《噪声：人类判断的缺陷》—— Daniel Kahneman, Olivier Sibony, Cass R. Sunstein
两位法官审同一个案子，判决可能相差近4年——这不是偏见，是噪声：一种比偏见更隐蔽也更难治的判断缺陷，而且可以被测量。
- 总体误差 = 偏差² + 噪声²，减少噪声和减少偏差对误差的贡献完全相等
- 任意两位法官对同一批案件的平均绝对量刑差异高达3.8年
- 决策卫生的核心武器是结构化判断：分解、独立、推迟整体判断
核心观点
总体误差=偏差²+噪声²，减少噪声和减少偏差对误差的贡献完全相等
过去40年行为经济学只顾着纠正偏差，却忽略了噪声这另一半误差来源。噪声甚至有个奇特的性质——不需要知道正确答案是什么，也能测量它。
噪声的一个普遍特性是：你可以在对目标或偏差一无所知的情况下，识别噪声并对它进行测量。
— Daniel Kahneman同一批案件，法官之间的量刑平均绝对差异高达3.8年
被告抽到哪位法官，几乎决定了他要多坐将近4年牢。这种噪声几十年不被发现，因为它没有方向、没有名字，每一位审判者都觉得自己很公平。
208名法官审同16起虚构案件的平均绝对量刑离差
偏差有方向可被命名和纠正，噪声无方向，因此更隐蔽也更危险
一致性错觉：噪声像地下室漏水，几十年不被发现的真正原因
每位专业人员的信心来自「和过去的自己一致」，而不是「和同事一致」。组织文化又主动阻止分歧暴露的机会，让巨大的判断分散度长期隐形。
22名医生的诊断意见与自己之前判断不一致的概率
就连同一个人在不同时刻，判断也远不如自己以为的那样稳定
多人讨论不会平均掉噪声，反而会因锚定和从众效应放大噪声
只有判断真正彼此独立时，平均才能降低噪声。轮流发言的会议会让第一个发言者的数字锚定所有人，讨论反而制造更大的群体方差，不是消除它。
- 会议上轮流发言再形成共识
- 先讨论再各自打分
- 先匿名独立评分，再同时揭晓讨论
- 对分歧最大的项目花最多时间讨论
简单算法碾压人类专家，即使随机加权的线性模型也是
研究者用一个模仿你自己判断规律的简单模型去预测，结果这个「你的模型」比你本人预测得还准，因为它消除了你的噪声、保留了你的规则。用随机权重生成的一万个线性模型，全部跑赢了人类专家。
10000个随机加权线性模型预测高管绩效，跑赢人类专家的比例
算法的核心优势不是更聪明，是没有噪声
决策卫生：分解、独立、推迟整体判断，把判断从直觉变成协议
把一个总判断拆成多个独立中介评估，每项独立打分，最后才做整体决策。这不是压制直觉，而是把直觉推迟到有了完整、独立、未被污染的信息之后再用。
免费部分到这里。墙内还有：
本书与另外 4 本书的观点交锋 · 应用篇
金句摘录
「偏差和噪声在误差方程中扮演了类似的角色，它们虽彼此独立，但被赋予了相同的权重。」
「哪里有判断，哪里就有噪声，而且比你想象得多。」
「就像洗手并不能预防所有的疾病一样，决策卫生也不能防止所有的错误，但它警示人们关注一个虽看不见却普遍存在且具有破坏性的问题。」
常见问题
这本书讲了什么？
两位法官审同一个案子，判决可能相差近4年——这不是偏见，是噪声：一种比偏见更隐蔽也更难治的判断缺陷，而且可以被测量。
适合谁读？
从核心观点看，适合想搞清楚「总体误差=偏差²+噪声²，减少噪声和减少偏差对误差的贡献完全相等」这类问题的人。
最核心的一个观点是什么？
总体误差=偏差²+噪声²，减少噪声和减少偏差对误差的贡献完全相等