研究结果：预测研究中的代表性启发式

两个学生琳达和乔在学生会度过了一个枯燥的周六下午。没什么更有意思的事做，他们便开始投掷硬币来看每次落地哪面朝上，然后比较结果。琳达的结果顺序是“正、正、正、反、反、反”。乔的结果为“反、反、正、反、正、正”。哪一个学生报告的顺序更像统计上可能出现的结果呢？

大部分人直觉地认为乔的结果更像。毕竟，他的投掷结果顺序不太具有模式且“看上去更随机”。然而，事实上两种结果的可能性是均等的。问题是人们普遍都会期望，一个像掷硬币这样的随机过程总会产生看上去随机的结果。也就是说，他们期望结果能够代表产生它们的过程。按这种方式判断的人用的是代表性启发式（representativeness heuristic）。

Kahneman和Tversky（1973）在一系列研究中展示了人们运用代表性启发式的情况。在一项研究中，将大学生被试分派到三种条件下。在“基本比率”条件下告诉被试说：“想一下美国当今所有1年级的研究生。请写下你对注册就读于下列9个专业的学生占学生总数的百分比的最佳估计值。”9个专业如专栏11-6中所示。向“相似性”条件下的被试呈现专栏11-6A中有关个性的描述，并要求他们根据“Tom W.与所列9个研究生专业典型学生的相似程度”来划分9个专业的顺序。告诉“预测”条件下的被试，呈现给他们的有关个性的描述是根据Tom W.的投射测验（比如罗夏测试）结果在几年前写的，也就是在他中学的最后几年。然后要求被试预测Tom W.如果是研究生的话，在如下这些专业中就读的可能性各自有多大。

专栏11-6B显示，相似性评级的均数与可能性评级的均数非常相近，而独立于基本比率组的判断均数。这再一次说明了被试运用了代表性启发式。被要求估计Tom W.是某一领域研究生的可能性的被试，往往将有关此人个性的描述和他们自己对某一专业领域中典型研究生的样子进行比较，而忽略了基本比率。然而，基本比率是非常重要的信息。就像在前面提到的X光拍片的例子一样，如果你估计可能性的时候没能将基本比率信息也包括在内，就常常会导致回答错误，而且常常是沿着一个或更多的方向。

专栏11-6　一个有关预测研究的数据

（A）Tom W.的个性素描(www.xing528.com)

尽管缺少真正的创造力，Tom W.还是非常聪明。他有对规则和明确性的需要，希望整齐划一的系统且一切都按部就班。他的写作相当乏味和机械，偶尔才会因过时的双关语和科幻小说式的灵光一闪而略显生动。他有很强的好胜心。但似乎对他人缺乏感情和同情心，而且不喜欢与人交往。尽管自我中心，但他仍具有深厚的道德意识。

（B）对9个研究生专业领域的基本比率的估计值，以及关于Tom W.的相似性和预测数据

一个与之相关的判断中的错误称为赌徒谬误（gambler’s fallacy）。想象你正站在赌城的轮盘边上，看到转盘连续8次停在红色区域。假设你仍相信转盘转到红色和黑色的可能性相同，那么下一把你会押哪种颜色？很多人会押黑色，因为如果停在红和黑的概率相等，那么前面的结果就有些离谱了，现在应该“轮到黑”了。然而，下次停在黑色区的机会和红色的仍是一样多。转盘不会以任何方式“记录”过去的结果，所以也不可能“修正”或“弥补”过去的结果。尽管从长远来看，停在黑色区的次数应该和红色相当，但这并不意味着短期内两者比例应该相等。这一解释还可应用在前面掷硬币的例子中。一个随机的过程（像掷硬币和轮盘赌之类）并不总是产生看上去随机的结果，尤其是在短时期之内。

Tversky和Kahneman（1971）形容人们的（错误）信念为“小数目法则”（law of small numbers）。人们总是期望小样本（人数、抛掷硬币、实验尝试）就能够表现出总体的每一种特征。事实上，小样本更有可能偏离总体，因此相比大样本而言，以小样本为依据得出的结论信度较低。赌徒谬误这一问题可以视为相信小数目法则的一个例子。人们期望在轮盘赌的少数几次（如8次）转动中，停在红色的比率也能像非常大的样本（如100 000次）时的情况。但是，从小样本中发现与期望比率产生大偏见的机会往往相当大。换言之，只有非常大的样本才可期望它能代表它来自的那个总体（全域）。Sedlmeier和Gigerenzer（2000）在更深的层面上探讨了人们对于样本大小的直觉，认为人们有时确实对样本的大小有正确的直觉，但多数情况并非如此。