4 篇文档带有标签「统计」

代表性启发法是一种认知捷径，通过将事件与现有的心理原型或刻板印象进行比较来估计事件的概率。由Tversky和Kahneman于1972年发现，这个心理模型解释了为什么我们会犯"合取谬误"、忽视统计基本比率，以及陷入赌徒谬误。通过理解大脑如何优先考虑"故事契合度"而非"统计现实"，决策者可以避免昂贵的招聘错误、提高投资准确性，并消除组织系统中的系统性偏见。

幸存者偏差是一种逻辑错误，只关注通过筛选过程的实体，而忽略那些没有通过的实体——通常因为失败者不太可见。以Abraham Wald在二战期间对飞机损伤的分析命名，它会导致关于成功原因的错误结论、系统性高估成功率，以及当非幸存者持有关键信息时出现灾难性的决策失误。

范围不敏感是一种认知偏差，指对问题的评估不会与其规模成比例地变化。由Desvousges等人于1992年首次记录，这种"范围忽视"解释了为什么我们为拯救2000只鸟捐款的金额与拯救20万只鸟相同，以及为什么我们难以理解全球疫情或核战争等存在性风险。通过理解"原型判断"机制在面对大数字时如何失效，决策者可以应用"期望值"逻辑来优先考虑能产生最大绝对影响的干预措施。

贝叶斯思维是一种按证据比例更新信念的框架。以牧师托马斯·贝叶斯命名，他的定理将信念修正的形式化数学表达出来，为将新信息纳入先验信念提供了一种有原则的方法——既不会对单一数据点反应过度，也不会在面对矛盾证据时固守现有观点。它是现代统计学、机器学习和不确定性下理性决策的基础。