概率预测极端化

预测极端化，就是将汇总后的概率预测向0%或100%的方向调整，使其更远离50%。当你汇总不同证据后，得到的预测过于谨慎时，这样调整可能有帮助，但仅凭大家意见一致，还不能说明调整会有帮助。 检查一下：调整预测之前，先看看专家们使用的证据是否重叠。

要对预测做极端化调整，先汇总每个人给出的概率，比如取平均值，再让结果更远离50%。平均值高于50%，就向上调；低于50%，就向下调。但调整方向本身并不能说明这样做是否提高了准确性。

举个假设的例子：五位产品经理都认为，某项功能有65%的成功概率。他们给出的概率平均值也是65%。如果他们各自提供了不同且有用的客户证据，汇总后的信息就可能支持更高的信心。如果他们都依据同一份调查，意见一致所增加的信息就比较少。无论是意见一致，还是各自独立开展工作，都不能据此确定怎样调整才合适。

所提供的论文提出了两种机制。第一，概率有上下限：接近100%时，误差向上偏移的空间很小，向下偏移的空间却大得多。在论文对误差所作的假设下，这可能使平均值向50%靠拢。第二，人们知道自己掌握的信息不完整，因此可能会适当地降低信心。汇总不同证据后，就可能有理由比一般个人表现得更有信心。这是一种理论解释，并不是说所有预测者都过于谨慎。[1]

论文报告，对国际事件的预测进行极端化调整后，以布里尔评分衡量的预测表现有所改善。布里尔评分用来衡量概率预测的误差，分数越低越好。论文也提到，有些情况下，让预测不那么极端反而有帮助，可能是因为最初的判断过于极端。因此，信息重叠、证据偏差以及原本就存在的过度自信都很重要；独立判断和意见一致并不能保证调整后会更准确。即使用上全部可用信息，仍可能存在不确定性。[1]

实际操作时，可以用回测来检验：对照过去预测的实际结果，比较不同的候选调整方法。先用一组结果已知的问题选择调整方法，再用留出的问题评估，也就是用没有参与选择调整方法的问题来检验。与未经调整的平均值相比，检查调整后的校准情况，也就是被赋予相近概率的事件，实际发生的频率是否也接近这个概率，同时比较整体预测误差。只有当评估结果支持你对类似预测使用这项调整时，才采用它；否则，就保留原来的平均值。

• 实证证据：Baron及其同事报告，以布里尔评分衡量，对国际事件的汇总预测进行极端化调整后，预测表现有所改善。他们也提到，在后来的一些案例中，让判断不那么极端更合适，可能是因为最初的判断过于极端。这段节选并未证明极端化调整普遍有益 [1]
• 理论：论文提出，在其对误差所作的假设下，概率取值范围的上下限可能使算术平均值向50%靠拢。接近边界时，误差向上和向下偏移的空间不同；论文将这一效应与另一种独立的信息缺失机制区分开来 [1]
• 理论：个人可能会合理地降低信心，以考虑自己缺少的信息，而群体则能汇总不同的证据。作者明确说明，个人的这种谨慎未必是一种偏差，过度自信也可能减弱或逆转所提出的效应 [1]
• 模型假设与局限：这一论证假设，以基于全部可用信息得出的估计值为参照，信息误差导致向上或向下偏离的可能性相同。作者说明，他们的模型是一种近似模型，信息共享会影响群体的信息优势，而且即使拥有全部可用信息，也仍可能存在不确定性 [1]

这段节选并不完整，也没有确定一种普遍适用的调整幅度，或给出意见越一致就应做越大极端化调整的规则。各自独立开展工作，并不能确保预测者使用了不同的证据；使用共同证据，也不能说明每一种调整都会失败。所提出的机制依赖于对信息和误差的假设，不能保证对某个具体预测有效。这里提到的留出样本回测和校准检查属于实践建议，并不是这段节选报告的研究发现。它们是否有用，还取决于是否有足够多结果已知、且与待调整预测足够相似的问题。