讀《Thinking, Fast and Slow》因果蓋過統計

基率(base rate)的統計機率容易被系統一忽略，但是如果該機率有因果關係的聯結，則系統一就會注意到它。一個城市的計程車如果85%是綠色15%藍色，則目擊者說是藍色計程車肇事，但目擊者的準確性只有80%，則真的是藍色的機率只有41%(15%*80%/(15%*80%+85%*20%))。但是如果說綠色計程車造成85%的車禍，藍色計程車造成15%的車禍時，系統一會感覺到此因果關係，比較不會以為真的是藍色的機率是80%。

如果要真的改變一個學生的想法，光是提供統計數字是沒用的，學生只會記得有一個統計事實很特別，卻不會改變下一次他自己遇到類似事件時的直覺想法。真正有效的教育方式是給一個令學生驚奇的個案，因為這個驚奇的個案經驗會進入學生的系統一記憶，讓他產生因果關係的聯想。人總是不願意從統計(一般狀況)去推斷個案，雖然大家會這樣，但自己一定不一樣，卻很願意從個案去推斷統計(一般狀況)，如果我會這樣，大家應該都會這樣。

任何有運氣成分的事情，一天的好狀況，幾乎表示隔天就會回歸平均(平庸)。任何兩個相關的因子，只要不是完全正相關，或完全負相關，相關係數在-1與1之間，不完全的相關，都會出現回歸平均(平庸)的現象。表現很差的駕駛學員，被教練痛罵，下一次表現較好，其實只是回歸平均，卻讓教練(老師)以為痛罵(打)有效，形成錯誤的因果關係的直覺。去年創紀錄的分店，次年最可能的表現是會比去年略差一些。

降低你的直覺的預測，我們總是用現在的評估當做預測的評估，很容易忽略回歸平均。直覺的預測通常比較極端，依賴不可信的證據，過度自信來自於，系統一會從證據去編造一個最合理(最協調)的故事。除了創投與銀行大型貸款，也許極端的預測是合乎邏輯，因為創投極不願錯過，銀行大型貸款極不願出現呆帳。作者Kahneman提出降低直覺預測的方式是，先依據沒有證據的情況估計，再依證據的直覺估計，再評估證據與結果的相關係數，如果相關係數0.3，則從基本機率的預測移動30%到直覺估計。