Causes Trump Statistics

計程車事故問題#

這一章從一個經典的 Bayesian 推理題開始：

一輛計程車在夜間發生了肇事逃逸事故。城市裡有兩家計程車公司：綠色車隊和藍色車隊。已知資訊如下：
城市裡 85% 的計程車是綠色的，15% 是藍色的
一位目擊者指認肇事車輛是藍色計程車
法院測試了目擊者在當晚條件下的辨色能力，發現他 80% 的時候能正確辨識顏色，20% 的時候會認錯

問：肇事車輛是藍色計程車的機率有多高？

大多數人看到這個問題，直接回答「80%」——因為目擊者有 80% 的準確率。

但這個答案忽略了基本比率。正確的 Bayesian 計算結果是：

也就是說，儘管目擊者指認了藍色計程車，肇事車輛實際上是藍色的機率只有 41%，仍然低於 50%。

基本比率的力量： 當一個事件本身就很稀有（只有 15% 的計程車是藍色的），即使有相當可靠的目擊者證詞，也不應該完全推翻基本比率的影響力。大多數人在有目擊者的情況下，會完全忘記基本比率。

這個章節的核心洞見在於區分兩種截然不同的基本比率：

第一版問題提供的「85% 是綠色計程車」是一個純粹的統計基本比率。它告訴你某個群體的分佈，但它沒有說明任何關於這次事故「為什麼」會發生的資訊。

人們普遍對統計型基本比率視而不見。

現在考慮問題的第二個版本，只改變基本比率的呈現方式：

兩家計程車公司的車輛數量相同
但綠色計程車涉及的事故數量是藍色計程車的五倍

這兩個版本在數學上完全等價——都意味著綠色計程車的事故占 85%，藍色占 15%。

但受試者對第二個版本的反應截然不同：他們不再忽略基本比率，而是自動把它納入判斷。

關鍵差異： 「85% 是綠色計程車」是純統計數字，對 System 1 毫無意義。「綠色計程車司機開車比藍色計程車粗心五倍」是一個因果故事，它立刻喚起 System 1 的聯想——你腦中會浮現綠色計程車司機魯莽駕駛的畫面，這讓因果基本比率自動被納入考量。

因果型基本比率之所以有效，是因為它以**刻板印象（stereotype）**的形式存在。

Kahneman 引用了心理學家 Icek Ajzen 的實驗。Ajzen 告訴受試者兩種不同版本的資訊：

結果：版本二的因果基本比率對判斷的影響，遠大於版本一的統計基本比率。

這是因為「考試很難」直接轉化為對每個個別學生的預期，形成一個因果性的推論框架。而「75% 通過率」只是一個冰冷的數字，無法觸發 System 1 的聯想機制。

System 1 的選擇性： System 1 對統計資訊基本上是不敏感的，除非這些統計數字能被轉化成生動的因果故事。這意味著用統計數字說服人通常是徒勞的，但同樣的資訊包裝成因果敘事則會立即產生效果。

「刻板印象」在我們的文化中是個負面詞彙，但 Kahneman 指出，刻板印象在認知心理學上是中性的：它是 System 1 以類別和原型範例來表徵世界的方式。

我們腦中存有馬、冰箱、紐約警察的「刻板印象」（一個代表性的心理圖像），這讓我們能快速理解世界。

刻板印象有些是正確的，有些是錯誤的，有些有致命的危害。但問題的核心是：

計程車問題說明：在某些情況下，運用刻板印象（「綠色計程車司機更粗心」）反而提高了判斷的準確性，而抵制刻板印象、只看統計數字，卻導致更差的判斷。

實務應用： 當你需要評估某個個案的機率時，試著問自己：「我能不能把基本比率轉化成一個因果故事？」如果能，你的 System 1 就會自動幫你納入這個資訊；如果只是一個冷冰冰的統計數字，你需要 System 2 刻意提醒自己不要忽視它。

這一章也探討了「心理學的統計知識能否改變行為」的問題。

Nisbett 和 Borgida 做了一系列實驗，試圖教導學生在個案判斷中考慮統計基本比率。結果令人沮喪：

這個發現揭示了一個重要的教育意涵：統計事實不能改變人的直覺判斷，但令人驚訝的個案故事可以。

最有效的教學方式，是找到能讓學生感到驚訝、並因此重新建構因果理解的個案，而不是展示統計數據。

「我們不能假設他們真的從純粹的統計數字中學到任何東西。讓我們給他們看一兩個有代表性的個案，讓 System 1 去處理吧。」

「不需要擔心這個統計資訊被忽視。相反地，它會立刻被用來強化一個刻板印象。」