如何衡量万事万物 (10) 人的判断

这一章太有趣了，差点不小心忽略铁人赛时间。

本章是在谈：

• 「人类的心智」具有独特的评估能力，人类心智虽然好像不是客观的，但我们势必会在做决定时，运用「人的判断」，例如对新计划的成本估算、新产品的潜力、员工评监等等
• 如果希望使用「人的心智」做为衡量的一部分，就需要找到方法来开发它的力量，并且调整其误差

决策背後的奇怪理由

先介绍偏误类型：

• 定锚 (anchoring)：
  • 光是想着一个数字，就会影响接下来对数字的判断，即使是完全无关的主题。
  • 例如，先写下自己的身份证後四码号码，再估算纽约的医师数量
• 月晕效应 & 尖角效应 (Halo/horns effect)
  • 先让人们看到有利/不利的某项证据，因而产生印象，会导致他们用「支持印象」的角度来解释随後出现的资讯
  • 例如，你对某人的外表有好感，因而对他的论文给比较高的评分
• 从众偏误 (Bandwagon bias)
  • 在实验中，房间里有多个受测者，受测者在视力测验中判断三条直线 ABC 哪一条和 X 线等长
  • 在不干扰的情况下，答错率是 99%
  • 某些受测者私下被指示要选择 A （错误答案），1 个人故意犯错後，剩下的正确率是 97%，而有 2 个人故意犯错，剩下的正确率是 87%，3 个人犯错後则是 67%
  • 若「全部人都答对就会有团体奖金」，则只有 53% 的人会答对
• 浮现偏好 (emerging preferences)
  • 一旦「在决策过程中」开始偏好某些选择，会用「接下来才新增的资讯」，去支持自己的选择
  • 例如，若你本来没有偏好，但在决策过程中「才」发现你喜欢 A 胜过 B，在这个偏好出现以後，你再告诉他们 A 的风险比较小、但工时比较长。此时你很有可能会回答：「我一直以来都喜欢快速完工，胜过低风险」
  • 另一个实验是请顾客品尝两种果酱，再问他们喜欢哪一种。随後偷偷将两个罐子调换，再次请受测者品尝「自己喜欢的果酱」，75% 无法发现果酱被换过了，并且能够详细解释为什麽他们喜欢这瓶果酱。

学习幻觉 illusion of learning

由於接下来要讨论「专家判断 v.s. 统计预测」，作者介绍了一个叫「学习幻觉 illusion of learning」的概念——人们倾向相信随着时间的增加，自己的判断必定会变得比较好。

对应到「专家判断」的情况：

• 对问题分析之後再做决定，会「感觉比较好」
• 这个意思是，无论分析本身是否有改善决策，决策的信心都会增加

例如：

• 在预测赛马前阅读赛马的资料，对预测的信心会提高，一开始「有读过适当资料的人」的确会表现比较好，但接下来继续增加资料量，直到资讯超载而导致预测变差，决策的信心仍然会继续上升
• 「在自己做决定前，先寻求他人意见」也有类似赛马的情况

案例讨论 & 一些作法

接下来作者介绍了在「大量使用判断」的领域，常常会使用的方法，这些方法的误差，以及如何修正误差。

为多个因素评分後加总 → 加权分数 v.s. 简单线性模型

例如要判断房地产投资的商业机会时，会先定义几项主要因素，例如地点优越性、成本、巿场成长性等等，先各别评估後，最後综合成整合分数。

在整合之前，常常会对不同的因素进行「加权」。这些「加权」的目的是反应 A 因素比 B 因素重要。

作者表明自己曾经非常反对「加权」，但後来被一些研究结果说服 XD

这里的重点是，作者不建议设定任意的权重 & 评分，主要是人类在随意打分数时，数值变动很大，例如对某些事总是给 7～8 分，而对另一件你相信更重要的事，却给 4~ 5 分。

作者介绍一个简单的线性作法，主要是采用常态分配

• 先完成逐项评估，为每个因素给予序数或数字分数
• 计算每个栏位的平均数
• 计算每个栏位的标准差
• 取得常态化的 z 分数 (normalized z-score) - (数值 - 平均数) / 标准差
• 此时产生了一个分数，平均数为 0 ，下限为 -2 或 -3 ，而上限是 +2 或 +3

这种作法会简单地避免产生不适当的权重。

(to be continued..... 时间要到了 >"<)