【噪声这本书怎么样】道斯的研究的直接理论成果值得广为人知即使你缺少有关结果先前的数据,你也可以进行有效的统计预测,只需收集一些你认为与

  • A+
所属分类:精英日记
       

本文选自 丹尼尔·卡尼曼新作《噪声》,扫上面码免费领电子书

道斯的研究的直接理论成果值得广为人知: 即使你缺少有关结果
先前的数据,你也可以进行有效的统计预测,只需收集一些你认为与
预测结果相关的预测因素即可。

假设你必须对已经在多个维度上获得评分的高管的绩效做出预
测,如第9章中高管的例子所示。你相信这些评分有很强的预测力,但
是你没有每个评分预测的准确性数据。你也不可能花费几年的时间来
追踪大量管理人员的绩效情况,但是,你可以基于这7个评分的均等权
重模型来做预测。 那么,这个均等权重模型的预测效果如何呢? 它与
结 数将为0. 25 (PC=58%) ,远优于诊断性预测一一相关系
数为0.15〈PC=55%) ,并且肯定与交叉验证后的回归模型非常相似,
也不需要任何你没有的数据或任何复杂的计算。

用道斯的话说,均等权重模型具有“多定之差”。研究判断的学
生已对这名话达成共识。介绍这一观点的开创性文章的最后一句话给
出了男一个精录的间结, “应用 4所赶的全部技巧是;

更简捷: 简约模型

另一种简化的方式是采用简约模型 (frugal models) 或简单规
则。简约模型是对现实进行极端简化并无须复杂计算的模型,但在某
些情况下,它们可以产生令人惊叹的预测效果 。

令很多人感到惊讶的是,这些模型是基于多元回归的一个特征建
立的。假设你使用了两个准确性很高的预测因素,它们与结果的相关
系数分别为0.6 (PC=71%) 和0. 55 (PC=69%) ,且这两个预测因素彼此
相关,相关系数为0. 5。当将这两个预测因素进行最佳组合时,预测的
准确性会有多好呢? 答案令人失望,相关系数是0. 67 (PC=73%) ,这
个结果比之前好,但并没有好太多。该示例说明了一条一般性规则,将两个或多个相关预测因素组合
后,预测效果相比于单个预测因素并不会好多少。因为在现实生活
中,预测因素几乎总是相关的,所以这一统计事实支持使用包含少量
预测因素的简约模型进行预测。与使用很多预测因素的模型相比,简
单规则只需少量计算或根本无须计算,就能在某些情况下达到令人吃
人惊的预测效果 。

二个研究团队于2020年发表了一项研究成果。他们将简约模型应
肝王一系列现实问题,内容包括在案件待审期间法官是否该批准被告
的保释申请。这项决策隐含着对被告行为的预测,如果错误地拒绝保
释,被告将被不必要地拘押,从而对个人和社会造成巨大损失:, 如果
错误地批准保释,则被告可能在受审前逃脱,甚至犯下其他罪行。

研究人员仅使用两个可高度预测被告在保释期逃脱可能性的已知
变量来建立模型: 被告的年龄〈年龄越大,逃脱风险较低) 和未按时
出庭受审的次数〈《有未按时出庭受审记录的人,更可能逃脱) 。该模
型将这两个变量转换为一系列分数,并针对风险进行评分,在计算被
告保释期逃脱的风险时无须使用计算机,甚至不需要计算器。

当用真实数据来测试时,该简约模型的表现与那些使用众多变量
的统计模型一样好,而在预测逃脱风险方面,简约模型比几乎所有法
官的判断都要好。同样的简约模型采用少数几个整数 〈-3一13) 对最
多5个特征进行评分,并以此来对各种任务进行预测,如基于乳房X线
片判断肿瘤的严重程度、诊断心脏病、预测信用风险等。在所有这些
任务中,简约模型的表现都与复杂回归模型一样好,只不过它通常不
如机器学习模型的表现好。

分“大硬江卫汪骨了从的模名的有数振 另外一个研究小组研究

有 的司法问题,预测惯犯。研究人员

在主人说再次区风险时 使用的模型只有两个输入变量,但该
的预沉 里137个变量的模型相同。毫无疑问,这两个预测

关于卡尼曼的认知资源理论相关推荐:

思考的快与慢读后感,思考快与慢这本书怎么样,卡尼曼认知资源理论例子

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: