在进行粗略的概率判断时，人们通常依赖几种简化经验法则中的一种，这大大地减轻了决策的负担。

人们使用“可获得性”法则时，会根据想象出类似事例的难易程度，或根据能马上记起的类似事件的数量，来判断某件事发生的概率；

使用“锚定”策略时，人们在首次评估时会选择某个起点作为参照，然后根据新信息或分析的结果来调整这个数字，但通常情况下，人们对最初判断的调整程度是不够的。

一、可获得性法则

可获得性是进行概率估计时常用的一条简化经验法则。

在本文中，“可获得性”是指从记忆中想象或检索的容易程度。心理学家的研究已表明，人们在判断一个事件的概率时不自觉地使用了两条线索：

一是他们想象该事件相关例子的难易程度，二是他们能够记住的此类事件的数量或频次。

当人们根据回忆或想象所评估事物例子的容易程度来估计事件的频次或概率时，他们就是在使用可获得性法则。

大多数情况下，这种方法很有效。如果一件事确实比另一件事发生得更频繁，因此概率更高，那么我们可能会记起更多与它相关的例子。一般来说，可能发生的事比不太可能发生的事更容易想象。人们正是基于上述假设来进行推理的。

比如，我们通过回顾相似职位和有类似经验的同事的晋升情况，来评估自己的晋升机会。

尽管这通常很奏效，但当回忆事物的难易程度受到与事物发生概率无关的因素的影响时，人们的判断往往会出错。

图片

事物被记起的难易程度，受到它发生的时间、我们是否亲身参与、它是否有生动难忘的细节，以及它在发生的当时有多重要等因素的影响；这些因素会影响判断，但它却与事件真实的发生概率无关。

假设有两个吸烟的人。一个人的父亲死于肺癌，而另一个人所认识的人中没有人得过肺癌。通常来说，父亲死于肺癌的那个人会认为吸烟大概率会危害健康，尽管一个肺癌个案在进行该评估时并不具有统计学意义。

当人们在没有真正分析形势的情况下就迅速做出直觉判断时，很可能会受到可获得性偏差的影响。待评估的情景与个人的经验越相符，它就越容易被想象并且看起来越有可能。

许多外在因素会影响对未来事件的情景想象力，它们也同样会影响事件在记忆中的可检索性。奇怪的是，分析行为本身就是这些因素之一。

为未来可能的事件构建详细情景的行为，使得该事件更容易被想象，因此增加了它被感知的概率。这是来自中情局分析人员的经验，他们使用过各种特殊的工具来分析可能性极小但很重要的假设。

通常，这类分析会提高对“不太可能”场景的重视程度。这种现象在心理学实验中也得到了证明。

总之，可获得性法则经常被用来判断可能性或频率。人们很难不这样做，因为在许多情况下，当更详细的分析没有保证或不可行时，这条经验法则可以节省时间。然而，我们需要知道自己何时在走捷径，必须知道这些程序的长处和短处，并能识别何时最可能误入歧途。

图片

当意识到自己正在使用可获得性法则时，就应该提高警惕。对概率的认真分析，需要对多个会影响情景结果的变量进行识别，并评估它们的强度和相互作用。

二、锚定效应

人们常直觉地、潜意识地使用的另一种用于简化决策判断的策略——锚定。一些自然的起始点被当作所做判断的第一个近似估计，它们可能是基于之前相同主题的分析，也可能是基于局部计算。

这个起始点之后会根据分析的结果或新增信息进行调整。然而，通常情况下，起始点作为锚或阻力，限制了调整量，所以据此估计得出的最终结果，要比实际结果更接近起始点。

锚定可以非常简单地在课堂练习中被演示：

要求一组学生估计一个或多个已知量，比如，在非洲的联合国成员国的百分比。

给一半学生一个低百分比的数字，给另一半学生一个高百分比的数字，要求他们先用这个数作为估计的答案，然后在思考问题的过程中，调整这个数值，直到尽可能地接近他们认为的正确答案。

当在一次实验中这样做时，那些以10%为锚点开始的人，最终调整后的平均估计值为25%，那些以65%为锚点开始的人，调整后得出的平均估计值为45%。

由于调整不充分，与以较低估计数值开始的人相比，以较高估计值开始的人最后得到的估计数值显著更大。即使是完全随机产生的起点也起到了锚的作用，产生了阻力或惯性，从而抑制了对起始估计值的全面调整。

锚定现象产生的原因尚不十分清楚。最初的估计值决定了人们的第一印象，并且是早期评估的依据。在重新计算时，他们将其作为起始点，而不是完全从零开始；但这为何会限制随后推理的范围，其原因并不清楚。

有证据表明，即使意识到锚定现象会影响认知，人们仍不能克服它。这是研究认知偏差的实验中的常见发现。即使在告知被试锚定现象的存在且要求他们尽量避免或弥补锚定带来的偏差时，这些偏差仍然存在。

