18. 如何让直觉性预测更恰当有效？——纠正系统1的极端与偏见

本章探讨了如何利用理性（系统2）来修正直觉（系统1）在预测中产生的偏见。直觉性预测往往基于替代和强度匹配，忽略了回归平均值的规律，导致预测过于极端和自信。作者提供了一套修正公式，帮助我们在不确定性中做出更理性的判断。

一、 直觉性预测的误区：朱莉的GPA

问题：朱莉4岁就能流畅阅读。请预测她大学毕业时的平均绩点（GPA）。
直觉过程：

1. 因果联想：早慧代表聪明，聪明代表成绩好。
2. 强度匹配：将“4岁阅读”这一极端优秀的表现（可能在前 10% 甚至更高）直接转化为GPA中的极端高分（如 3.9）。
3. WYSIATI：忽略其他可能影响GPA的因素（如勤奋、兴趣、意外），只根据眼前的信息（早慧）编造连贯的故事。

结果：直觉预测往往极其自信且极端，完全忽略了回归平均值。事实是，早慧虽然与高GPA相关，但并非完美相关。因此，朱莉的GPA虽然可能高于平均，但大概率不会像她4岁阅读那样极端出色。

二、 预测与估测的混淆

在一项针对以色列国防军军官选拔的研究中，作者发现军官们完全混淆了两个任务：

• 任务A（估测）：评价候选人在面试中的表现。
• 任务B（预测）：预测候选人在未来军官学校中的成绩。

结果显示，军官们对未来的预测分布（A/B等级频率）与他们对当前表现的评级完全一致。他们没有考虑到预测未来的不确定性，直接用当前的印象替代了未来的结果。这再次证明了替代机制的存在：面对复杂的预测问题，系统1自动用简单的估测问题来回答。

三、 无偏见预测的修正公式

为了纠正直觉偏见，作者提出了一个基于相关性的修正步骤：

1. 估测基准线：先确定平均水平。例如，在不知道朱莉任何信息时，预测她的GPA就是全校平均值（如 3.0）。
2. 直觉预测：根据证据（4岁阅读）作出直觉匹配的预测（如 3.9）。
3. 估测关联度：评估证据（阅读年龄）与目标（GPA）之间的相关系数。假设相关度为 0.3（30%）。
4. 修正预测：从基准线出发，向直觉预测的方向移动，移动距离取决于关联度。
   • 公式概念：最终预测 = 基准线 + (直觉预测 – 基准线) × 关联度
   • 计算：3.0 + (3.9 – 3.0) × 0.3 = 3.27

核心逻辑：如果证据与预测目标的相关性不完美（<1），预测结果就必须向平均值回归。关联度越低，预测就应越接近平均值。

四、 招聘决策中的应用：选金还是简？

候选人对比：

• 金：刚毕业，面试表现完美，推荐信极好（小样本，信息少但极端出色）。
• 简：博士后3年，学术成果丰硕，但面试表现平平（大样本，信息多且稳定）。

直觉选择：选金。因为她给人的印象深刻，眼见即为事实。
理性选择：选简。
理由：

• 金的信息样本小，更容易出现极端结果（好运气）。根据回归平均值定律，她未来的表现很可能会退步。
• 简的信息样本大，更能代表其真实水平。
• 虽然直觉喜欢金，但理性告诉我们，相信稳定的大样本（简）比相信极端的小样本（金）风险更小。

五、 总结：接受适度的预测

无偏见预测意味着我们必须接受一个事实：我们的预测不应该太离谱或偏离平均值太多。

• 如果信息有限，你就不能预测一个高中生一定会成为普林斯顿优等生。
• 如果相关度不高，你就不能预测一家新公司一定会成为下一个谷歌。

虽然极端的预测（“前景无限好”）能给人带来心理舒适感，甚至在某些高风险投资中是必要的（寻找黑天鹅），但对于追求理性的决策者来说，适度才是真理。我们要时刻提醒自己：直觉不仅是非回归的，而且往往是盲目自信的。只有通过系统2的刻意修正，我们才能做出更接近事实的预测。