偏離理性原則的原因做了回顧。正如這些章節所示，決策者在判斷和選擇行為過程中很容易受到許多偏差的影響，但在許多情況下，這些偏差都是系統性的，而且是預先可以控制或預測的。 彌乎. 醬彌華梨第四部分直覺與偏差當人們面臨一個複雜的判斷或決策問題時， 他們通常會依播自己的直覺或者是一些常識來進行決策。大多數情況下，根據此爽原則得到的答案往往會非常接近“最優” 方素。但是在某些情況下，直覺或可能產生某些可預測的偏差和不一致。這部分將著童說明幾種眾所周知的直覺和偏差。
第10章代表性直覺人們是如何進行決策的？如何在不同的備選方案之間進行選擇？如何對具體事件的價值或者可能性做出判斷？這部分將關注以下兩個相關的話題：決策者得出結論的整個過程，以及這樣的過程可能導致的偏差。 阿莫斯•特韋爾斯基和丹尼爾•卡尼曼（1974）曾經建議決策者運用“直覺”或者是一般的常識來進行決策。利用直覺進行決策的優點是可以用很少的時間和努力達到與理性決策相同的結果。例如，直覺可以很容易地估計某種結果出現的可能性，而不必用計算的方式（即把該結果過去的每一種發生可能性相加，然後再除以該結果發生的總數）。在絕大多數情況下，一個粗略的近似值就已經足夠了（正如讓人們滿意的通常並不一定就是最優的方案）。 通常而言，直覺可以得到一個令人相對較為滿意的答案。但是利用直覺進行判斷的缺點是，在某些情況下，直覺判斷可能導致一些系統性的偏差。在本章中討論的直覺型別是“代表性直覺”《representativeness heuristic）。在某些情況下，使用代表性直覺可以導致一些可預測的偏差的產生。正如前文中所提到的，在這裡更多的是關注偏差而不是成功的原因，主要是因為偏差能夠更多地揭示一些隱含的過程。事實上，現在所有有關決策的理論都是基於決策偏差的研究而產生的。 A、B和C的代表性直覺根據特韋爾斯基和卡尼曼（1974,P. 1124）的理論，人們通常會根據“A 在多大程度上能夠代表B，或者說是A 在多大程度上與B 相似”來判斷事件發生的可能性。特韋爾斯基和卡尼曼將這樣的一種原則稱為“代表性直覺”。 什麼是“A”和“B”？這將取決於你進行決策的情境。如果你在估計A來自B的可能性，那麼A 可能就是一個例子或者一個樣本，而B則是一個種類或者樣本總體。例如，A 可能是一個個體，而B則是一個群體，而決策的問題則可能是A 成員屬於B群體的可能性。另一方面，如果你試圖判斷A在多大程度上是B導致的，那麼A可能是一個事件的結果，而B則是事件發生的過或者原因。例如，B可能是一個投擲硬幣的過程，而A 可能就是在一系列的投擲中有6次是人頭，判斷所關心的可能就是出現這種結果的可能性。由於代表性直第10章代表性直覺 97 覺的定義是抽象的，理解起來有一定的難度，我們將舉一些具體的例子來說明代表性直覺在特定情境下是如何起作用的，以及偏差是如何產生的。 讀者調查中的第1題就是一個很好的例子。這個例子來自特韋爾斯基和卡尼曼（1982）的研究，內容如下： 琳達，31歲，單身，坦率直言，性格開朗。她所學的專業是哲學。當她還是一個學生的時候，她就非常關注歧視和社會公正問題，同時參加了反對核武器的活動。請從以下選項中選出可能性更高的選項： 口琳達是一個銀行出納口琳達是一個銀行出納，同時是一個活躍的女權主義者絕大多數人認為琳達是一個女權主義的銀行出納，而不僅是一個銀行出納。當特韋爾斯基和卡尼曼（1982）讓86個人回答以上這個問題時，超過 90%的人都是這樣認為的。儘管有可能你也是這樣認為的，但是這樣的答案違反了機率的基本原則。兩個獨立事件（“銀行出納員”和“女權主義者”）同時發生的機率不可能高於單個事件發生的機率（例如，銀行出納員）。