《思考快与慢》读书笔记-第一部分 启发法与偏见/第十八章：如何让直觉性预测更恰当有效
今天花了2小时12分钟看、梳理这一章，果然被这章榨干了哈哈。上一次遇到这么久还是在上一章...
读后感
一、我们的预测有直觉性的预测以及基于统计数据的预测。直觉性预测包含通过长期不断重复形成的经验性预测、以及根据记忆形成的启发性预测。本章的重点是讲解启发性预测的过程以及如何修正。
二、启发性预测的过程，我们举一个例子：曹萌从小善于并且画画，那么她大学学习绘画专业的概率有多大呢。
- 通过问题激发了我们的相关性联想：喜欢画画和学习绘画专业显然有一定的相关性。
- 相关示范：曹萌比大多数人都善于画画吗？对比已知的参照物，并没有很多人都善于画画，所以曹萌是更适合的。
- 眼见即为事，以及因果关系：曹萌小时候善于画画，所以长大后选择了绘画专业。
- 替代：善于画画的强度=报考绘画专业的概率
- 强度匹配：曹萌善于画画对比参照物强了60%+
- 转化：曹萌有60%+的可能性报考绘画专业
三、启发性预测有什么问题呢？它忽略了平均值/基础比率。每年有百分之多少的人会报考美术专业呢？这种忽略就造成偏见，但这是系统1合情合理推测出来的，所以系统1信心满满的进行了极端预测。
四、如何修正启发性预测呢？——引入一定比例的平均值/基础比率。我们依然以曹萌举例子。
- 平均值：比如每年报考美术的学生平均值是5%
- 预测值：60%
- 关联性值：比如小时候画画好的和长大后从事绘画专业的关联性为0.3（可以根据统计推论，但当前我们随意一些）
- 结果：5%*0.7+60%*0.3=21.5%
- 修正启发性预测后，我们的预测数值将会更接近真实统计数值了。
五、修正需要使用系统2，需要有足够多的信息来了解平均值，是比较复杂、费时的，并且也会让你失去一些意料之外的惊喜。
六、一个理性的人可以合理的运用预测结果，做出有价值但也可能有风险扽投资，而不只是通过预测一味降低风险，这可能会让你错过一些机会机会。
预测的方式
数据分析
通过查找表格、精确计算以及对类似项目的结果进行仔细分析
直觉性预测
经验性直觉
依靠反复训练得来的技能和经验，即由于识别出熟悉的线索，大脑中快速呈现出当前问题的解决方案。
启发性直觉
用简单的问题来替代难以回答的问题
举例
背景：朱莉现在是一名州立大学4年级的学生。她4岁就能流畅地进行阅读。
问题：她的平均绩点（GPA）是多少？
答案：熟悉美国教育体制的人很快就能得出一个数字，且这个数字通常在3.7或3.8左右。
分析：系统1的几个机制共同参与了预测。
1、因果关系：人们会探寻证据（朱莉的阅读能力）与预测目标（她的平均绩点）之间是否存在因果关系——很小就能阅读与较好的平均绩点都是学术天分的表现，必然会存在某种联系。
2、相关示范：证据的评估与相关规范联系紧密。4岁时阅读能力就很强的孩子早熟吗？你会和自己了解到一些孩子作为参照人群。
3、眼见即为实：一旦发现某种关联，例如朱莉很小时就能阅读，眼见即为事实原则就会发挥作用：你的联想记忆会快速自动地运用可利用信息编出最恰当的故事。
4、替代和快速配对：儿童时期认知能力这个并不周密的证据进行评估的问题被替换成关于她大学平均绩点问题的答案
5、强度匹配：将你对朱莉的学术成就的总体印象与能证明她本人天赋的平均绩点这一证据匹配起来
6、转化：将你对朱莉学术水准的印象转化为相应的平均绩点
记忆大量激活的过程：由信息和问题激发起联想记忆，然后自我反馈，最后选定最具连贯性的合理性方案。
直觉性预测的问题
忽略了回归平均值。受试者并没有将对未来的预测和对当前信息的估测区别开来——预测与估测相匹配。当人们按要求预测时，他们总会将预测替换为对所描述问题的估测，而且没有意识到他们回答的问题并不是那个被问到的问题。这个过程证明预测时会存在系统偏见；他们完全忽略了一点，即应该回归到平均值上来。
如何对直觉性预测进行修正
为什么要修正直觉性预测
由于它并不具有回归性，因此是带有偏见的，这种偏见总是过于自信或过于极端。
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。
举例
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。
修正方法
朱莉现在是一名州立大学4年级的学生。她4岁就能流畅地进行阅读。
她的平均绩点（GPA）是多少？
公式
为阅读年龄和大学成绩的决定因素写一个公式：
- 阅读年龄=共同因素+决定阅读年龄的特殊因素=100%
- 平均绩点=共同因素+决定平均绩点的特殊因素=100%
步骤
1.平均值/基准线：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。
2.预测值：根据你对证据的印象算出与之相匹配的平均绩点。
3.关联性值：对你的证据和平均绩点的关联作出估计。
4、预测结果：4.如果关联度是0.3，则从估算出的平均绩点的平均值中抽出30%，放到与之匹配的平均绩点里。
应用场景
- 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。
- 用以说明不连续结果的预测问题。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。比如14章关于汤姆的专业的预测。
- 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。
修正的目的
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。
代价
那么代价是什么呢？
- 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。
- 如果你的预测不存在偏见，你也就永远不会有极端事件的“愉快体验”了。当你在法学院最得意的学生成为最高法院的法官时，或者当你曾经很看好的那家新成立的公司成为商界新秀时，你永远不会说“我早就知道会这样”。
限制
- 只有在风险很高而你又特别渴望避免犯错误时，这种努力才显得合乎情理。
- 只有在信息非常有效时才允许人们对罕见或极端的事件作出预测。
应用
一个理性的风险投资家知道，即便是最有前景的新建公司，其成功概率也只是中等水平而已。她将自己的工作视为从所有赌注中找到的前景最好的赌注。
如果成功的回报足够大，一个理性的人就会考虑向一家极有可能倒闭的企业投资一大笔钱，而不会自欺欺人地抬高其成功概率。
示例——直觉性预测
- “那家新成立的公司已经深入人心了，但我们不能指望他们将来也能做得这么好。他们的营销之路很长，回归的空间也很大。”
- “我们的直觉性预测的确令人鼓舞，但这个预测可能离现实太远了，还是让我们再看看手中的信息资料，让预测回归到平均状态吧。”
- “即使这次投资极有可能失败，我们还是觉得这项投资可能是个不错的想法。咱们还是别说什么这就是下一个谷歌这样的话吧。”
- “我读过关于那个品牌的一篇评论，评价极高，然而这很可能只是侥幸成功。我们应该这样想：对这个品牌的评论很多，而我们看到的这个正巧是评价最高的。”
