罗宾·道斯

罗宾·道斯在书中作为寻求更可靠判断的重要人物出现。他的重要性与其说在于提供一幅人格肖像，不如说在于改变了评价预测的标准——一种方法不必复杂、不必在心理上具有说服力，也不必针对每个个案量身定制，才可能有用。只要公式中的要素具有一定效度，并且得到一致组合，一个粗略公式也可能胜过那个在每个个案中都看见引人入胜故事的自信专家。

反对专家直觉的论证

罗宾·道斯的研究进入了关于人类预测能力薄弱性的更广泛论证。菲利普·泰特洛克开展的为期二十年的研究，收集了284名以评论政治和经济趋势为生的人所作的8万多项预测。这些专家的表现比简单的等概率基线还差；即使是专家最熟悉的地区，他们也没有显著优于非专家。知识只带来了轻微改善，而知识最丰富的预测者往往变得不那么可靠，因为知识强化了他们的技能幻觉和过度自信。

金融预测中也出现了同样的问题。在一项杜克大学调查中，公司首席财务官对下一年度标准普尔指数作出了11600项预测。他们的估计与实际回报之间的相关性略低于零。他们的置信区间也窄得远远不够——有67%的结果落在那些原本设计为仅容纳约20%意外结果的区间之外。在这一背景下，罗宾·道斯的贡献意义重大，因为他提供了直觉的替代方案，而不只是记录直觉的失败。

等权重与稳健公式

在其著名论文《决策中的不适当线性模型之稳健美学》中，罗宾·道斯认为，多元回归的复杂机制往往几乎没有增加价值，甚至完全没有增加价值。多元回归会在原始样本中找出预测变量的最优加权组合，但这种表面的精确性可能反映了抽样中的偶然因素。当公式应用于新个案时，那些偶然形成的权重可能会降低其表现。

罗宾·道斯表明，只要一组预测变量具有一定效度，就可以把它们置于可比较的尺度上，并以等权重组合。这种“不适当”模型对新个案的预测准确度，可能大致与统计上最优的公式相同；等权重甚至可能更优，因为它较不容易受到原始样本特殊性的影响。这一实践教训有意令人不安——有用的算法有时无需大量先行统计研究即可建立。只要把现有统计资料，甚至经过谨慎选择的常识性指标，以机械方式组合起来，而不是根据当下印象重新塑形，它们可能就已经足够。

关于婚姻稳定性的易记规则

罗宾·道斯用一个简洁的婚姻稳定性预测指标说明简单聚合的力量——性生活频率减去争吵频率。这个例子之所以令人难忘，恰恰是因为它拒绝了通常那种戏剧化的专家形象。它并不声称能够捕捉每一段婚姻，也没有提出关于亲密关系的深层因果理论。它只是把两个相关观察组合成一条透明规则，并把结果留待解释，同时不假装更复杂的计算必然更好。

这个公式也体现了罗宾·道斯更广泛的方法论偏好，即保持一致性。人类判断者很容易被生动个案和连贯解释吸引，但感觉最有意义的信息不一定是预测力最强的信息。简单规则能够保护决策，使其免受评估者不断根据个人印象调整权重时所引入的重点转移、选择性注意和过度自信的影响。

独立性、聚合与误差

书中把罗宾·道斯的等权重论证与一项普遍原则联系起来——误差应当彼此不相关。当许多观察者估计罐中便士的数量时，个人可能大幅高估或低估真实数量，但平均判断却可能异常准确，因为相互独立的误差往往会彼此抵消。当观察者共享一种偏差或相互影响时，这种益处便会消失，因为他们的错误变得相关，有效样本也随之缩小。

这一逻辑也是健全警务程序的一部分。多名证人在作证前不得讨论事件，这不仅是为了防止串供，也为了阻止起初彼此独立的证人互相复制错误。罗宾·道斯对公式的辩护属于同一组思想。独立的证据片段能够保留更多信息，而一个让某种印象重塑随后每条线索解释的人类决策者，则会制造冗余并放大一种共同错误。

对决策的意义

罗宾·道斯的论证超越了学术预测。书中把等权重公式呈现为医疗治疗、股票选择以及其他重要结果决策中具有合理性的工具。在低效度环境中，也就是可用信息与未来结果之间的关系很弱时，算法有纪律的规律性可能成为优势。医生、面试官或投资组合经理可能觉得个人接触或专业知识增加了洞察力，但当这种额外印象获得过高权重时，它反而可能降低准确性。

因此，他的研究进一步凸显了书中对心理自信与预测效度的区分。公式可能并不起眼，却仍然可靠；专家可能言辞雄辩的，却只是增加噪声。罗宾·道斯并没有把简单性变成魔法，也没有声称每一条等权重规则都可靠。他所支持的主张更为狭窄，却更有力量——一旦预测变量具有一定的独立效度，简单而稳定的组合往往能够成功应对复杂模型，并且能够决定性地胜过不借助工具的专家判断。