出现时,只需要看这一事物的“代表性特征”是否出现。这样,以两类事件是否具有相似性或代表性特征为依据,通过事件A的相关数据与信息评估事件B。Р在做出决策的时候,我们往往会搜索同类事件出现的结果,并以此作为推理的主要依据。一般情况下,这是一个有用的分析方法。但是在寻找规律或结果的概率分布的过程中,当代表性使得你忽视其他类型的相关信息时,它就会让你误入歧途,从而得到错误的信息,并导致决策的错误。Р导致代表性偏差的原因Р对于结果的先验概率的不敏感:随着情境中细节数量的增加,该情境发生的概率只会逐渐降低,但是他的代表性和由此带来的外显得可能性却会上升。——人们更喜欢毫无依据的细节化的场景。?对于样本大小的不敏感(小数法则):局部代表性、手热现象、赌徒谬论、偶然事件的自我修复功能。人们产生这种偏差的原因是:总是希望随机抽取的样本能够很好的代表总体。(代表性直觉)?忽视基线:相对出现的频率是对概率的最好的推测。但是如果出现无关的描述性内容的时候(产生代表性直觉),人们往往忽略这种基线。?非回归性预测:向平均数回归是统计学的一个现象,即较高或者较低的分数往往伴随着一些更加接近平均数的分数。不考虑其他的因素,最佳的估计就是均值,但是如果一个完全不相关的额外变量的出现,你可以推测出另外一个预测,合适的预测就是两者之间。基于数据的预测可能要比认为的预测准确度高。Р代表性直觉产生于人们对于一系列概率问题的判断。代表性直觉在特定情境下会出现,从而产生偏差,以至于人们忽略了真正的概率分布。(即人们可能因为代表性直觉而更加倾向于选择一个小概率事件。) ?代表性偏差的主要表现是在搜集信息时忽略样本的大小。统计学原理告诉我们,在分析事件特征或规律时,统计样本的大小具有重要而关键的意义。统计分析过程中,样本的数量愈接近真实的数量,统计的结果也就愈可信。也就是说,样本越大,其真实性越大;样本越小,其真实性越小。
全文预览
