小数定律信念

小数定律信念指一种强大却错误的直觉——大数定律同样适用于小样本。人们不是预期抽样会产生显著变异，而是假定少数几个观察值就能再现更大总体的基本特征。这种信念使随机结果看起来可以解释，助长了对脆弱证据的过度自信，并导致普通观察者和受过训练的研究者都得出数据无法支持的结论。

定义与核心机制

这一规则被呈现为一种信念，而不是真正的统计定律。按照本书的表述，人们表现得仿佛即使是小样本也必须高度代表其来源总体。人们期待一小段抛硬币序列包含适当的正反面局部平衡；期待少数研究观察值证实一个有效假设；还会把异常高或异常低的表现视为某种稳定内在品质的证据。因此，人们把随机性想象成在每个尺度上都井然有序，尽管与大样本相比，偶然性在小样本中更常产生极端结果。

这种直觉反映了系统1迅速构造连贯解释的更广泛倾向。系统1善于识别表面上的因果联系，却不擅长面对那些只会改变概率、并不造成事件的纯统计事实。随机结果的集合无法提供由锤子敲击鸡蛋这类事件所带来的令人满足的因果结构。然而，心智会本能地寻找小群体为何不同于大总体的原因，把波动转化为关于生活方式、能力、性格或干预的故事。

肾癌县域样本研究使这一错误清晰可见。在美国的3141个县中，肾癌发病率最低的县大多是农村县、人口稀少，并位于中西部、南部和西部的传统共和党地区。同样的描述也适用于发病率最高的县。农村环境整洁、食物新鲜和污染较少，可以被用来解释低发病率；贫困、医疗条件较差、酗酒和吸烟，则可以被用来解释高发病率。一旦考虑人口规模，这一矛盾就消失了——农村县人口较少，而小人口会因偶然性产生更极端的比率。

抽样、研究与误导性的极端结果

这一信念在丹尼尔·卡尼曼与阿莫斯·特沃斯基的研究合作中产生了切身后果。他们的首次共同研究表明，即使是老练的研究者，对抽样效应也缺乏良好直觉。丹尼尔·卡尼曼经常选择规模过小的样本，得到毫无意义的结果，随后又因发现这些异常发现只是研究方法造成的假象而感到尴尬。尽管他教授统计学，也知道如何计算能够降低失败风险的样本量，但在设计实验时，他依赖的是传统和直觉，而不是计算。

卡尼曼和特沃斯基随后检验这种错误是否普遍存在。他们设计了一份采用真实研究情境的问卷，其中包括对成功实验的重复研究。参与者必须选择样本量、估计失败风险，并向假设中的研究生提出建议。受试者包括数学素养很高的研究者，其中还有统计学教材的作者。他们的合著论文《小数定律信念》以刻意的反讽描述了这一错误——关于随机抽样的直觉信念，仿佛断言大数定律同样适用于小数目。

实际后果并不只是小型研究可能无法证实一个真实假设。在一个总体中，同龄女孩的平均词汇量确实可能大于男孩，但小样本可能显示差异不明确，甚至显示男孩得分更高。这种逆转并不能推翻总体关系，而是表明了抽样变异。选择样本过小的研究者会增加获得误导性结果的概率；当真实假设未获证实时，会浪费时间和精力；还会过度解读不太可能重复出现的发现。因此，建议采取的纠正措施同样直接——应当对统计直觉保持怀疑，并尽可能用计算取代印象形成。

同一种偏差也会扭曲对表现的判断。在飞行教官投硬币回归实验中，教官观察到，受到表扬、完成出色特技动作的学员下一次尝试往往表现更差；而因动作糟糕受到斥责的学员往往有所改善。教官由此得出惩罚比奖励更有效的结论。但这一表面效应其实可以由回归平均值解释——异常优秀或糟糕的表现包含暂时性的运气或噪声成分，而这一成分不太可能以同样的极端程度再次出现。一名锦标赛平均成绩为72杆的高尔夫球员打出66杆，可能既有天赋又有好运；打出77杆的球员，可能既较弱又运气不佳。对第二天的最佳预测必须允许运气回归平均水平，而不能简单重复第一天的极端结果。

