测时常忽视的一个重要法则：回归到平均值。这个法则告诉我们，任何极端的表现都倾向于在未来回归到平均水平。正如书中所提到的连锁店销售预测案例，我们本能地认为每家店的销售额应该简单地以10%的速度增长，但实际上，这种预测方式忽略了回归到平均值的原则。
📊 例如，假设一家店在2011年的销售额为1100万美元，而另一家店的销售额为2300万美元。如果我们简单地在2012年为每家店增加10%的增长率，那么第一家店的预测值为1210万美元，第二家店的预测值为2530万美元。然而，根据回归到平均值的法则，业绩较差的店铺（如第一家店）应该有更高的增长率，而业绩较好的店铺（如第二家店）则可能增长率较低，甚至可能下降。这种预测方式更符合实际情况，因为极端值往是由于随机因素造成的，不太可能持续存在。
卡尼曼指出，人们在预测时往忽略回归到平均值的原则，这是因为我们的大脑更倾向于相信因果关系，而不是统计学的规律。例如，当我们看到一家店的销售额异常低时，我们可能会认为这家店有某种特殊原因导致表现差异，而忽略了这种差异可能只是随机波动的结果。这种思维方式导致了预测的系统性偏差。
直觉预测的偏差：替代与强度匹配
在第18章中，卡尼曼探讨了直觉预测中的另一个重要偏差：替代和强度匹配。直觉预测往依赖于系统1的快速运作，而系统1倾向于用简单的问题替代复杂的问题。例如，当我们被问到朱莉的平均绩点时，我们可能会将这个问题替换为“朱莉的早期阅读能力有多强”，然后通过强度匹配来得出答案。
📚 朱莉的例子表明，我们的大脑会将早期的阅读能力与平均绩点直接关联起来，假设两者之间存在一种线性关系。我们可能会认为，4岁就能流畅阅读的朱莉，平均绩点一定很高，甚至接近满分。然而，这种预测方式忽略了一个重要的事实：早期阅读能力与平均绩点之间的关系并不是完全线性的，且可能受到其他因素的影响。例如，朱莉可能在大学期间遇到了学术挑战，或者她的兴趣领域与其他学生有所不同。
卡尼曼还提到，直觉预测中的替代和强度匹配会导致预测结果与证据的极端程度相匹配。例如，当我们被问到朱莉的早期阅读能力百分位时，我们可能会给出一个很高的分数（如90%），而当被问到她的平均绩点时，我们也会给出一个类似的分数（如90%）。这种匹配忽略了预测的不确定性，导致预测结果过于极端。
启发法的影响：预测中的系统偏见
在预测时，启发法的影响不可忽视。启发法是一种快速决策的方式，它通过替代复杂的问题为简单的问题来得出答案。例如，当我们被问到某个事件发生的概率时，我们可能会通过回忆类似事件的发生频率来得出答案，而不是进行详细的概率计算。
📊 例如，在以色列国防军的实验中，军官们被要求预测学员在军官学校中的最终成绩。结果发现，军官们的预测结果与学校的实际评分布几乎完全一致。这表明，军官们在预测时并没有考虑到个体差异，而是简单地将预测替换为对描述的估测。这种替代导致了预测的系统偏见，因为预测结果完全忽略了回归到平均值的原则。
卡尼曼指出，启发法的使用在某些情况下可以提高预测的效率，但也可能导致系统性偏差。例如，当我们使用启发法来预测股票市场的表现时，我们可能会过于关注最近的趋势，而忽略长期的平均回报率。这种预测方式可能导致我们在市场波动时做出错误的投资决策。
系统1与系统2：预测中的对比与平衡
在《思考，快与慢》中，卡尼曼将人类的思维分为两种模式：系统1和系统2。系统1是快速、自动、直觉的思维模式，而系统2是慢速、刻意、理性的思维模式。在预测时，这两种模式往共同作用，但系统1的偏差可能会影响预测的准确性。
🧠 例如，在朱莉的平均绩点预测中，系统1会迅速将早期阅读能力与平均绩点关联起来，并通过强度匹配得出一个极端的预测结果。然而，系统2可以通过对证据的理性分析，发现这种关联的局限性，并得出更为保守的预测结果。因此，在预测时，我们需要学会平衡系统1和系统2的作用，避免因系统1的偏差而导致预测的不准确。
卡尼曼还指出，系统1的偏差在某些情况下可以通过训练和经验来减少。例如，象棋高手、火场指挥员和内科医生等专业人士通过长期的训练，可以发展出准确的直觉预测能力。这种直觉预测能力不仅依赖于系统1的快速运作，还依赖于系统2的理性分析。
结语
通过《思考，快与慢》中关于预测的讨论，我们可以看出，预测是一个复杂而具有挑战性的任务。无论是回归到平均值的法则，还是直觉预测中的替代和强度匹配，又或是启发法的影响，都在提醒我们：预测不仅需要依赖直觉，还需要依赖理性分析。只有通过系统1和系统2的平衡，我们才能在预测中减少偏差，提高准确性。正如卡尼曼所说，“预测的艺术在于认识到其局限性，而不是试图超越这些局限性。”