先验分布获取技术

获取先验分布，就是认真梳理人们已有的知识，把它们转化为清晰、可检验的决策起点。只要你用结构化方法把假设摆出来并加以检查，“先验就是偏见”的说法就站不住脚。例如，医院团队要估计新设备在第一年发生故障的概率，可以请专家分别给出低值、最佳估计值和高值，再记录他们的判断理由。

试试这样：选一个你关心的预测，写下下限、最佳估计值和上限，让你有九成把握认为真实值落在这个范围内。

如何运作（输入、处理与输出）：

• 输入：明确定义要估计的具体量，包括估计什么、涉及哪里、时间范围多长；选择合适的专家，并收集已有的基础事实。

• 处理：先简要介绍常见偏差，再选择提问方式，例如用百分比表达概率、询问不同概率对应的取值，或询问出现频数。然后按步骤进行：先明确概念，再询问取值范围、追问理由、提供反馈，并反复调整。

• 汇总：把每位专家的判断整理成一条前后一致的概率分布曲线，检查判断的校准程度或是否符合实际，再合并不同专家的判断，可以采用相同权重，也可以按表现分配权重。记录整个过程。

• 输出：得到一份透明的先验分布，并进行敏感性检查，看看换用其他合理的先验分布后，结果会怎样变化。

例如，产品经理请客服、销售和数据负责人给出第五至第九十五百分位的范围，用来估计首月流失率；城市规划师通过结构化研讨会，获取工程师对洪水风险的量化判断；人力资源团队通过一次简短的远程征询，预测关键岗位的招聘用时。

当数据稀缺或不断变化、专家背景多样，而且流程包含培训、反馈和反复调整时，这种方法最能发挥作用。具体形式包括一对一征询或小组讨论、行为汇总（通过讨论达成共识）或数学汇总（取平均值），以及在有校准数据时按表现分配权重。

研究表明，结构化征询能提高透明度，而且可能比临时、随意做出的判断更可靠，尤其是在数据稀缺时。流程中的选择，包括提问形式、反馈和汇总方式，都会显著影响质量。

• Garthwaite、Kadane 和 O’Hagan（2005）：综述了征询形式和拟合方法；培训与反馈能减少过度自信，提高可靠性 [2]。
• O’Hagan 等（2006）：分步骤的流程和清晰的定义能减轻偏差；拆解问题和反复调整能提高准确性 [1]。
• Cooke（1991）：根据校准程度（概率判断与实际结果的吻合程度）和信息量，按表现加权合并判断，往往优于等权平均 [3]。
• NICE 技术支持文档（2014）：实践指南（包括 SHELF）表明，在卫生技术评估中，记录征询过程并进行敏感性检验，有助于改善决策 [5]。

• 当数据充足且质量很高时，这种方法的作用有限，应让数据发挥主导作用。
• 容易受到过度自信、锚定效应、群体思维和专家选择不当的影响。
• 按表现分配权重需要校准题；没有这些题时，采用相同权重可能更稳妥。
• 存在利益对立或受到政治因素影响时，输入的判断可能失真；应采用盲法，让专家独立作答。
• 结果依赖于假设；务必进行敏感性分析。