b．过早下结论和过度一致性

·　在选择先前讨论过的考虑因素时，是否存在偶然出现的偏差？

·　是否充分考虑了其他可能性并积极寻找过支持其他可能性的证据？

·　令人不安的数据或观点是否遭到忽视或压制？

3．信息处理

a．可用性和显著性

·　参与者是否因事件是近期发生的、颇具戏剧性且与个人相关而夸大了该事件的相关性，哪怕该事件并不具有判断价值？

b．对信息品质不重视

·　判断是否严重依赖于传闻、故事或类比？有数据可以证实这样的判断吗？

c．锚定

·　准确度或相关性不确定的数字是否在最终判断中起到了重要作用？

d．非回归性预测

·　参与者是否进行了非回归性推断、估计或预测？b．过早下结论和过度一致性

·　在选择先前讨论过的考虑因素时，是否存在偶然出现的偏差？

·　是否充分考虑了其他可能性并积极寻找过支持其他可能性的证据？

·　令人不安的数据或观点是否遭到忽视或压制？

3．信息处理

a．可用性和显著性

·　参与者是否因事件是近期发生的、颇具戏剧性且与个人相关而夸大了该事件的相关性，哪怕该事件并不具有判断价值？

b．对信息品质不重视

·　判断是否严重依赖于传闻、故事或类比？有数据可以证实这样的判断吗？

c．锚定

·　准确度或相关性不确定的数字是否在最终判断中起到了重要作用？

d．非回归性预测

·　参与者是否进行了非回归性推断、估计或预测？4．决策

a．计划谬误

·　当使用预测时，人们是否质疑过其来源和有效性？是否使用过外部视角来质疑这些预测？

·　不确定的数字是否有置信区间？置信区间够宽吗？

b．损失厌恶

·　决策者的风险偏好是否与组织一致？决策团队是否过于谨慎？

c．即时倾向

·　采用的计算方式（包括所使用的折现率）是否反映了企业对短期目标和长期目标之间优先性的权衡？4．决策

a．计划谬误

·　当使用预测时，人们是否质疑过其来源和有效性？是否使用过外部视角来质疑这些预测？

·　不确定的数字是否有置信区间？置信区间够宽吗？

b．损失厌恶

·　决策者的风险偏好是否与组织一致？决策团队是否过于谨慎？

c．即时倾向

·　采用的计算方式（包括所使用的折现率）是否反映了企业对短期目标和长期目标之间优先性的权衡？附录3

对抗噪声，修正预测

匹配性预测是我们依赖直觉式匹配过程而产生的错误（参见第14章）。当我们基于现有信息做预测时，我们会进行匹配性预测，就好像我们能够依据这些信息对结果做出完美的或准确率非常高的预测一样。

让我们来回顾一下朱莉的例子，她4岁就能流利地阅读，那么她在大学时的GPA会是多少呢？如果你预测朱莉在大学时的GPA是3.8，这就意味着你从直觉上判断朱莉4岁时的阅读水平处于其年龄组的前10%（但不在前3%～5%）。然后，你心中有一个隐含的假定，即朱莉上大学时的GPA也应处于她所在班级的第90百分位数左右，那么与此相对应的GPA就是3.7或3.8——这是很常见的答案。

然而，这种推理在统计学上是不正确的，因为它严重夸大了关于朱莉的已知信息的判断价值。一个早慧的4岁孩子不一定永远都是“学霸”，当然了，小时候有阅读障碍的孩子也不一定一直在班里学习成绩垫底。附录3

对抗噪声，修正预测

匹配性预测是我们依赖直觉式匹配过程而产生的错误（参见第14章）。当我们基于现有信息做预测时，我们会进行匹配性预测，就好像我们能够依据这些信息对结果做出完美的或准确率非常高的预测一样。

让我们来回顾一下朱莉的例子，她4岁就能流利地阅读，那么她在大学时的GPA会是多少呢？如果你预测朱莉在大学时的GPA是3.8，这就意味着你从直觉上判断朱莉4岁时的阅读水平处于其年龄组的前10%（但不在前3%～5%）。然后，你心中有一个隐含的假定，即朱莉上大学时的GPA也应处于她所在班级的第90百分位数左右，那么与此相对应的GPA就是3.7或3.8——这是很常见的答案。

