贝叶斯规则

贝叶斯规则是一种根据证据改变信念、同时不放弃描述相关总体的起始概率的框架。其核心纪律是把先验信念（通常以基准率表示）与新信息的诊断性结合起来——证据应当按照它在该假设成立时相对于其他假设成立时的可能性高出多少，来提高或降低该假设的概率。因此，这一规则把概率从一种印象转变为受约束的推理形式。

定义与核心逻辑

贝叶斯规则从主观信念程度出发，但限制这一信念可以变成什么。如果明天下雨的概率是40%，那么不下雨的概率必须是60%；如果某位候选人当选的概率是30%，并且在已经当选的条件下再次当选的概率是80%，那么连续两次获胜的概率就是24%。这些关系不是直觉可以自行选择的附加特征，而是概率逻辑施加的要求。

这一规则得名于18世纪的英国牧师托马斯·贝叶斯，他的研究涉及当证据出现时人们应如何修正信念。从实际应用看，贝叶斯规则把先验概率与似然比结合起来，似然比表示证据的相对诊断性。一项描述如果对某个假设的可能性是对其他假设的四倍，并不会自动使该假设变得很可能；它产生的影响取决于估计从什么位置开始。

一个数值例子清楚说明了基准率的作用。如果研究生中有3%攻读计算机科学，并且对汤姆·W的描述对于计算机科学学生而言，比对于其他领域学生而言可能性高四倍，那么汤姆·W是计算机科学家的后验概率是11%，不是400%，也不是过半的概率。如果基准率改为80%，同样的证据会产生94.1%的后验概率。两种情况下证据的诊断性相同，但由于先验概率不同，结论发生了变化。

基准率与诊断性证据

实际教训是，即使已经获得针对个案的证据，基准率仍然重要。人们常常低估统计基准率，因为生动的描述似乎为个人讲述了一个连贯的故事。在汤姆·W问题中，正确的回应是保持接近不同学术领域的先验概率——略微降低人文学科、教育或社会科学与社会工作的高概率，同时略微提高图书馆学和计算机科学等较罕见专业的低概率。这一少量证据并不够可靠，无法取代总体分布。

贝叶斯推理还要求质疑证据表面上的诊断性。联想上的连贯性，以及从手头已有的信息构造故事的倾向，可能使描述感觉起来比实际更有信息量。因此，这种纪律可以概括为两项相互关联的指示——以一个合理的基准率为判断锚点，并询问证据究竟在多大程度上把该假设与其他假设区分开来。困难不在于这两项指示有任何晦涩之处，而在于有意识地运用它们会让人感觉不自然。

出租车问题说明，基准率不能被视为一种单一且无差别的事实。在最初的情境中，该城市85%的出租车是绿色的，15%是蓝色的；一名证人认定涉事车辆为蓝色，并且经评定，在判断任一颜色方面有80%的正确率。证词既醒目又针对具体案件，但绿色出租车在总体中的高比例仍然重要。仅凭证词作出判断，可能会忽略这辆出租车所属的总体。

第二个版本改变了基准率信息的含义。如果绿色出租车司机造成的事故数量超过蓝色出租车司机的五倍，那么较高的事故率就不只是关于出租车数量的事实。它改变了这起具体事故可能如何发生的因果解释。由此形成的绿色出租车司机鲁莽故事与证人认定为蓝色的判断相冲突，两种推论大致相互抵消；贝叶斯估计中绿色出租车的概率约为41%，因此两种颜色大致同样可能。存在具体信息时，人们通常低估统计基准率；而因果基准率更容易被纳入，因为它们直接涉及个案。

赔率、更新与预测

用赔率表示时，贝叶斯规则指出，后验赔率等于先验赔率乘以似然比。一个医学例子说明，即使是令人恐惧的证据，也可能让一个罕见假设保持不太可能。如果送检病例中只有每600例有1例患有严重疾病，而阳性结果的似然比为25比1，那么赔率会从600分之1上升到600分之25，对应的概率约为4%。阳性检测是重要证据，但并不会抹去该疾病的罕见性。

