加权平均

加权平均会综合多个人的意见或预测，让过去表现更可靠的来源发挥更大作用。你不再同等看待每个人的意见，而是给过往表现更好的专家更高的权重。例如，汇总预测时，你可以根据来源已展现出的准确性，按比例给更准确的来源更高的权重，让表现较差的来源发挥较小的作用。 试试这样：综合专业水平不同的人的意见时，问问自己，谁过去的判断最准确。

加权平均分几步进行：首先，持续记录每个人或模型在类似预测中的表现；其次，根据表现按比例分配权重，准确性越高，权重越大；最后，将每个估计值乘以各自的权重，再把结果相加。关键在于，并非所有意见都同样有价值，而过去的表现往往是预测未来准确性的最佳依据。

这种方法在很多领域都能见到。在金融预测中，预测持续跑赢市场的资深分析师，会对投资组合决策产生更大影响。在气象学中，集合预报系统会综合多个预报，研究人员也考察过：根据模型的过往表现分配权重，是否能提高准确性。专家判断中的经典模型会通过表现校准来验证专家的专业能力，因此可能让校准表现更好的专家发挥更大作用。这种机制能确保最可靠来源的信息对最终决策产生最大的影响。

不过，要让加权平均发挥最佳效果，你需要有客观的过往表现指标，专家需要在自己的专业领域内做预测，而且各个来源不能全都存在相同的偏见或盲点。如果每个人都依赖同一份有缺陷的信息，即使按表现加权汇总，也无法发现系统性错误。这种方法比简单平均有所改进，但你仍然需要多样的视角和独立判断。

• 能根据表现变化调整权重的方案，有助于长期保持准确性；而随着预测者的表现或环境条件发生变化，固定权重的效果可能会下降 [2]

如果表现指标不可靠、专家过去的成功无法在当前情境中重现，或视角的多样性比个人准确性更重要，加权平均就会失效。如果把高权重分配给态度坚定却判断错误的专家，这种方法可能会放大过度自信，也可能压制资历较浅的来源提出的有价值的不同意见。在复杂环境中，如果过去表现与未来表现之间的关系不稳定，按表现分配权重的方案就会面临尤其大的挑战。