【噪声 卡尼曼 pdf 下载】速计算一下，然后利用直觉做出判断。事实上，诊断性判断就是我们在这本书中简单描述的判断过程。

本文选自 丹尼尔·卡尼曼新作《噪声》，扫上面码免费领电子书

速计算一下，然后利用直觉做出判断。事实上，诊断性判断就是我们
在这本书中简单描述的判断过程。

现在假设你以实验参与者的身份完成了上述预测工作。莫妮卡和
娜塔莉的数据来自一个信息数据库，其中记录了此前聘用的数百名经
理的信息，以及这些经理在5个维度上的得分。你可以使用那些评分来
预测两人的工作绩效，而现在你还获得了两人的实际工作绩效数据。
那么，想一想你对这两人的诊断性判断有多接近她们的实际绩效呢?

这个例子大致来源于二项关于绩效预测的真实研究。如果你曾参
加过该项研究，你可能会对自己的预测结果非常不满意。一家国际咨
询公司聘请了拥有博士学位的心理学家来做预测，结果 发现，预测与
绩效评估的相关系数仅为0. 15 (PC=55%) 。也就是说，当他们评估一
名候选人优于另一名候选人时，他们所偏爱的候选人最终获得更高绩
效的可能性仅为55%，比随机选择的结果高不了多少。显然，这不是一
个令人满意的结果。

也许你会认为，预测准确性之所以这么差，是因为评分信息对预
测没有用。因此，我们不禁要问: 对候选人的评分到底包含了多少有
用的预测信息? 如何将它们进行整合才能获得与实际表现相关性最高
的预测分数?

有一种标准的统计方法可以回答上述问题。在上述研究中使用这
守 可以使相关系数达到0.3 (PC=60%) 。结果虽然仍不尽如人
，但至少优于诊断性预测。

2 IO CE Tegression) ，它是对各
中预 数的方法。多元回归可以
找到一组时权重 使各合后的预测分数与 目标变生之间的相关性最
大。最佳权重可以使预测的均方误差最小 这就是最 小 了方法在统
计学二举足轻重的有鸭谍区 E认:> 窗世
的预测0。然而事实上，权重也可能是负数，例如候选人乘公交的逃票次数在
预测其工作绩效上的权重就可能是负的。

多元回归是一个“机械性预测” (mechanical prediction) 的例
子。机械性预测种类繁多，从简单规则〈如雇用完成高中学业的人)
到复杂的人工智能模型不等。“线性回归” (1linear regression) 模
型是最为常见的一种，因此该模型也被称为“划断和决策研究的主力
至”。为方便起见，我们将线性回归模型称为“简单模型”〈simple
models) 。

上文提到的莫妮卡和娜塔莉的案例，可以帮助我们对诊断性预测
和机械性预测进行比较。三者都具有如下一些简单的结构

用一组预测因素〈如案例中对候选人的评分) 来预测目标结
果《〈如候选人的工作绩效) 。
利用人类的判断做出诊断性预测。

基于某项规则 〈如多元回归) ，使用同一组预测因素来生成
机械性预测的结果 。

比较诊断性预测与机械性预测的整体准确性。
梅尔; 最优模型击败了你

在了解诊断性预测和机械性预测之后，人们往往想知道两者之间
的区别，即相比于公式，人类的判断会更优吗?

这个问题早已有人提出过，但是直到1954年，明尼苏达大学心理
学教授保罗“。梅尔 Paul Meehl) 出版了《临床与统计预测: 理论分
析和证据综述》 (CIzpica7y Jersus Statistical Prediction: 4
TVeoreticay 4na1ysis and a perier of the 克fdence) 一书后，该

关于噪声 丹尼尔卡尼曼相关推荐:

卡尼曼框架效应,噪声检测报告书,卡尼曼与特沃斯基的著名实验