出於這樣的原因，特韋爾斯基和卡尼曼（1983）將這種現象稱為“結合謬論”（conjunction fallacy）（見 Leddo, Abelson& Gross, 1984; Morier & Borgida, 1984）。 你可以透過圖10.1 清楚地看到連線的原則。左邊的圓圈代表所有的銀行出納員，右邊的圓圈代表所有的女權主義者，中間重合的部分代表既是銀行出納員，又是女權主義者的個體。由於銀行出納員中有一部分並不是女權主義者， 女權主義的銀行出納員銀行出納員女權主義者圖10.1 銀行出納和女權主義者的交集
98 第四部分直覺與偏差因此成為銀行出納員（不論是否是女權主義者）的機率必定大於中間重合的部分個體。 為了確保人們不會將“銀行出納員”理解成為“在女權運動中不活躍的銀行出納員”，特韋爾斯基和卡尼曼（1982）又進行了一個補充實驗，在這個實驗中有兩組不同的個體，其中一組個體進行選擇的備選方案中只出現“銀行出納員”以及其他的選項，而另一組個體選擇的備選方案中只出現“女權主義的銀行出納員”這一選項和其他的選項（這樣就能確保了兩個選項沒有被直接進行比較）。即便是在這樣的實驗情境下，人們還是認為琳達是一個女權主義的銀行出納員的機率也大於認為琳達是一個銀行出納員的機率。 特韋爾斯基和卡尼曼（1982）在其他一些情境下也得到了類似的結果。 “比爾”被認為“更可能是一個會計和爵士樂的演奏者，而不僅僅是一個爵士樂的演奏者”；同時，“一個溫布林登網球賽的選手更可能在輸掉第一局以後而贏得整個比賽，其機率大於其僅僅輸掉第一局的機率”；“美國的一位前總統更可能為未婚母親提供財政援助和削減對地方政府的財政支援，其機率大於僅僅減少對地方政府的財政支援” 根據上述結果，特韋爾斯基和卡尼曼（1982，P. 98）得出這樣的結論： “隨著情境中細節數量的增加，該情境發生的機率只會逐漸降低，但是它的代表性和由此帶來的外顯的可能性卻會上升。我們相信，基於代表性的決策判斷是人們喜歡選擇毫無根據的細節化情境的主要原因。例如，“被告離開犯罪現場’的陳述似乎比“被告由於害怕被起訴謀殺而離開犯罪現場”的陳述更沒有說服力。” 這樣的結論得到了進一步的支援，讀者調查中的第11題要求讀者判斷以下兩個情境哪一個更可能發生： 在未來10年中，你認為最有可能發生的事件是： 美國和俄羅斯將爆發一場全面的核戰爭美國和俄羅斯將爆發一場全面的核戰爭，但一開始兩國都不想動用自己的核武器，只是在卷人了一場區域性戰爭之後，如伊拉克、利比亞、 以色列或者巴基斯坦等國的戰爭，才被迫動用核武器。 和銀行出納員問題一樣，絕大多數人都認為更為具體的事件（由第三方拖累的全面戰爭的爆發）比一個一般性的事件（一場全面戰爭）發生的可能性更大。事實上，五角大樓針對這些具體的但完全不可能出現的情境，花費了幾十年的時間制定了非常詳盡的戰爭計劃，生產了大量的武器來應付這樣的情境的出現。根據特韋爾斯基和卡尼曼的理論，相對於一般的情境而言，表述非常具體的事件似乎更可能發生，因為這樣的情境與人們對於具體事件的想像是一致的。
第10章代表性直覺 99 小數法則代表性直覺的另一個結果被特韋爾斯基和卡尼曼（1971）稱為“小數法則”。稱做“小數法則”只是作者的玩笑話，主要是相對於統計學中的眾所周知的“大數法則”（在統計學中，你從總體中抽取的樣本容量越大，該樣本的平均數與總體的平均數越是接近）而言。而人們所使用的“小數法則”則是認為從總體中抽取的隨機樣本相互之間是類似的，與總體之間的接近程度比實際的統計抽樣理論所預測的要高得多。 例如，當你要求人們寫下一個隨機的投擲硬幣的數列（不是真正去投擲硬幣），人們試圖將這個序列的每一個點都看上去像隨機的〔特韋爾斯基和卡尼曼（1972）將這樣的現象稱為“區域性代表性”］。