第二章认知心理与行为实验

结论：肇事车是绿色的可能性更大。

也就是说，尽管有证据证明此车是绿车，但先验概率同样起到了巨大的作用。贝叶斯规则在利用新的证据对主观概率的估测中具有以下意义。

第一，贝叶斯规则突出了背景信息在推理中的重要作用。

第二，贝叶斯规则正确地描述了新信息或新证据在知识更新中的重要作用。

(二) 过程理性

卡尼曼和特维茨基就以上案例做了心理测试，对于该肇事车到底是蓝车还是绿车设定以下几种选择。

(a) 肇事车是蓝车的概率为0.8。

(b) 肇事车很可能是蓝车，但概率小于0.8。 (c) 肇事车是蓝车和绿车的概率相同。 (d) 肇事车很可能是绿车。

心理测试的结果显示，大多数人均选择(a)或(b)，极少数人选择了(d)。也就是说在人们的认知过程中，并非像经济学家们所假设的能够以完全理性进行认知，以贝叶斯规则进行概率判断。事实上，人们的认知过程常常受到环境、情绪、价值观等因素的影响。

西蒙较早地注意到心理学关于人类认知行为的研究成果，并提出“有限理性(bounded

①

rationality)”学说。有限理性学说强调人类的决策过程更多的是过程理性，而不一定是实质理性。

拉特斯(Latsis)在《经济学中的情景决定论》论文中讨论企业理论时提出了两种研究思

②

路，一种为“情景决定主义”，另一种为“经济行为主义”。这两种研究思路的根本不同之处在于，经济行为主义需要一种理性选择的心理学理论作为一个必要组成部分，而情景决定主义则不需要。从这两种研究思路的起源来看，情景决定主义确实来自于经济学，而经济行为主义在很大程度上是来自于心理学。因此，经济行为主义思路中所采用的理性的概念是一个不同的概念，有其自身独立的心理学渊源。事实上，心理学界一直在对决策形成的过程进行研究。因此，西蒙将经济学中的“理性”称为实质理性，而将起源于心理学

③

的“理性”称为过程理性。

当行为在给定条件和约束所施加的限制内适于达成既定目标时，行为在实质上是理性的。根据这一定义，行为的理性只在一方面取决于行为者(或者说他的目标)；而一旦给定了这些目标，理性行为就完全是由行为发生时行为者所处的环境特征所决定，而与行为者的心理过程无关。这一实质理性的假设使经济学得以解放，而不依赖于心理学，经济学家就没有必要了解关于人类认知过程或人类选择的心理学理论。

而心理学家所使用“理性”一词通常是指过程理性。威廉·詹姆斯(William James)在《心

④

理学原则》一书中，将“理性”用作“称为推理的特殊思考过程”的同义词。人们无论做

① Simon H.A.1982, Models of bounded rationality. Cambridge, M.A:MIT Press. ② Spiro J. Latsis.1972, Situational Determinism in Economics.

③ Simon，H.A. 1956, Rational choice and the structure of environments. Psychological Review. ④ William James.1980, Principle of Psychology.

什么都有自己的理由和动机，他们使用推理来对这些动机作出反应，以达成他们的目标。在心理学中，行为如果代表着没有进行适当思考时对于影响机制的条件反射，就倾向于被描述为“非理性”。由于心理学首要关注过程而非结果，因此心理学家在讨论行为中的理性时，倾向于使用类似“认知过程”和“智力过程”等术语。

西蒙通过对心理学中所采用的适应性行为模型(例如学习理论)和经济学中所采用的理性行为模型进行比较研究发现，后者几乎在所有方面和前者相比，假设了选择机制上更多的复杂性，以及生物体获得信息和实现计算的更多的能力。并且在对这两种理论进行了有限情景范围的比较研究后发现，学习理论等心理模型相比经济学的理性选择理论更能与实际观测行为相吻合。其证据主要集中于人类解决复杂性问题的计算效率，以及实验心理学中关于人类在风险环境下决策的实证研究成果。西蒙在其提出的有限理性学说中，指出了这些主要证据。