图片

避免锚定偏差产生的一种方法，可能是忽略自己或他人先前的判断，并对问题从头进行思考。换句话说，有意识地避免以任何事先的判断作为出发点。

目前，还没有实验证据表明这样做是可行的或是有效的，但似乎值得一试。另外，有时也可以通过采用正规的统计程序来避免人为的错误。

例如，贝叶斯统计分析可以用于根据新信息对先前的判断进行修改，以避免锚定偏差。

三、基础概率谬误

对某个情况进行评估时，分析人员有时有两类可用的证据，一类是有关当前手头个案的具体证据，另一类是对许多类似案件进行总结的统计信息，后者又被称为基础概率或先验概率。

在越南战争期间，一架战斗机在黄昏时分对美国的空中侦察任务进行了非致命性的扫射攻击。柬埔寨和越南的战斗机都在该地区活动。你知道以下事实：

① 具体案例资料：美国飞行员认出这架战斗机是柬埔寨的。在适当的能见度和飞行条件下，对该飞行员的飞机识别能力进行了测试。当在实验中被展示战斗机时（一半带有越南标记，一半带有柬埔寨标记），飞行员80%的时间正确识别，20%的时间识别错误。

② 基础概率数据：该地区85%的战斗机是越南的，15%是柬埔寨的。

问题：战斗机是柬埔寨的而不是越南的可能性是多少？

可按照以下常见的推理程序来回答该问题。我们知道飞行员识别出飞机是柬埔寨的，我们也知道飞行员的识别正确的概率是80%；因此，有80%的可能性该战斗机是柬埔寨的。

这个推理看似合理，但不正确，因为它忽略了基础概率，即该地区85%的战斗机来自越南。基础概率，或者说先验概率，是指在了解具体目击事件之前，你可以对该地区敌方战机发表的任何看法。

尽管飞行员“可能正确”地进行了识别，但实际上飞机是越南的可能性更大。

如果你对概率推理不熟悉，还没有理解到这一点，那么请想象一下，假设飞行员遇到类似情况100次。

根据②中的信息，我们知道，其中有85次碰见的是越南飞机，有15次碰见的是柬埔寨飞机。

根据①提供的信息，我们知道，85架越南飞机中的80%（68架飞机）将被正确识别为越南飞机，而20%（17架飞机）将被错误识别为柬埔寨飞机。

同样地，在15架柬埔寨飞机中，有80%，即12架飞机被正确识别为柬埔寨的，而剩下的20%或者说3架飞机将被错误地认为是越南飞机。

这样一来，该飞行员声称总共目击71架越南飞机和29 架柬埔寨飞机，其中，只有12次正确地识别了柬埔寨飞机，其他17次都错误地将越南飞机当作了柬埔寨飞机。

因此，当飞行员声称是柬埔寨战斗机发起攻击时，尽管飞行员的识别在80%的情况下都是正确的，但该飞机是柬埔寨飞机的概率，实际上只有12/29，即约41%。

这可能看起来像是一个数学技巧，但事实并非如此。结论的差异源于飞行员观察到越南飞机的先验概率很高。由于未经训练的直觉判断并没有结合概率推理的一些基本统计原理，因此在理解上会出现困难。大多数人没有将先验概率纳入他们的推理中，因为它看起来无关紧要。

比如，该地区战斗机的背景信息与飞行员的观察之间没有因果关系，所以看起来不相关。该地区85%的战斗机是越南的，15%的战斗机是柬埔寨的，这一事实并不是这次袭击是由柬埔寨战斗机而不是越南战斗机发起的原因。

为了理解与因果相关的背景信息所带来的不同影响，请考虑对同一问题的另一种表述。将问题的②段信息，替换为以下内容：

② 尽管两国在该地区的战斗机力量大致相等，但所有的滋事事件中，85%涉及越南战机，15%涉及柬埔寨战机。

与之前的问题相比，这个问题在数学上和结构上没有变化。然而，对许多被试进行的实验表明，它对心理上的影响是完全不同的，因为它暗示了一种因果关系的解释，从而将先验概率与飞行员的观察联系起来。

如果越南更有滋事倾向而柬埔寨没有，那么有关越南战斗机比柬埔寨战斗机更有可能滋事的先验概率就不再被忽略。将先验概率与因果关系联系起来，立即增加了飞行员可能观察错误的概率。

对于这个修订版的问题，大多数人可能会有以下推论：根据过去处理此类事件的经验，我们知道滋事通常是由越南发起的；然而，我们从飞行员那里得到相当可靠的报告，说那是一架柬埔寨战斗机。

这两个相互矛盾的证据会相互抵消，因此，我们很难判断——柬埔寨和越南各自的概率大约都是50%。

当采用这样的推理时，即我们使用了先验概率的信息，并将其与具体案例的信息整合在一起，即使我们并没有进行复杂的数学计算，最终得出的结论也会更接近于最佳答案（仍是41%）。

图片

当然，很少有问题会像“越南还是柬埔寨战斗机”这个例子一样，明确地给出基础概率。当基础概率不是很清楚，但又必须对它们进行推断或研究时，这一概率就更不可能被人们使用。

所谓的规划失误（我个人对此感到羞愧），就是这类问题的一个例子，在这类问题中，基础概率不是以数字形式给出，而是必须从经验中抽象出来的。在规划一个研究项目时，我可能估计它能够在四周内被完成。

此估计是基于相关的具体案例的证据：所需的报告长度、原始材料的可用性、主题的难度、允许可预见和不可预见的中断等。我也拥有过去做类似估计的一套经验。

和许多人一样，我几乎从来没有在最初估计的时间范围内完成过研究项目！但我被与具体项目相关的证据的直接性和说服力魅惑。所有与该项目有因果关系的证据都表明，我应该能够在分配给我的时间内完成这项工作。

尽管我从经验中知道，这种情况永远不会发生，但我并没有从这种经验中吸取教训。我继续忽视基于过去许多类似项目所得的非因果的、概率的证据，估算出我几乎不可能实现的完成日期。