結果，在他們寫下的答案中並沒有很長的相同的序列，而相對於真實的隨機序列而言，硬幣的正面和背面之間的更替明顯增加。在一個隨機序列當中，如果只是看某一些區域性的序列，它們看起來可能並不一定是隨機的。為了證實這樣的觀點，你可以實際投擲100 次硬幣，並記錄下正面和背面出現的次序，這樣就可以大致模擬出一個真實的隨機序列。 讀者調查中的第15題就是對小數法則最好的說明。這個問題來自於特韋爾斯基和卡尼曼（1971）的一個研究，內容如下： 在一個城市中，8年級學生的IQ平均教是100。你從中抽取了50名學生來進行有關學業成就的研究。你抽取的第一個學生的IQ為150。你認為你抽取的這個50人的樣本的IQ平均數為多少？ 很多人對這個問題的回答是1Q的平均數將依然是100。但是事實上，正確的答案是這50個個體的1Q平均數應該為101。因為第一個孩子的1Q為150， 剩餘的49個孩子的期望1Q 依然是100，因此這50個孩子的1Q總數為5050 （150+4 900），然後除以50，因此這50個孩子的1Q平均數應該是101。 如果你的答案是100，而不是101，你可能假定在餘下的49個學生中必定會出現一個1Q的低分將150的19高分“平衡”掉。但是這樣的觀點實際上就是假定偶然事件具有自我修正的功能，事實上，偶然事件並不具有自我修正的功能，出現一個高分也不一定出現相應的低分與之抵消；餘下的樣本只是對這個偶然事件進行“稀釋”，使其平均數更加接近總體的平均數（在這個例子中總體的平均數是100）。特韋爾斯基和卡尼曼（1971）認為，人們傾向於認為偶然事件具有自我修正的功能，這樣的偏差也是來自代表性直覺，因為人們總是希望隨機抽取的樣本能夠很好地代表總體。 同樣，特韋爾斯基和卡尼曼（1971）認為代表性直覺可以導致人們承認 “賭徒謬論”（gambler's fallaey），這種觀點認為，在一系列的壞運氣之後必然會有好的結果出現（或者，用更為通俗的話講，就是認為一系列結果相同的獨立事件必然會跟隨一個相反的結果）。讀者調查中的第31題就是檢驗你是否相信
100 第四部分直覺與偏差這樣的賭徒謬論。題目的內容如下： •假定你連續投擲了3次硬幣（該硬幣沒有偏差），每一次的結果都是正面。如果你必須對下一次的投擲進行投注，金額是100美元，你會選擇正面還是反面？ 由於這個硬幣是沒有誤差的，正確的答案是你對正面還是反面沒有偏好， 因為兩者出現的機會是相等的。但是有一些人錯誤地認為在連續出現了3次正面之後，反面出現的機率更大。特韋爾斯基和卡尼曼認為出現這樣的答案就是因為人們錯誤地認為一個隨機序列必須具備區域性代表性（即序列的每一個部分都必須看起來像是隨機的）。 手熱現象對小數法則一個最形象的說明是由托馬斯•吉洛維奇等人（Thomas Gilovich,Robert Vallone，& Amos Tversky,1985）進行的研究。這次研究者關心的是籃球比賽中的人們對於“手熱現象”的認知。一位手熱的籃球運動員就是指其在投中一個或者幾個球以後，再次投籃時命中的機率大於其投失一個球以後的再次嘗試。 吉洛維奇等人的研究發現費城76 人隊的球迷——包括幾個隊員和教練 —都認為存在這樣的手熱現象，儘管資料統計分析發現並不存在這樣的現象。也就是說，這些人認為一位隊員在命中幾個球以後再次嘗試投籃的命中率將提高，然而事實上投中下一個球的可能性與該隊員總體的投籃命中率並沒有顯著的差異。吉洛維奇和他的助手們透過對波士頓凱爾特人隊的罰籃情況進行分析以及對康奈爾大學籃球隊的男女運動員進行實驗室的模擬實驗（更具體而言，是在體育館中進行的實驗）的結果都證實了這樣的結論。 