关于计算效率，我们所关心的是由一种系统来求解一个问题所需要计算的时间和复杂程度。其中的运算基本上是按顺序进行的，因此求解一个问题需要执行大量的顺序步骤，而对于每一次的基本运算，也需要以不加压缩的特定时间来完成，因此，可以认为人的思考过程类似于一种现代数字设备。然而人的基本处理速度，尤其是算术处理速度要比计算机慢得多。即使是计算机处理复杂问题也需要花费较长的时间，因此在经济学实质理性中假设人类具有超强的计算能力显然是不合乎现实的。

关于国际象棋游戏的心理学研究方面的文献中，曾提出了关于许多职业国际象棋选手

①

的思考过程。

(1) 他们通过非常有选择性地搜索庞大的步数可能性树的方式以补偿其有限的计算能力，很少在决定下一步时考虑多过100个分支。

(2) 他们在长期记忆中存储了大量棋子的共同模式的集合，以及启用这些模式的方法。 (3) 一个选手会形成并修改他对局势的期望，这样他可以决定怎样的特定的步数是“足够好的”(满意的)，从而结束他的搜索。

西蒙于1956年的研究成果表明，职业国际象棋选手对选择性搜索和他对重要模式的百科全书式的知识的直觉是他在选择一个国际象棋步数时的过程理性的核心。这个例子表明人们严重依赖过去的经验来发现自己所面临的形势的重要特征，这些特征和对可能的相关行动的记忆有关。一旦他们发现了满意的选项，就会终止搜索。

检验人类理性选择理论的另一种方法是在研究相对简单并构造良好的实验室情景下的选择行为。爱德华兹(W. Edwards)、拉帕普特(A. Rapaport)以及特维茨基等许多研究者都曾采用这种方法，检验当面对不确定性和风险时人类决策是否可以用统计决策理论的规范概念加以解释。这些研究表明，尽管构造了足够简单和透明的博弈，使得绝大多数行为主体会以和主观预期效用理论一致的行为方式对它们作出反应，但即使在这种简单和透明的情景下，行为主体也产生了与理论预测的行为的偏差，或绝大多数主体的行为均不能由主观

②

预期效应理论或贝叶斯模型来解释。尤其值得一提的是卡尼曼与特维茨基在1973年所作的一项研究。我们知道将新信息和旧信息整合起来的理性过程是贝叶斯定理，即先赋予某

① Simon,H.A.1982. Models of bounded rationality. Cambridge, M.A:MIT Press. ② Kahneman,D.and Tversky,A.. the psychology of prediction, Psychology Review 80.

一不确定事件一组的概率，而当新的证据出现时，则贝叶斯定理提供了一种算法来修正先验概率。显然，运用贝叶斯定理的一种结果是，新证据越是丰富、可靠，其对新概率的影响就越大。另一种结果是新概率不应仅取决于新证据，而且还有赖于先验概率。但卡尼曼与特维茨基的研究表明，行为主体的估计和新证据的可靠性无关，而且看上去完全不像受到先验概率的影响。而爱德华兹在1968年描述了相当保守行为的大量实验证据，在这些实验中，行为主体对先验概率估计的修改并不接近于贝叶斯定理所要求的那样多。这表明，人类对新证据或是过度反应，或是忽视它，而这取决于确切的外部环境。

