面对不确定的事物，人们通常基于启发式来判断。启发式很有用，但是也会带来偏误：比如 看不清=距离远 这一判断在大多数情况下是正确的，但是如果你故意模糊某个东西，人们会错误地以为它更远。
人们在判断概率和估值时候，常常使用这样三个启发式：代表性 (representativeness) 启发式，易得性 (availability) 启发式，调整与锚定 (adjustment and anchoring) 启发式。
代表性 (representativeness) 启发式
- ==人们会错把代表性当概率==。邻居描述史蒂夫是一个羞涩寡言，乐于助人，但是对人和世界不感兴趣的人。让人们去判断他的职业是哪种职业的可能性更大：农民、推销员、机长、图书管理员、医生。人们会错认为史蒂夫是图书管理员，因为这符合他们对这个职业的刻板印象。
- 那么考虑到哪些因素就能够更好地帮助对概率的判断呢？
- 先验概率，又名==基础比率==。人们在考虑代表性的时候，尤其是得到了无意义的证据的时候，会下意识地忽略基础比率，使用代表性来错误的做判断。同样的是上面的史蒂夫问题，应用先验概率和贝叶斯才能得到正确的答案。
- 样本大小。相比于样本揭示的规律，样本大小有时候能够更好的解释问题。
- 对几率的正确理解。赌徒谬误，比如开大小的时候错误地以为概率会自我修正到中间，但是实际上只是自我稀释罢了，连开十次“大”和五五开的概率是一样的。
- 可预测性。可预测性越高，预估值的区间就越广。比如单凭一个对教师教学水平的简短的评测，是不应该能够判断出这个教师五年之后的教学水平的。
- 小心过度自信而对自己的预测产生的有效性幻觉 (illusion of validity) ，原因是确认偏误 (confirmation bias)，即人们会倾向于寻找到能够支持自己观点的证据，对支持自己观点的信息更加关注，或者把信息往能支持自己观点的方向解释。从几个独立的事件来做判断的效果会比冗余的有相关性的事件来做判断效果好。
- 回归均值。人们往往忽略这一趋势的存在，即便意识到也很容易随意地解释其原因。例如，在飞行员的训练中，教官发现，在平稳着陆后给表扬，下一次就会表现得相对更差；在硬着陆后给批评，下一次就会表现得相对更好，然后教官会错误地以为，是表扬和批评导致了下一次的表现。而实际上只是下一次回归均值而已。因此，人们通常会高估批评的效果，低估表扬的效果。
本文首发于 硅谷io