在很短的時間內，這些研究發現在美國的運動界引起了轟動。吉洛維奇等人怎麼可以將手熱的現象僅僅說成是一種錯覺？任何一個打過或者觀看過籃球比賽的人都知道運動員在有些時候手熱，而有些時候手冷！籃球隊有時候為了防守手熱的球員甚至改變他們的防守戰術。認為同一個籃球運動員進行的投籃情況在統計上是不相關的觀點似乎很難被接受。 為了找出這一現象存在的原因，吉洛維奇等人（1985）進行了一個實驗， 在這個實驗中被試要觀看6個由“X” 和“0”組成的不同序列（也許你可以將它們理解成籃球比賽中的命中和失敗）。每一個系列中都包含有11個“X” 和10個“O”，在不同的序列中兩個字母交替的可能性分別為.40，.50，.60， .70，.80或者.90。例如，下面的序列 “XOXOX00OXXOXOXOOXXXOX”表示兩個字母之間轉換的機率為.70（因為在20個相鄰字母之間，兩字母進行轉換的次數為14次）。
第10章代表性直覺 101 吉洛維奇等人發現被試更多地認為，70或者，80的序列是隨機序列的代表， 而不是正確地選擇.50的序列。只有32%的被試認為.50的序列是一個隨機的序列，而62%的被試將.50的序列定義為是“手熱”序列。 如果你想看看自己在這項任務中的表現，請檢視一下你在讀者調查中第38 題的答案。第一個序列（XOXXXO00OXOXXOOOXXXOX）有一半的情況下字母之間進行轉換（類似於一個隨機的序列）。與之相對應的是第二個序列 （XOXOX000XXOXOXOOXXXO）代表.70的轉換可能性序列—遠遠高於隨機序列50%的數值。如果你認為在第一個序列中存在太多的連續性的相同字母，你必定會期望在序列中X和0有更多的轉換（也就是人們為什麼將一些隨機的序列認知為“手熱現象”）。本書的第14章將更加詳細討論個體對隨機性的知覺。 忽視基線值某些情況下，依賴於代表性直覺可能會使人們忽略“基線值”的資訊（也就是一個事件發生的相對頻率）。卡尼曼和特韋爾斯基在一系列的實驗中考察了這一現象。例如，在一個實驗中卡尼曼和特韋爾斯基（1973,p. 241）告訴被試： 一群心理學家對30名工程師和70名律師進行了訪談和人格測試，這些人在他們各自的領域內都相當成功。基於這樣一些資訊，心理學家對這 30名工程師和70名律師進行了簡單的描述。下面你將看到5個這樣的描述，都是從100個描述中隨機抽取的。對於每一個描述，請在一個0至 100的標尺上選擇你認為該描述有多大的可能性是對一個工程師的描述？ 例如，下面一段話就是卡尼曼和特韋爾斯基用來代表一個工程師性格的簡單描述： 傑克今年45歲。他已經結婚並有4個孩子。他通常比較保守，謹慎和雄心勃勃。他對政治和社會事件並沒有多大的興趣，他將他大部分的業餘時間都用在了自己的愛好上面，例如家中的木工活、航海以及數字遊戲。 使用同樣的5個描述，卡尼曼和特韋爾斯基將第二組被試中工程師和律師的比例做了對調（即70名工程師和30名律師）。但是由於結果是相對應的， 我們只是關注30名工程師組的結果。 每一一位被試對這5個描述為工程師的可能性進行評價以後，研究者要求其估計一下從100個描述中隨機抽取一個描述，該描述是工程師的描述的可能性。不出意料之外，被試大多認為這樣的可能性接近30%。換一句話講，在這樣的情境中，人們使用了給定的基線資訊。 在另一方面，當被試得到了一些有關的描述資訊——即使有一些資訊與工
102 第四部分直覺與偏差程師或者律師的職業特點並沒有任何的聯絡—他們將忽略這樣的基線資訊。 例如，卡尼曼和特韋爾斯基（1973）特地選擇了以下的描述，這樣的描述與工程師或者律師的職業特點並沒有關聯： 迪克今年30歲。他已經結婚了，但還沒有孩子。他擁有很強的能力和很高的工作積極性，他希望在自己的領域內取得很大的成功，同時他也很受其同事的歡迎。 相對於迪克的職業而言，這樣的描述並不能提供有用的資訊；因此在這種情況下，該描述是一個工程師的可能性應該為30%。但是卡尼曼和特韋爾斯基 （1973）的實驗結果發現，被試認為該描述為工程師的可能性的平均估計為 50%。很顯然，在這種情況下，被試忽略了情境的基線資訊，而僅僅從一箇中性描述的角度來進行判斷。 還有大量的研究都發現在某些情境下人們可能會忽視基線資訊（Bar-HilLel,1980,1990； Fischhoff& Bar - Hillel, 1984;Osberg& Shrauger, 1986）。例如， 艾克•阿杰增（1977）的研究發現，當基線資訊與人們對因果關係的認知相一致時，人們就會使用基線值。在一個實驗中，阿杰增要求被試根據一些相關的因素（例如該學生每週的學習時間）或者一些非相關因素（例如該學生每週的收人）來預測該名學生的學習成績。實驗結果發現，人們在接受了相關的資訊以後更加願意使用基線值，而對於那些不相關的資訊—即使是被告知這樣的資訊也可以對學生的學業成績產生預測作用，他們還是很少使用。 非迴歸性的預測人們在進行預測時往往敏乏對資訊來源的診斷，結果可能造成“非迴歸性的”（nonregressive）預測。例如，在讀者調查中的第35 題（基於卡尼曼和特韋爾斯基在1973年進行的研究）的內容如下： 假定一個學生高中時的考試成績與其在大學中的學業成績（GPA）有中等程度的相關。基於如下圖所示的百分等級（見圈10.2），如果一個考試成績為725分的學生，其GPA將是多少？ 你的答案將是什麼呢？絕大多數人的預測是其GPA將在3.5和3.7之間。 如果高中時期的考試成績能夠很好地預測大學時期的學業成績，那麼這樣的答案無可厚非。即如果兩者之間能夠一一對應，725的考試成績應該對應的GPA 為3.6。但是根據整個問題的背景，我們發現高中時期的考試成績並不能很好地預測大學的GPA，因為兩者之間只有中等程度的相關。由於存在著這樣中等程度的相關，因此對該學生GPA最好的預測將在3.6 和GPA 的平均數2.5之間—這樣才能體現“向平均數迴歸”。
第10章代表性直覺 103 學生的百分籌級前10% 前20% 前 30% 前40% 前50% 留10.2 高中考試成績與大學學業成績（GPA）之間的關係考試成績 >750 >700 >650 >600 >500 GPA >3.7 >3.5 >3.2 >2.9 >2.5 向平均數迴歸是統計中存在的一個現象，即較高或者較低的分數往往會伴隨著一些更加接近平均數的分數，就像兩位非常高的父母親的孩子往往會更接近平均身高一些。因為725 是一個很高的分數，如果你讓該名學生再次考試， 其成績可能會更加接近平均分500分一些（根據同樣的邏輯，它可以預測一個相應更低一些的GPA）。你可以用這樣的方法來進行思維：如果你不知道一名學生任何方面的資訊，你最佳的預測是他的GPA 將是2.5，如果高中的考試成績和大學的學業成績之間有完全的正相關，你的預測將是3.6。因為高中的考試成績與大學的學業成績之間具有中等程度的相關，那麼最好的預測就是居於 2.5和3.6之間（比平均數高，但是沒有3.6那麼高）。 絕大多數心理學家都認為考試成績是由兩個獨立的成分組成的：“真實分數”和“誤差”。如果一個考試能夠很好地測量一個人的能力，真實分數就是該學生在考試中應得的分數；同時誤差因素包括所有與能力無關但是同樣會影響考試成績的因素（例如考試前一天晚上的睡眠時間、血糖水平、心境以及當時的照明情況等等）。