由上述三点可见，人们在认知过程中，遵循的理性并不是传统经济学上所设想的实质理性，而是心理学意义上的过程理性。

第二节 认知实验及认知偏差

一、启发式偏差及其实验研究

人们的风险决策过程是一种重要的思维活动过程。思维作为认知心理学研究的一个课题，是通过判断、抽象、推理、想象、问题解决这些心理属性相互作用而进行信息转换，从而形成一种新的心理表征的过程。思维在思想过程三要素(包括思维、概念形成、问题解决)中范围最广，并具有综合而非孤立的特性。问题解决只能借助于思维来实现，且问题解决的策略多种多样。一个问题可以用不同的策略来解决，对于应用哪种策略而言既依赖于问题的性质和内容，也依赖于人的知识和经验。总体而言，人们所应用的问题解决策略可分为算法和启发法两类。算法是解决问题的一套规则，它用于精确地指明解题的步骤。如果一个问题有算法，那么只要按照其规则进行操作，就能获得问题的解，这是算法的根本特点。启发法是拼接经验的解题方法，是一种思考上的捷径，是解决问题的简单、笼统的规律或策略，也称之为经验法则或拇指法则。算法与启发法是两种性质不同的问题解决策略。虽然算法能保证问题一定得到解决，但它不能取代启发法，这是因为首先不能肯定所有的问题都有自己的算法；其次，许多问题的算法过于繁杂，往往需时过多，实际上无法加以应用。因此，一般认为，人类解决问题特别是解决复杂但不需要特别精确的问题时，通常会应用启发法。

那么在什么情况下，最有可能导致人们使用启发法，而不是理性思考呢？奥尔波特

①

(Allport)的研究结果表明至少存在四种情况。由于人类是认知吝啬鬼，因此：①当人们没有时间认真思考某个问题时；②当人们负载信息过多，以至于无法充分地对其进行加工时；③当手中的问题并不十分重要，以至于我们不必太过思虑时；④当人们缺乏作出决策所需的可靠信息或知识时，人们更容易使用启发法作出判断。

启发法主要有四种：代表性启发法、可得性启发法、锚定与调整启发法以及情感式启发法。运用这四种方法可能会得出正确的推理结果，也可能会导致错误的推理结论。错误的推理结果通常以心理偏差的形式表现出来，这就是所谓的启发式偏差(heuristic bias)，它是指智力正常、教养良好的人却一贯作出错误的判断和决策。

① Allport,G.W..1968. The historical background of modern social psychology. Lindzey,G & Aronson,N. (eds.). The Handbook of Social Psychology.

(一) 代表性启发偏差及其效应

卡尼曼和特维茨基经过研究认为，人们在不确定的情况下，会关注一个事物与另一个

①

事物的相似性，以推断第一个事物与第二个事物的类似之处。即人们假定未来的模式会与过去相似并寻求熟悉的模式来作判断，并且不考虑这种模式产生的原因或重复的概率。认知心理学将这种推理过程称为代表性启发法(representative heuristic)，它是指人们倾向于根据样本是否代表(或类似于)总体来判断其出现的概率。例如，若一个客体或个人所具有的显著特征可以代表或相似于某一范畴的特征，则它容易被判断为属于该范畴。

下面用一个例子说明代表性直觉。我们对一个人作如下描述：“斯蒂芬比较害羞、孤僻，对他人及现实世界没有兴趣，性情温和，注意细节，讲究整洁与有序。”现在要求从一连串可选的职业中(例如农民、推销员、图书管理员或物理学家等)来选择斯蒂芬所适合从事的职业。人们将如何对斯蒂芬可能从事的职业进行排序呢？实验心理学研究表明，人们在判断斯蒂芬从事某一职业(例如图书管理员)的可能性时，是通过评估斯蒂芬在多大程度上类似于人们观念中该职业的固定形象。

代表性启发法与贝叶斯规则的预测在某些特定场合可能是一致的，从而造成人们的概率推理遵循贝叶斯规则的印象。该思想在处理现实问题时存在这样的认知倾向：喜欢把事物分成典型的几个类别，然后在对事件进行概率估计时，过分强调这种典型类别的重要性，而不顾有关其他潜在可能性的证据。这种偏差导向的一个结果是，当证据明明是随机产生之时，人们仍然倾向于发现其中的规律，并对此感到自信。

一般情况下，代表性是一个有用的启发法，但它可能产生严重的偏差，由此所导致错误的原因可分为以下四种。

1．对先验概率的不敏感

按照理性人假设下的贝叶斯规则，事件发生的概率由事件的先验概率和新证据的发生共同决定。新证据越是丰富、可靠，其对新概率的影响就越大。但卡尼曼和特维茨基于1974

②

年所做的实验研究表明，贝叶斯规则并不能刻画人们事实上对新信息作出的反应。人们在修正其观念时，存在着忽视先验概率的偏差。下面以一个实例对此加以说明。

在一个实验中，受试者被告知某人是随机从100人中选出的，这100人中有70名工程师，30名律师。那么对这个人进行如下描述：此人30岁，已婚，没有小孩；他的能力和激情都很高，因而他在该领域有望非常成功；他深受同事们的喜欢。