自信、预测与忽视不确定性

小数定律信念也是一种偏向确定而非怀疑的偏差。当人们得知一项针对300名老年人的电话民意调查显示，60%的人支持总统时，他们往往记住政治信息，而不是样本量。除非样本小得荒谬或大得惊人，许多读者对150人的民调和3000人的民调会作出相似反应。系统1把故事视为重要信息，而把信息来源的可靠性置于背景之中。它根据眼前可获得的信息构造连贯解释，却不会自然保留由样本量引入的不确定性。

这种倾向也延伸到专业预测。菲利普·泰特洛克进行了为期20年的研究，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。研究要求专家为多种可能结果分配概率，包括现状延续、上升或下降。他们的表现甚至不如简单的等概率基准；即使在他们最熟悉的领域，也没有显著优于非专业人士。更多知识只带来轻微改善，而知识最丰富的预测者往往更不可靠，因为知识强化了预测技能幻觉。知名专家，尤其是受到追捧的专家，往往作出更加华而不实、也更加过度自信的预测。

杜克大学教授对首席财务官进行的调查也显示了类似模式。在对下一年度标准普尔指数收益率的11600项预测中，首席财务官的估计与实际市场值之间的相关性略低于零。当这些首席财务官预测市场将下跌时，市场上涨的可能性反而略高于下跌。他们的置信区间揭示出更严重的校准失败。他们预计约20%的结果会落在80%置信区间之外，但实际有67%落在区间之外。这些预测不只是错误；它们比证据所能支持的范围窄得多，也确定得多。

主观概率分布也表现出同样的过度精确。一名经过适当校准的判断者，应当看到真实值在约98%的问题中落入其所声明的98%区间。然而，在许多研究中，真实值约有30%的时候落在相关的极端界限之外。这种偏差同时影响天真的判断者和老练的判断者，即使适当的评分规则为校准提供了激励，偏差仍然存在。当人们先形成一个最佳估计，再向上或向下调整以设定极端百分位时，调整通常不足，使区间过于狭窄。人们把自己记得的证据样本看得比实际更加完整、更具代表性。

与其他启发式和偏差的关系

小数定律信念属于丹尼尔·卡尼曼与阿莫斯·特沃斯基围绕不确定性下判断所发展的更广泛研究计划。他们的《判断中的不确定性——启发式与偏差》描述了直觉思维的简化捷径，并把大约20种系统性偏差与这些捷径联系起来。小数定律信念尤其密切地关联于代表性——即使样本太小、无法可靠体现生成过程，人们仍期待事件或样本与产生它的过程相似。

这一信念还会与可得性和替代问题相互作用。当复杂的统计问题难以回答时，系统1可能改为回答一个相关但更容易的问题。一个人不是询问样本量能够支持多大程度的信心，而是询问结果是否构成一个生动、连贯且熟悉的故事；也不是分别考虑基准率和证据的诊断强度，而是判断某种描述看起来是否具有某一类别的代表性。贝叶斯推理要求即使个别证据极具说服力，基准率仍保持相关；但联想上的连贯性往往使证据看起来比实际更具诊断力。

由此形成的图景是——心智跑在事实前面。少数观察值就可以产生关于某个人、某种研究效应、某个市场或某项历史发展的丰富印象。从这个意义上说，小数定律信念与晕轮效应以及夸大一致性和连贯性的总体倾向有关。系统1压制模糊性，很少停下来维持彼此不相容的可能性。系统2能够保持怀疑，并计算样本量的影响，但这样做需要努力；滑入一个自信的故事则更加容易。

意义与纠正性纪律

小数定律信念的重要性在于其影响范围极广。它影响流行病学解释、实验设计、技能判断、政治民调、金融预测以及对专家的评价。它解释了为什么一个引人注目的结果可能恰恰因为极端而显得有说服力，为什么一次重复研究失败可能被误读为反对可靠假设的证据，以及为什么基于生动描述的预测常常忽视信息的可靠性。

纠正方法不是不信任每一个观察值，也不是否认小样本可以包含信息，而是认识到小样本本质上具有高度波动性，极端结果需要更多而不是更少的谨慎。大样本更加精确；不完美的相关会产生向平均值回归；先验概率仍然相关；预测应当被记录下来并与结果进行评估，而不是通过事后解释加以保护。本书的最终综合把这一原则置于三种经济却容易出错的启发式之中——代表性、实例或情景的可得性，以及从锚点进行调整。这些捷径往往有效，但会产生系统性且可预测的错误。因此，理解小数定律信念，意味着学会区分数据真正支持的模式与心智自行补上的模式。