How People Use Statistics

人们在面对标准统计问题时表现出两个令人困惑的特征：概率估计的多模态性（multimodality）和不稳定性（instability）。例如，在判断公平硬币抛掷序列的相对概率时，一些人犯下赌徒谬误（Gambler's Fallacy），认为平衡序列（如正反正反）比非平衡序列（如正正正）更可能发生，而另一些人却给出正确答案；当序列长度从 2 增加到 6 时，正确答案不变，但犯赌徒谬误的比例急剧上升。类似地，在贝叶斯推断问题中，一些人锚定在先验概率（基率），另一些人锚定在似然（信号），几乎没有人正确整合两者；同一个统计问题，当用「球和罐子」描述时人们普遍反应不足（underreaction），而用「出租车证人」描述时却普遍过度反应（overreaction）。这些现象的现有解释依赖固定的启发式或贝叶斯规则的稳定扭曲，无法同时解释多模态性和不稳定性。

该研究提出一个基于选择性注意（selective attention）的统一理论框架：当评估假设时，决策者关注假设的显著特征（salient features），同时忽略其他可能相关的特征，从而导致假设的错误表征（incorrect representation）——这是一种问题替代（question substitution）的形式。模型形式化了注意力的两个驱动因素：对比度（contrast，即某特征在假设间区分的鲜明程度）和凸显性（prominence，即问题描述方式对特定特征的强调程度）。注意力分配的变化导致不同的表征，进而产生不同的偏差，解释了偏差的多模态性和不稳定性。

通过一系列在线实验，研究者验证了模型的核心预测。首先，在 i.i.d. 抛硬币问题中，犯赌徒谬误的参与者更关注序列的「正面比例」特征，而非每次抛掷的独立性；在推断问题中，反应不足（锚定基率）和过度反应（锚定似然）分别对应不同的注意力模式。其次，外生改变特定特征的显著性联合地改变了注意力分配和估计分布：让个别抛掷更加凸显可以减少赌徒谬误；增加似然的对比度会增加对信号的关注，从而增加过度反应的比例。最重要的发现是，上述注意力机制几乎完全解释了从「球和罐子」框架到「出租车框架」中信念的剧变——这种不稳定性源于不同问题描述方式对不同特征的凸显性差异。

该研究对理解经济决策中的信念形成具有深远意义。注意力驱动的表征扭曲不仅解释了经典的判断偏差，还预测了新的偏差：当一个问题中某个假设的替代项未被明确提及时，人们会完全忽略替代项，仅根据所述假设的基率和似然的乘积作答。研究还表明，「频率格式」（frequency format）虽然通过降低对某一特征的忽视来促进贝叶斯回答，但并非万灵药。注意力限制导致了对样本量（sample size）和证据权重（weight of evidence）的不敏感性：随着序列长度增加，信念变得完全不再响应新增信息。这些发现挑战了理性疏忽（rational inattention）等目标最优注意力分配理论，表明即使是计算上简单的问题，偏差也会因选择性注意和错误表征而产生。