基础比率谬误——“像那么回事”盖过了统计

大家好，我是 Senko。本文将解读“基础比率谬误”。

有这么一个人：“内向、一丝不苟。爱好是读书和数学谜题，比起与人交谈更喜欢摆弄机器”。你觉得这人的职业是图书馆管理员，还是销售？多数人脱口而出“管理员”。可做销售工作的人，比图书馆管理员多出好几百倍。人物形象再像管理员，人头数量的差距也会轻松把它顶回去。这种忽视“人头”的癖好，就是基础比率谬误。

什么是基础比率谬误

基础比率谬误（英文 base rate neglect）指的是无视“在整体中原本占多大比例”这一先验信息（基础比率），只凭眼前个别的特征与印象来判断概率的倾向。

基础比率就是下面这类“地基上的数字”。

销售人员与图书馆管理员的人数之比
某种病的患病率（比如万分之一）
创业公司的存活率
某职业中的男女比例

理性的概率判断，应当在基础比率这块地基之上，再叠加个别证据来做（统计学上叫贝叶斯推断）。可人的直觉一旦找到个别证据、尤其是“像那么回事”的特征，就会瞬间忘掉地基的存在。

律师与工程师实验

用实验展示基础比率谬误的经典，是卡尼曼与特沃斯基 1973 年发表的“律师与工程师问题”。

参与者被告知：“这里有 100 份人物简介，其中 70 位是律师，30 位是工程师。现在随机抽出一份”，然后读到这样一段简介。

杰克，45 岁男性，已婚，有四个孩子。保守而谨慎，有野心。对政治和社会议题不感兴趣，闲暇时间大多花在木工、帆船和数学谜题上。

“你觉得杰克是工程师的概率是百分之几？”

多数参与者答 90% 上下，因为这段简介实在“太像工程师了”。可这一叠简介里工程师只占 30%。即便要把“像不像”纳入考量，也该从 30% 这个起点（基础比率）出发，可回答几乎完全无视了基础比率，只由印象决定。

最具决定性的是下面这个对比：告知“律师 70 人、工程师 30 人”的一组，与告知比例相反（律师 30 人、工程师 70 人）的一组，回答几乎没有差别。“像那么回事的描述”一出现，七比三这个地基数字就从判断中消失了。卡尼曼等人把这种按“相似程度”判断概率的机制，命名为“代表性启发”。杰克的描述越接近“工程师的典型形象”，人就越觉得概率高。

更有意思的是，把简介换成“毫无提示价值的空洞描述”，参与者仍然回答五五开。什么信息都没有时本该按基础比率作答，可连无意义的信息都能把基础比率赶出去。

出租车问题：目击证词能信到什么程度

能把基础比率的威力再体会深一层的，是卡尼曼等人同样用过的“出租车问题”。

某城市的出租车中，85% 属于绿色公司，15% 属于蓝色公司。某夜发生一起肇事逃逸，目击者证称“是蓝色出租车”。对目击者的辨色能力做测试后发现，在夜间条件下他有 80% 能正确识别，20% 会认错。那么，肇事的真是蓝色出租车的概率是多少？

直觉想答“目击者有 80% 准确，那大概就 80%”。可把基础比率算进去，答案会大变。

用 100 辆车来想。

蓝车 15 辆。目击者会把其中 80%，也就是 12 辆正确说成“蓝”
绿车 85 辆。目击者会把其中 20%，也就是 17 辆错误说成“蓝”

出现“是蓝色”这一证词的情形合计 29 辆，其中真正是蓝车的只有 12 辆。也就是说，证词正确的概率是 12÷29，约 41%——别说 80%，连一半都不到。

因为蓝车本来就少，“把绿车看成蓝车”的绝对数量压过了“正确看见蓝车”的数量，这就是基础比率的力量。准确率 80% 的证词，只要基础比率偏斜就会被轻易掀翻。这个结构与本站的“假阳性悖论”（精度 99% 的检查呈阳性也未必有病）完全相同，那一篇可以说是基础比率谬误的医疗版。

