1701778298
以上描述是从我和齐瓦·孔达所做的实验中的大学生参与者那里得来的。
1701778299
1701778300
请看下图中的数据，你可以发现人们对于反映了能力（从拼写测试和篮球比赛中得到的平均数据）的行为的推测更接近事实。人在两个不同场合中的行为（拼写或是在篮球比赛中得分）有一定相关性，大致是0.5。人们推测出来的关于那种关联的重要性在金钱问题上也成立。
1701778301
1701778302
1701778303
1701778304
1701778305
人们基于能力测验（拼写和打篮球）和品性测试（友好和诚实）得出的少量数据和大量数据而做出的相关性推测。
1701778306
1701778307
人们同样认识到了大数定律对相关性的重要影响。如果你看一下许多行为的综合得分情况，并将分数与另一些行为的得分情况相联系，则相关性会更高。人们意识不到一系列行为的相关性究竟有多高，但是能明白可以从前20次行为推断随后的20次行为，且这种推断的可靠性比从一次行为推断另一次行为要高。
1701778308
1701778309
对比一下推测与能力有关的行为的准确性和推测与品性有关的行为的不准确性。人们认为人在不同场合中表现出诚实的相关性与不同情境中表现出友好态度的相关性都达到了0.8的系数！这其实是极其错误的。不同场合中人表现出的某种品性间的相关系数通常是0.1或更低，几乎不会超过0.3。这里所犯的错误是很严重的，而整个推理过程都充满了日常生活中的谬误（前述章节都讨论过）。我们以为自己通过观察人们在某个单一情境中的行为就能洞察其品性。犯这种错误的部分原因是基本归因谬误，我们也没能认识到大数定律同样也适用于对人所具有的品性的分析。我们总以为能从很小的样本中得到许多信息，一方面是因为我们倾向于低估场景中的环境因素，另一方面是因为我们以为凭借一种情况就能得到充分的证据以推断另一种情况，即使两者大相径庭。此外，我们还忽视了不断增加的样本量对整体情况的影响。如果你基于相当数量的场景观察某个人与品性相关的行为，并将其在20个场景中的总体表现与在另外20个场景中的总体表现对比，则的确会有很高的相关性。问题在于，人们误以为这种针对品性行为的大数定律对于小样本量的行为也成立。
1701778310
1701778311
为什么在以单一场景测量能力和品性时所得到的结果的准确性有如此大的差异呢？为什么人们认识到了大数定律在准确测量能力相关行为的重要性，却一再无视其在准确测量品性相关行为的关键作用呢？
1701778312
1701778313
秘密在于编码。对于许多种能力我们都知道可以用什么单位来衡量，并且能为它们赋值：拼写正确单词的比例；罚球的命中率。然而，评判友好的合适单位是什么呢？每分钟微笑的次数吗？每次社交过程中“友好氛围”出现的次数吗？我们如何比较人们在周六晚上的派对上表达友好的方式与其在周一下午的委员会会议上释放善意的方式？人们在不同情境下的行为方式是如此不同，以至在A场合中表现友好的方式并不能作为B场合中表现友好的标志。而找出场合A中所有表现友好的标志同样很困难，甚至是不可能的。即使能穷尽所有可能，那我们也无法将A场合中这数量众多的标志与同样多如牛毛的B场合中的标志做比较。
1701778314
1701778315
那么，如何才能正确推测与品性相关的行为呢？我们不必找到所谓正确的测量品性行为的单位，也不必穷尽所有表现品性的方式。心理学家通过研究来解决，而如果我们要做这种测量，那么不必对某一个人提及具体原因，否则他们会觉得我们疯了。（“我要为乔希在开会时以微笑表示友好的行为打18分，这是通过他嘴角上扬的次数乘以每次上扬的弧度得出的。你到底是在做什么？”）
1701778316
1701778317
最有效地避免对某个人的行为做出错误推断的方式是提醒自己，只有当两个场合的情境完全一致时，才可以凭借这个人在其中一个场合的行为推断他在另一个场合中的行为。即便这样做，你在进行推测时还是要格外小心。
1701778318
1701778319
还有一点或许能帮助你，即你要记住，自己在各种情境下并非总能保持一致。我敢保证，在某些场合见到你的人会认为你特别好，而在另一些场合见到你的人则觉得你简直糟透了。并且你也不能责备那些批评你的人，因为他们一定是有依据的。只要记住批评你的人自身也会既受好评又遭抨击。你不太可能在下一个遇见此人的情境（可能与现在这个情境迥异）中以同样的方式再现自己的人格特质。
1701778320
1701778321
