代表性启发式与基率忽视

我们常常根据一件事与熟悉的例子有多相像，来判断它有多大可能发生，却忽略实际概率。在出租车问题中，大多数人只关注目击者的辨认准确率（百分之八十），却忽略了绿色出租车要常见得多（绿色占百分之八十五，蓝色占百分之十五）。那辆车实际是蓝色的概率只有约百分之四十一，而不是百分之八十。这种模式随处可见：医生会因为检测结果呈阳性而高估患癌风险，投资者会追捧接连表现出色、看起来像过去赢家的投资对象，人们也会认定一个安静的人一定是图书管理员而不是银行职员，尽管银行职员的人数更多。 请注意：听到具体的故事或生动的细节时，先问问自己，背后的统计数据怎么说。

代表性如何盖过基率

我们的大脑喜欢寻找模式。当某件事符合我们熟悉的典型形象时，我们就会觉得它发生的可能性比统计数据所显示的更高。这种思维捷径叫作代表性启发式，在许多日常情境中很管用。但当基率，也就是某类情况本来的常见程度，与刻板印象冲突时，它就会系统性地出错。在经典研究中，只要一段性格描述看起来符合某个群体的典型形象，人们就会一再忽略总体的统计数据，即使这个群体的人数很少。

医疗决策：假阳性也让人信以为真

医生和患者常常因为检测结果呈阳性而高估患病风险。以乳腺钼靶检查为例：假设女性的乳腺癌患病率为百分之零点八，检查能检出百分之九十的患病者，同时会把百分之七的未患病者误判为阳性，那么阳性结果中，只有一小部分确实意味着患癌。研究发现，医生经常高估这一概率。类似的错误也出现在艾滋病病毒检测、毒品筛查和法庭证据的判断中。

实验室之外：日常生活中的模式匹配错误

在工作中，代表性会让我们期待求职者符合熟悉的典型形象，而没有考虑统计上更常见的情况。投资者会追捧近期表现与过去赢家相似的基金，却忽略了大多数接连表现出色的走势只是随机波动。在司法情境中，陪审员过于看重目击者的自信程度，却没有考虑目击者在类似情况下出错有多常见。政治判断也会受到影响：我们会认为领导人的性格能解释事件的走向，而结构性因素其实更重要。

这种偏差什么时候更强，什么时候更弱？

当描述个案的信息生动而具体时，基率忽视最强。与具体的故事相比，抽象的统计数据很容易被抛在脑后。以下情况会减弱这种偏差：把基率写成人数频数，而不是百分比，比如说每一千人中有十人，而不是百分之一；让人通过亲身经历学习，而不是只听文字描述；决策的利害足够大，能促使人认真推理。个体差异也有影响：统计训练更扎实的人较少忽视基率，但即使是专家，在时间压力下也可能受到影响。

关于代表性和基率忽视的研究已跨越五十年，始于卡尼曼和特沃斯基对启发式与认知偏差的奠基性研究。他们的研究表明，当人们得到具体的个案信息时，概率判断会系统性地偏离规范标准。特沃斯基和卡尼曼最早描述的出租车问题，成了一个经典示例：参与者得知基率（85%为绿色，15%为蓝色）和目击者的可靠性（辨认准确率为80%）后，给出的概率估计中位数是80%，而不是约41%的贝叶斯后验概率。

• 卡尼曼和特沃斯基（1972）：提出代表性是一种判断概率的启发式，表明主观概率取决于某件事与典型形象的相似程度，而不是统计频率；样本量对可能性判断的影响很小 [1]
• 特沃斯基和卡尼曼（1973）：通过律师与工程师问题展示了基率忽视。参与者预测一个人的职业时，主要依据性格描述，而不是先验概率，即使题目明确给出了基率也是如此 [2]
• 吉仁泽和霍夫拉格（1995）：发现与条件概率相比，自然频数（如每1000人中有10人）能大幅改善贝叶斯推理。这表明，基率忽视部分源于信息的呈现形式，而不一定是人从根本上缺乏理性 [3]
• Stengård等人（2022）：发现个体差异呈双峰分布，有些参与者几乎完全忽略基率，另一些则几乎能充分考虑基率。前一组的表现可用线性加法模型拟合，后一组则可用贝叶斯模型拟合 [4]

基率忽视并非普遍存在，也并非不可避免。吉仁泽及其同事认为，当信息以人们通过学习获得的频数呈现，而不是以单次事件的概率呈现时，人们能够有效地进行概率推理。Koehler（1996）记录了研究方法上的问题：许多研究的措辞含糊；当问题表述更清楚，且参与者亲身体验随机抽样时，基率忽视会减弱。Cosmides和Tooby（1996）发现，用频数形式呈现信息能大幅改善表现，而这种形式可能符合人类在进化过程中积累的经验。关于基率忽视究竟反映了认知局限，还是一种适应性策略，学界也仍有争论：当基率看起来与具体个案无关时，忽略它可能是理性的。个体差异的影响很大，统计训练能减轻这种效应，但无法彻底消除它。