可以看出这个描述是“纯噪声”，因为它没有揭示任何与该人是工程师还是律师有关的信息。但在实验中受试者判断此人是工程师的概率是0.5，忽视了先前论述的在总人数中工程师的比率是0.7。换句话说，实验结果得出了与贝叶斯法则相违背的结论，这个结果显然是由于受试者在进行判断时，并没有考虑实验对象所在小组中工程师和律师的先验比率，而是直接依据所提供的介绍符合工程师的代表性特征的程度，来估计他是工程师而不是律

② Tversky,A,Kahneman D..1982. Judgment of and by :Kahneman D,Slovie P,Tversky A.ed.Judgment Under Uncertainty:Heuristics and idge University Press,Cambridge.

① Amos Tversky,Daniel Kahneman.ent under uncertainty: Heuristics and ce,185:1124-1131.

师。此类偏差会造成人们在作出判断时不区分信息的重要程度，在有新信息出现的情况下，就忘掉了已有的重要信息。

2．对可预测性的不敏感

人们经常会对一些事情进行预测，例如一只股票未来的价格、某商品的需求或一场足球赛的结局等。卡尼曼和特维茨基通过研究发现，此预测也是依靠代表性作出的。例如，假定将一个公司的情况描述给一个人，然后要求他就这家公司未来的赢利作出预测。那么如果将这家公司描述得非常好，则多数人会作出较高的赢利预测，显然这样的赢利预测也相应地最具代表性；如果将该公司描述得很平常，则人们作出的赢利预测也相应一般。很显然，这种判断模式是违背统计理论的，对公司所描述的好坏程度与对赢利预测的准确性程度是无关的。所以如果人们完全根据对公司描述有利的程度来对其未来的赢利作出预测，那么这种预测事实上忽视了作出预测所依据的相关事实的可靠性或者类似预测预期的准确性。根据标准统计理论知识我们知道，如果对公司所作的描述并未提供任何关于公司未来赢利的信息，那么对所有这些被描述的公司，就其未来赢利值所作的预测应该是一样的。

3．对均值回归的误解

事实上，一些预测信息方法的预测能力是有局限性的，而人们往往忽视这一点，结果使他们往往作出“非回归预测”(nonregressive predictions)。换言之，人们只是利用线性的方式对问题进行预测与判断，而没有考虑到现实中由于种种因素的影响，事情的发展趋势往

①

往会存在回归的倾向。下面是卡尼曼和特维茨基在1973年所做的一个实验。

这里有一份关于大学生的资料。据统计，对这些学生进行加总平均的高中平均成绩是3.44(标准差为0.36)，加总的大学平均成绩是3.08(标准差为0.40)。现在假设需要预测三个高中生未来的大学平均成绩，以便决定是否给他们签发大学录取通知书，而唯一能够得到的资料只有其高中平均成绩，如果他们的高中平均成绩分别为2.20、3.00和3.80，那么预测结果如何呢？

通过对大量受试者的调查，得到了一份一致的结果，如表2-1所示。

表2-1 对受试者的调查结果

高中平均成绩 2.20 3.00 3.80 预测的大学平均成绩 2.03 2.77 3.46 实际的大学平均成绩 2.70 2.93 3.30 我们从表2-1中可以看出，在预测的大学平均成绩单中，不论是最低的2.03，还是最高的3.46，都与较早计算的加总平均的大学成绩3.08相去甚远。而实际的大学平均成绩则更接近于加总平均的大学平均成绩3.08。人们的这一反应证明了人们在思维中不善于运用回归分析的方法。

均值回归是一个常见的统计方法。在这里，当学生考试得了很高或者很低的分数后，

① D.Kchnoman and A.Tvevsky. the psychology of ological Review, 80