然而，这种推理在统计学上是不正确的，因为它严重夸大了关于朱莉的已知信息的判断价值。一个早慧的4岁孩子不一定永远都是“学霸”，当然了，小时候有阅读障碍的孩子也不一定一直在班里学习成绩垫底。在大多数情况下，很多人的出色表现不可能一直延续下去；反之，糟糕的表现也往往会得到改善。尽管我们很容易就能想到一些社会学、心理学甚至政治学的原因来对这种现象做出解释，但这根本没必要，这纯粹是一个统计学现象。因为过去的表现与未来的表现并非完全相关，在一个方向或另一个方向上出现的极端观测值往往会在后续的观察中变得不那么极端，这种趋势被称为均值回归。因此，就匹配性预测而言，我们使用的术语是非回归性，因为它没有考虑到均值回归这一现象。

从定量的角度来看，如果能流利阅读的年龄是未来GPA的完美预测指标，换句话说，如果这两个因素之间的相关系数为1，那么你对朱莉的判断就是正确的。然而，显而易见的是，现实情况并非如此。

有一种统计方法可以帮助人们做出更准确的判断，但即使对于受过一些统计学训练的人来说，这种方法也不是很直观，并且很难觉察。接下来，我们以朱莉的情况为例来介绍这种方法的实施流程（见图33-1）。

图33-1　以均值回归调整直觉性预测的图示在大多数情况下，很多人的出色表现不可能一直延续下去；反之，糟糕的表现也往往会得到改善。尽管我们很容易就能想到一些社会学、心理学甚至政治学的原因来对这种现象做出解释，但这根本没必要，这纯粹是一个统计学现象。因为过去的表现与未来的表现并非完全相关，在一个方向或另一个方向上出现的极端观测值往往会在后续的观察中变得不那么极端，这种趋势被称为均值回归。因此，就匹配性预测而言，我们使用的术语是非回归性，因为它没有考虑到均值回归这一现象。

从定量的角度来看，如果能流利阅读的年龄是未来GPA的完美预测指标，换句话说，如果这两个因素之间的相关系数为1，那么你对朱莉的判断就是正确的。然而，显而易见的是，现实情况并非如此。

有一种统计方法可以帮助人们做出更准确的判断，但即使对于受过一些统计学训练的人来说，这种方法也不是很直观，并且很难觉察。接下来，我们以朱莉的情况为例来介绍这种方法的实施流程（见图33-1）。

图33-1　以均值回归调整直觉性预测的图示1．用直觉去猜测

你关于朱莉的直觉或关于任何你有所了解的事件的直觉都并非毫无价值。你的快速的系统1思维可以轻松地将你所拥有的信息置于相应的预测量尺上，并为朱莉的GPA猜测一个数值。如果你拥有的信息具有完美的预测性，你就应该按照你的猜测来进行预测。猜完后请写下你的结论。

2．寻找均值

现在，请你后退一步，暂时忘记关于朱莉的一切信息。如果你对朱莉一无所知，你会如何预测她的GPA呢？答案很简单：在没有任何信息的情况下，你对朱莉的GPA的最佳估计应该是大学生群体的平均GPA——3.2左右。

以这种方式来看待朱莉问题遵循了我们在前文提到过的一种更广泛的原则，即外部视角。当我们采用外部视角时，我们将所考察的案例视为一类案例中的一则个案，然后从统计学角度去考察这一类案例。例如，请你回想一下，在迈克尔·甘巴迪问题中，外部视角是如何帮助我们思考新任CEO能否留任的基础概率的（参见第4章）。

3．评估已有信息的诊断价值

这是很困难的一步，你需要问自己：“我目前拥有的信息的预测价值有多大？”这个问题很重要，而原因再清楚不过了。如果你只知1．用直觉去猜测

你关于朱莉的直觉或关于任何你有所了解的事件的直觉都并非毫无价值。你的快速的系统1思维可以轻松地将你所拥有的信息置于相应的预测量尺上，并为朱莉的GPA猜测一个数值。如果你拥有的信息具有完美的预测性，你就应该按照你的猜测来进行预测。猜完后请写下你的结论。

2．寻找均值

现在，请你后退一步，暂时忘记关于朱莉的一切信息。如果你对朱莉一无所知，你会如何预测她的GPA呢？答案很简单：在没有任何信息的情况下，你对朱莉的GPA的最佳估计应该是大学生群体的平均GPA——3.2左右。

以这种方式来看待朱莉问题遵循了我们在前文提到过的一种更广泛的原则，即外部视角。当我们采用外部视角时，我们将所考察的案例视为一类案例中的一则个案，然后从统计学角度去考察这一类案例。例如，请你回想一下，在迈克尔·甘巴迪问题中，外部视角是如何帮助我们思考新任CEO能否留任的基础概率的（参见第4章）。

3．评估已有信息的诊断价值

这是很困难的一步，你需要问自己：“我目前拥有的信息的预测价值有多大？”这个问题很重要，而原因再清楚不过了。如果你只知