在絕大多數的情況下，這些因素可以相抵消，但是在一些偶然的情況下，這些因素共同作用可以戲劇性地提高或者降低一個人的考試成績。由於這樣的波動與真實分數之間是沒有關係的，因此下一次的考試成績就更有可能向真實分數進行“迴歸”。 忽視這種迴歸現象可能會使決策產生重大失誤。例如，卡尼曼和特韋爾斯基（1973）討論了這樣一個案例，一所飛行學校的指導員得出了這樣的結論， 對飛行員的出色表現進行表揚會導致其下一次飛行成績的下降。這樣的成績下降是否意味著指導員應該停止對飛行員進行表揚？完全不是這樣！如果只是考慮迴歸理論，即一個非常出色的成績必將跟隨著一個更加接近平均數的成績。 那麼，糟糕的成績得到懲罰以後也必將得到提高，而不用考慮這樣的懲罰是否真正產生了作用。 理查德 •尼斯位元和李 •羅斯（Richard Nisbett & Lee Ross,1980,Pp. 163，165）在他們有關人類推論的書中描述了人們對迴歸錯誤理解後產生的另一些後果： 人們對於一些簡單的迴歸現象的錯誤理解（例如一件非常好或者非常
104 第四部分直覺與偏差差的事件之後，必然會跟隨著一些不那麼好或者不那麼差的事件，而不管其中是否存在隨機因素）在我們的日常生活中是屢見不鮮的。這樣的誤解可能會使人們驚惶失措，以為產生了嚴重的“危機”（如犯罪率、疾病或者銀行破產的突然上升，或者是銷售額、降雨量或奧林匹克運動會的金牌數量突然減少），這樣的一些事件對人們產生的影響看起來比實際情況要嚴重得多……僅僅在觀察到一些簡單的迴歸現象後，人們就會產生一些迷信：比如說非要做點什麼去結束一連串的“壞運氣”；或者什麼都不敢做以免失去“好運氣”。 喬治•邁爾奇（George Gmelch,1978年秋）曾經是一名職業棒球運動員， 後來成了一名社會科學研究者，他在他題為“棒球中的魔術”一文中列舉了一些這樣的迷信。根據邁爾奇的說法，紐約巨人隊為了保持16 場連勝的勢頭， 不願意洗他們的隊服，生怕洗掉了他們的好運氣。同樣，1941年布魯克林 Dodgers 隊的隊員 Leo Durocher 在三週半的時間內一直穿著同一雙黑鞋，灰色的襪子，藍色的外套，目的是為了保持連勝的勢頭。 向平均數迴歸同樣也可以解釋為什麼非常成功的運動員或者運動隊在登上了《體育畫報》雜誌的封面以後，其運動成績馬上就有所下降。通常來講，能夠登上該雜誌封面的運動員都是取得了一系列非常優秀的成績之後，如果單單是從迴歸的角度考慮，其運動成績有所下降也有其必然性。眾所周知的“《體育畫報》厄運”其實根本就不是厄運，而僅僅是向平均數迴歸而已。 人為的預測和資料的預測人們忽視基線值和資料迴歸性的傾向性造成了許多令人吃驚和窘迫的現象。在社會科學中（Dawes, Faust & Meehl, 1989）有大約100個研究的結果表明“資料”預測（僅僅是依據給定變數和結果之間的實證關係來進行預測）的準確性等於或者高於 “人為”預測（依據個體的判斷而進行的預測）。換言之， 與一般的常識相反，由決策者完成的決策的準確性往往偏低—即使該決策者完全掌握了資料的資訊。 例如，有這樣一項針對人為決策進行的研究（Lasky,Hover, Smith,Bostian,Duffendack & Nord, 1959），在預測患者是否需要重新進行心理治療的決策中，將12 名心理治療專業人員的決策與患者的病歷檔案重量之同進行比較。 患者的病歷檔案重量可以用來作為患者以往就醫情況的一個大致估計。結果表明，專業人員的判斷的準確性並沒有顯著高於病歷檔案重量的預測作用（兩者的相關係數分別為.62 和.61）。 很顯然，專業人員的專業知識以及掌握的相關資訊是其他因素所無法比擬的。但是使用人為決策的方法通常需要依賴於像代表性這樣的直覺—容易受