飛行教官的頓悟#

Kahneman 在職業生涯中，最令他滿足的「頓悟時刻」之一，發生在他為以色列空軍飛行教官講授心理學的課堂上。

他正在講解一個原則：獎勵進步的效果優於懲罰退步。一位資深教官站起來提出反駁：

「我多次稱讚飛行學員某個動作做得漂亮，但他們下一次通常表現更差。而當我對學員的失誤大聲訓斥，他們下一次反而通常表現更好。所以，懲罰顯然比獎勵更有效。」

這位教官的觀察完全正確——他確實看到了這個規律。但他的解釋完全錯了。

均值回歸：被誤讀的統計現象#

這位教官的觀察，完美地說明了均值回歸（regression to the mean）：

• 學員某次表現特別好，部分原因是「運氣特別好」
• 下一次，這份運氣不太可能重現，表現自然回落到平均水準
• 教官稱讚後觀察到「表現變差」，但這與稱讚無關

同樣的邏輯反過來也成立：

• 某次表現特別差，部分原因是「運氣特別差」
• 下一次，這份霉運不太可能重現，表現自然回升
• 教官斥責後觀察到「表現變好」，但這與斥責無關

教官對獎懲效果的整個信念系統，都建立在一個統計幻覺上。

均值回歸的本質： 在任何有隨機成分（運氣）的表現中，極端的結果（特別好或特別差）之後，下一次的結果幾乎必然更接近平均值。這不需要任何因果解釋，它是統計的必然結果。

Galton 的發現#

均值回歸是由英國科學家 Francis Galton 在十九世紀末首先發現並命名的。

Galton 研究身高的遺傳規律，發現了一個令他困惑的現象：高個子父母的孩子，平均身高比父母矮；而矮個子父母的孩子，平均身高比父母高。

他把這個現象命名為「向平庸回歸（regression toward mediocrity）」，這也是今天「regression」一詞在統計學中的來源。

Galton 花了很多年才理解，相關性（correlation）和回歸是同一個概念的兩個面向：只要兩個變數之間的相關性不完美（小於 1），就必然存在均值回歸。

相關性與回歸的關係： 如果父母身高和子女身高的相關係數是 0.5，那麼父母每比平均值高出一個標準差，子女預期只比平均值高出 0.5 個標準差。相關性越低，回歸越強烈。相關性為零時，無論父母多高或多矮，子女的預期身高都等於全體平均值。

為什麼我們總是看不見均值回歸#

我們的大腦很難自然接受均值回歸，原因是 System 1 強烈傾向於因果解釋：

每當我們觀察到一個事件（A 之後發生了 B），我們的聯想機制就自動試圖構建「A 導致 B」的因果連結。

我們為均值回歸編造因果故事，卻看不見背後的統計規律。

因果幻覺的代價： 教官因為誤解均值回歸而形成了「懲罰優於獎勵」的錯誤信念，並依此調整了他的教學行為。這個偏誤不只是個人的認知錯誤，它會導致系統性的、可預見的錯誤決策。醫療、管理、教育、體育訓練等領域都充斥著這類誤解。

均值回歸的無處不在#

Kahneman 舉了多個日常例子說明均值回歸的普遍性：

高爾夫錦標賽：如果你專注於第一天打得特別好的球員，第二天他的成績幾乎必然更接近平均。這不是心理壓力的問題——是統計的必然。

銷售預測：如果某家分店去年業績特別差，今年「改善」了，很可能只是均值回歸，不是管理層的功勞。

憂鬱症治療：憂鬱患者通常在症狀最嚴重時才尋求幫助。無論接受哪種治療，情況隨後改善的機率都很高——但這很難說是治療本身的效果，還是均值回歸的結果。

企業業績：一家今年業績特別好的公司，明年很可能退步——不是因為管理變差了，而是今年的優異業績裡有一部分是運氣。

識別均值回歸的方法： 問自己：「這個結果中有多少隨機成分？」如果答案是「很多」，那麼任何極端表現之後，你都應該預期均值回歸的發生，而不是試圖為它尋找因果解釋。

理解回歸的挑戰#

Kahneman 坦承，即使是理解了均值回歸的人，也很難在日常生活中真正「看見」它，因為 System 2 需要刻意介入才能壓制 System 1 的因果解釋衝動。

統計學家 David Freedman 說：「如果回歸的話題在法庭上提出，擅長這個議題的那一方必定敗訴。」因為陪審員的 System 1 強烈偏向因果解釋，不容易接受純統計的論點。

這是均值回歸的核心悖論：它是一個沒有原因的效應。某個銷售員今年業績特別差，明年改善，不需要任何解釋，它只是統計的必然。但我們的大腦拒絕接受「無原因的事件」，必定要為它找到一個因果故事。

日常對話中的應用#

「她說經驗告訴她，批評比稱讚更有效。她不明白的是，這一切都只是均值回歸而已。」

「也許他的第二次面試不如第一次，不是因為他害怕讓我們失望，更可能是第一次面試表現得出奇地好，這才是正常水準。」

「我們的篩選流程不完美，所以應該預期均值回歸。我們不應該對最優秀的候選人沒有達到預期感到驚訝。」