更通俗一点儿讲，你要能够知道什么能编码，而什么不能。如果你发现遇到的问题中的事件或行为无法即刻进行编码或赋值，那么就试着找一种途径来编码。做这些事纯粹是为了提醒你一个事实，即人容易高估事件或行为的一致性。
1701778322
1701778323
关于本章和下一章所讲述的主题，我能告诉你的最好的消息是，尽管我只教了你们在几个很小的领域中运用统计性思维，但是以我多年的研究经验，我可以保证这些少量的例子就足以帮你在相当多的情境（可能看上去和我举的例子不太相似）下进行理性思考，以统计性思维分析问题。
1701778324
1701778325
当我教授人们大数定律以解决那些可以通过统计工具进行分析的问题（例如彩票问题、投硬币）时，他们解决那些只会偶尔想到用统计思维解决的问题（例如可以客观数据衡量的能力）的能力提升了。他们解决那些几乎不会用统计思维解决的问题（例如衡量品性）的能力也提升了。而我教授那些可以客观计分的能力的例子和那些更主观、更难计分的例子时也收到了同样的效果。教授人们某类问题的推理方法可以帮助他们提升在另一类问题上的推理能力。
1701778326
1701778327
小结
1701778328
1701778329
准确评估事物间的关系是极难之事。即便我们已经搜集好了数据，并进行了全面的总结，也很有可能对共变的程度做出错误估计。确认偏误就极易出现：如果一些A导致B，那么我们很可能会认为A与B有关联。然而要判断A与B之间是否真正存在关联，需要利用四重表比较两种比例。
1701778330
1701778331
当我们试图评断一些我们没有先验概念的事物的相关性时，我们会对那些本无联系或被武断地联系在一起的事件的相关性做出错误估计，认为其关联一定很强。我们对于共变的观察能力在那些相隔较长时间发生的事件上表现得很糟糕。
1701778332
1701778333
我们很容易受虚假相关影响。当我们评判两个看上去可能有联系的事件的相关性，或说我们期待发现两者间的正相关关系时，我们可能会相信一种实际上并不存在的联系。当事件之间的联系不那么可信时，即使实际上存在强相关，我们也可能看不到那种关联。更糟糕的是，我们会颠倒事实，将正相关认作负相关，反之亦然。
1701778334
1701778335
典型性启发法潜藏在我们的许多关于相关性认识的先验假设中。如果A在某种程度上与B相似，我们就可能看到两者间的关联。可触及性启发法也会发生作用。如果那些A与B有关联的场景更容易被我们记住，那么我们就会高估两者之间联系的紧密程度。
1701778336
1701778337
相关性并不能建立起因果联系，但如果存在一种貌似可信的原因解释了A导致B，那么我们很容易推测那种相关性的确建立起了因果联系。A与B之间存在相关性可能是由于A引发了B，或B引发了A，或是第三种因素引发了A和B。我们常常忽略这其中的多种可能性。这里的一部分原因是，我们无法认识到用因果关系的术语“解释”相关性是多么容易。
1701778338
1701778339
信度是指一个样本在不同情境中或是以不同方式测量时得分相同的程度。效度是指一个测量工具能够准确测出所需测量的事物的程度。对于某一给定的测量工具，其可能具有完美的信度，却没有效度。两位占星师在“双鱼座的人比双子座的人更外向”这个问题上的认可度一致，然而这种说法显然没有效度。
1701778340
1701778341
一件事情越是能够通过编码来分析，我们对其的相关性分析就越准确。对于那些易于编码的事情，比如一些以能力高低而决定之事，我们对于两个场景的相关性分析就会十分准确。我们还认识到当分析一些与能力有关的事情时，综合许多场景的平均状况推测另一些场景的平均状况是更好的选择，这比从单一场景推断另一单一场景要更可信。即便是对于与能力有关的行为，我们还是没能充分意识到，从单一场景推断升级成从多个场景的平均状况推断能提高预测的准确性。我们推断一些难以编码的事件（例如与人的品性相关）之间存在强相关性，而实际上那种关联并不存在。我们也比较少或是没有意识到，基于大量观察的预测的准确性要高于单一观察。
1701778342
1701778343
当我们从人们过去的（与品性相关的）行为预测其未来的此类行为时，我们需要格外当心和谨慎，除非我们搜集的样本规模足够大且我们得到了多种情境下的事实。意识到有一些特定类型的行为是难以编码的，可以让我们保持警惕，即我们对这类行为的推断很可能有误。时刻以基本归因谬误的概念警示我们自身，我们便能意识到可能会犯笼统概括的错误。
1701778344
1701778345
1701778346
1701778347