上网自诊、招聘、侧写

上网搜索症状是基础比率谬误的当代高发地。一搜头痛，列出来的全是重病的名字。自己的症状与文章里的症状清单“对得上”，就觉得得那个病的概率很高。可普通头痛与重大疾病之间，基础比率相差好几个数量级。症状上的“像”是对上了，概率的地基却完全不同。医生“先从常见病怀疑起”，正是忠实于基础比率、在统计上正确的姿态。

招聘与人物评价上也起作用。面试中“回答得挺优秀”这份代表性，会覆盖“这个履历层里实际做出成绩的人占多大比例”这个基础比率。这也是容易与光环效应、刻板印象合流的场合。

对罕见成功故事的憧憬同理。“大学退学创业大获成功”这个故事的“像那么回事”，与退学创业者成功的基础比率毫无关系。幸存者偏差那篇里写的“看分母”，其实就是确认基础比率的行为。

侧写与偏见的问题也与之相连。“凶手应该是这样一个人”这种基于代表性的推论，一旦无视了母体中符合这个形象的无辜者有几万人这一基础比率，就会成为冤案的温床。

对策是用“一万人的村子”来数

对付基础比率谬误，最实用的是用“自然频数”来思考：别用百分比，翻译成“一万个人里有几个”这样的人头数。

正如出租车问题所示，只要改成“100 辆里有……”这样按人头重数一遍，即便不懂贝叶斯定理也能抵达正确答案。据心理学家吉仁泽的研究，同一个问题改用自然频数呈现，医生与普通人的正确率都会大幅提高。人脑不擅长“百分比的乘法”，却应付得了“人头的点数”。

日常的检查清单是这样的。

觉得“挺像的”时，先问“这事本来是多少人里出一个？”
在扑向罕见的可能性（重病、大成功、阴谋）之前，先与“平淡的解释”的基础比率做比较
新闻里“某某的概率翻倍”这种表述，翻译成“从多少人里一个，变成了多少人里一个”（翻倍也可能只是十万分之一变成十万分之二）
看到检查或判定的命中率，想起出租车问题，去数“假阳性的绝对数”

与假阳性悖论的关系及防范

它和假阳性悖论是什么关系

是同一现象的不同切口。假阳性悖论（精度 99% 的检查呈阳性，若患病率低则实际患病概率只有百分之几）可以说是基础比率谬误发生在医疗检查语境下的名字。本文的律师与工程师问题、出租车问题，则是不限于检查的一般形态。数学上的计算过程在假阳性悖论那篇里有详解，想用数字追一遍“99% 为何会被掀翻”的读者可以去看。机制是相同的：当基础比率偏斜时，少数派一侧的“看错”在绝对数上压倒了真货。

不懂贝叶斯定理就防不住吗

不，好消息正在这里。正文介绍的自然频数，也就是“在一万人的村子里数”的方法，不用公式也能得到与贝叶斯推断相同的答案。步骤只有三步：① 把整体设为一万人（或一百人）；② 按基础比率分成“符合的人／不符合的人”；③ 分别数出“证据成立的人数”，取比值。出租车问题的计算正是如此。比起背公式，养成“看到百分比就换算成人头”的反射，在实际生活中管用得多。

如果刻板印象在统计上是成立的呢

这是个敏感但重要的问题。先做个梳理：基于代表性之推论的错误，不在于“使用群体的倾向”本身，而在于无视基础比率，以及用群体的平均去断定个人。某个倾向即便在统计上真实存在，也不保证眼前这一个人会遵从它；尤其在招聘、授信、司法这类左右个人一生的判断中，用群体统计去裁决个人，其公正性本身就要受质疑（正因如此，许多国家都不问统计上是否成立，直接对基于属性的歧视性判断加以规制）。统计用于“群体的政策”，“个人的判断”则依据本人的实绩与行为——我认为这条界线，才是让统计素养与公正得以两全的现实答案。