同样的计算应用于汤姆·W时，计算机科学的先验赔率从0.03/0.97开始，约为0.031。将这一赔率乘以4的似然比，得到约0.124的后验赔率，再换算为11%的后验概率。用赔率表达计算过程，使程序一目了然——证据是乘到先验概率上，而不是取代先验概率。

这一规则也为参考类预测提供了基础。估计大型项目的结果时，预测者应首先询问类似项目通常会发生什么，然后才允许当前案例的独特特征占据主导。在一次项目讨论中，一项非正式调查提出了40%的失败参考类基准率，以及七年至十年的完成时间。这个基线已经十分悲观，而与类似团队的比较表明，眼前的项目并不比该参考类更好。内视角根据早期进展进行外推，却忽视了未知的未知因素，包括疾病、离婚、官僚延误、协调危机，以及长时间进展甚微或毫无进展的阶段。贝叶斯规则并不要求盲目服从基准率；它要求对基准率的偏离必须由真正具有诊断性的证据加以证明，而不是由仅仅具有说服力的证据加以证明。

校准与直觉的局限

贝叶斯纪律还与预测质量的测量有关。在一项为期20年的研究中，菲利普·泰特洛克从284名以评论政治和经济趋势为生的人那里收集了8万多项预测。这些专家评估了不同的未来，包括现状持续、政治自由或经济增长增加，以及政治自由或经济增长减少。他们的表现不如一种等权重策略；该策略为每种结果分配相同概率。即使在专家最熟悉的地区，专业人士也没有显著优于非专业人士。更多知识平均而言只带来轻微改善，而知识最丰富、名气最大的预测者往往变得更加过度自信。

金融预测中同样会出现过度自信。在一项针对大型企业首席财务官1.16万项预测的调查中，预测值与实际短期标准普尔回报率之间的相关性略低于零。当高管预测市场下跌时，市场实际上略微更可能上涨。他们声明的80%置信区间在67%的案例中出现了意外结果，而不是经过适当校准的区间所预期的大约20%。这些结果表明，人们多么容易把根据手头信息构建的连贯故事误认为可靠知识。

校准要求检验所声明的概率和区间是否与观察到的频率相匹配。如果一名法官给出一个数值X01，使真实数值中只有1%应低于它，并给出一个数值X99，使只有1%应高于它，那么在98%的案例中，真实数值应位于这两个界限之间。然而在实践中，许多研究的实际数值约有30%落在所声明的极端界限之外。这些区间系统性地过窄，反映出一种并无现有知识支持的确定性。从最佳估计出发，却没有进行足够的向上和向下调整，是锚定效应造成这种过度自信的一种机制。

与判断和决策理论的关系

贝叶斯规则关注信念修正，但其重要性延伸到决策理论，因为信念会进入对不确定结果的选择。前景理论把结果视为相对于参照点的收益和损失，而不是简单地视为总财富的变化，并将递减敏感性和损失厌恶确定为评价特征。这些心理事实并不会取代贝叶斯更新——人在权衡可能结果之前，仍然必须形成关于概率的信念。不过，它们确实表明，即使概率经过严格处理，只要赋予结果的价值随框架或参照点变化，稳定的选择也无法得到保证。

更广泛的规范性传统同样区分逻辑要求与心理倾向。现代决策理论包括支配原则——如果一个选项在每个方面都至少同样好，并且在某一方面更好，就应当优先选择它；也包括不变性原则——等价的描述应当产生相同的偏好。人类判断经常违反这些原则，正如人们会忽视基准率或夸大证据的诊断性一样。因此，贝叶斯规则是更大规模判断纪律的一部分——它约束信念应如何对证据作出反应，而校准、审慎选择参考类以及一致性检验，则揭示直觉信心何时已经超出了证据能够支持的范围。