参考类别预测

参考类预测是抵御计划谬误的外部视角方法——它不是根据项目的内部计划和规划者的信心来预测项目，而是从广泛的可比项目类别的实际结果出发。其关键洞见在于，关于通常会发生什么的分布信息，往往比关于规划者希望发生什么的详细故事更具预测力。

外部视角的起源

这种方法源于内视角与外部视角的区分。内视角集中关注特定项目——项目计划、任务、障碍、资源，以及看似足以期待成功的理由。外部视角则询问类似项目实际上取得了怎样的结果。这一区分在一个课程项目中变得具体起来。该项目是在丹尼尔·卡尼曼说服以色列教育部官员支持一项面向高中生的判断与决策课程后组织的。团队成员包括有经验的教师、心理学学生，以及耶路撒冷希伯来大学教育学院院长西摩·福克斯。团队在拟定课程大纲和教科书期间，连续约一年每周五下午开会。

在该项目期间，参与者私下估计将完成的教科书提交给教育部需要多长时间。这一程序旨在公开讨论前先引发每个人的判断，从而更充分地利用群体中分散的知识。然而，团队的估计不切实际地乐观。后来，当成员面对外部视角和最终结果时，他们集体忽视了统计信息。这一事件说明了为什么需要这种方法——对一个生动而具体的个案所形成的个人印象，可能压倒广泛证据对于可比案例所揭示的信息。

方法与程序

参考类预测首先要确定一个适当的参考类别，例如厨房装修项目或大型铁路项目。该类别必须包含与当前项目足够相似的项目，同时又要足够广泛，以便提供关于实际结果的有意义信息，而不是仅仅重复当前项目的假设。

下一步是取得参考类别的统计数据，并以此建立基线预测。对于交通运输项目，相关数据库可能包含世界各地数百个项目的计划与结果。这类数据可以显示铁路每英里的典型成本、支出超出预算的百分比、可能出现的工期超支，以及不同类型项目表现不佳的程度。因此，基线锚定的是已经发生的事情，而不是当前计划的可信程度。

关于个别项目的具体信息并不会被舍弃。之后可以利用这些信息调整基线，但只有在存在特定理由、足以预期乐观偏差或可能结果会不同于参考类别时，才进行调整。这种先后顺序很重要——首先建立统计分布，只有基于可识别的证据，才允许个案叙事对其作出修改。以这种形式，参考类预测把外部视角的纠偏力量与对内视角的有限使用结合起来。

纠正计划谬误

计划谬误描述的是那些不切实际地接近最佳情形的计划与预测。最初的预算错误并不总是无心之失。规划者可能因为项目获批取决于乐观估计而作出这种估计，同时也知道，项目很少会仅仅因为成本或完成时间超过原计划就被放弃。因此，批准此类计划的决策者同样负有责任——批准一项估计，却不要求采用外部视角，可能会把计划谬误制度化。

这种方法的核心补救措施，是防止规划者低估或忽视分布信息。外部视角并不取决于项目的内部叙事是否感觉连贯。它要询问的是，该项目在可比结果的实际分布中处于什么位置。因此，当一项计划包含许多个别看来合理的步骤，却没有现实地说明整个类别中通常会逐步累积的超支、延误和失败时，这种方法尤其有价值。

预测、专业知识与校准

关于预测的更广泛证据解释了为什么即使决策交由专家负责，也仍然需要参考类预测。菲利普·泰特洛克为期二十年的研究收集了284名以评论政治和经济趋势为生的人员所作的八万多项预测。这些专家的表现甚至不如把三个可能结果赋予相等概率时的表现；即使在他们最熟悉的领域，他们也没有显著优于非专业人士。更多知识只带来了轻微改善，而知识最丰富的预测者往往更不可靠，因为知识强化了他们的技能幻觉，并助长了过度自信。

一项针对大型公司首席财务官的调查也出现了类似模式。调查涉及他们对翌年标准普尔指数所作的11600项预测。他们的估计与真实市场价值之间的相关性略低于零，但这些预测者似乎没有意识到自己的预测毫无价值。他们的置信区间也窄得多——结果有67%的时间落在区间之外，尽管一个80%的置信区间所产生的意外结果比例理论上应只有约20%。

校准提供了一种评估预测的方法，而不是仅仅相信预测的语气。一个经过适当校准的判断者所给出的百分位数值，应当包含相应比例的实际结果；例如，98%的真实数值应落在第1百分位和第99百分位的估计值之间。然而，研究发现，实际数值约有30%的时间落在这类极端界限之外，揭示出系统性的过度确定性。参考类预测通过使基线取决于观察到的分布，而不是取决于个人当前估计所产生的狭窄置信区间，来应对这一问题。

意义与局限

这种方法属于对直觉预测进行更广泛批评的一部分。均值回归说明了为什么不应简单重复极端表现——一个观察到的结果可能同时包含稳定的能力与异常的好运或坏运，因此下一次结果预期会部分回到平均水平。同样的逻辑也适用于项目和其他不确定的事业。异常顺利的计划或特别有利的早期估计，可能包含不会再次出现的暂时性条件。

参考类预测还揭示了生动证据与统计证据之间的张力。个别案例很容易影响系统1，并助长刻板印象或有说服力的叙事；当平淡的统计信息与个人印象相冲突时，人们往往会忽视前者。这种方法的意义不在于消除判断，而在于约束判断——先确定可比案例所暗示的结果，再允许具体差异为偏离该基线提供正当理由。它把预测从讲故事的行为转变为一种结构化比较，即把拟议案例与此前案例的分布进行比较。