代表性法则一般又称代表性启发法（representativeness Heuristics）
目录 |
代表性法则指人们在不确定性的情形下，会抓住问题的某个特征直接推断结果，而不考虑这种特征出现的真实概率以及与特征有关的其他原因。在很多情况下，代表性法则是一种非常有效的方法，能帮助人们迅速地抓住问题的本质推断出结果，但有时也会造成严重的偏差，特别是会忽视事件的基本要素（base rate neglect），即无条件概率和样本大小。Rabin称这种用小样本特征反映母体特征的信念为“小数定理”。
正由于在金融市场上投资者的决策受到代表性启发式的影响，DeBondt和Thaler(1985)指出投资者在进行概率修正时常倾向于反应过度，对近期的信息赋予过大的权重而对整体的基率数据赋予较低的权重，其对获利数据的过度反应会推动股票价格偏离基本面价值。由此推论，在前段时期表现不佳的股票很可能比表现出色的股票更具有投资价值。
丹尼尔·卡纳曼做了一个著名的实验：约翰，男，45岁，已婚，有子女；他比较保守，谨慎并且富有进取心；他对社会和政治问题不敢兴趣，闲暇时间多用于业余爱好，比如做木匠活和猜数字谜语。
假设他来自于一个工程师和律师组成的样本群。然后分别告诉被测试者不同的先验概率。一组被测试者被告知工程师人数为样本的30％，律师为70％。另一组被测试者被告知工程师人数为样本的70％，律师为30％。询问两组被测试者约翰更有可能从事哪种职业？
结果表明，两组被测试者大都认为约翰是工程师，即使在主试有意提醒他们注意叙述条件的情况下，这种现象仍未改变。这说明，人们只根据描述性语言的代表性进行判断却全然不考虑先验概率的影响。
琳达，31岁，单身，性格外向，哲学毕业。在学校其间关心歧视和社会公平问题，参加过反核武器抗议示威活动。那么，她可能是个什么样的人？选项有以下两个：1、她既是银行职员又是个女权主义者。2、她是个银行职员。结果表明，绝大部分人认为她更像1。虽然选项1出现的概率要比选项2出现的概率小得多。不过人们似乎认为1是对琳达更自然的描述，更像她的代表性特征。
Kahneman和Tversky在1974年揭示了人们利用代表性的启发方法形成信念和推理时，存在着两个严重的偏差。一是过于注重事件的某个特征而忽视了其出现的无条件概率，从而引起信念的偏差；二是忽略了样本大小对推理的影响。这种用小样本特征反映母体特征的信念是小数定理。若人们不知道数据的产生过程，他们会利用非常少的数据尽快地进行推断。例如，他们会相信一个选了4次好股票的金融分析师是有天赋的，因为4次成功不会是一个差的金融分析师的代表性因察。若人们事前知道产生数据的过程，小数定律将产生赌徒谬论效应，或者反向调整的平均法则。若在公平的扔硬币中连续产生5次正面，人们会说下一次一定是反面。因为他们认为即使是一个小的样本也应该反映扔硬币的公平特征，因此，必须有更多的反面来平衡这么多的正面。
统计学中有个大数规则,但研究发现,人们往往信奉“小数规则”,即不管样本容量多小,人们总认为它能反映总体。比如前五次抛出的硬币都是正面时,大多数人就会认为第六次抛出的硬币更可能是反面,因为人们认为“正正正正正反”比“正正正正正正”更具有一般性。一些投资者老抱着一些深度套牢的股票不放,就是自认为已经两年没涨了,现在该轮到它了吧。投资者的这种股价会“自我矫正”的错误观念,无疑是“把牢底坐穿”的一个很重要的原因。
与自我矫正观念相反的是,投资者还很容易忽略事件会有向平均数回归的倾向。比如,两只都缺乏题材的股票A和B,A股票持续上涨,B则按兵不动,此时有些投资者往往会认为A会继续上涨,于是跟进,结果却往往吃了大亏。投资者在挑选分析师时也同样存在非回归现象。
比如有两位股评家A和B,股评家A可能连续两次预测准确,而B两次都预测错误,这时投资者往往就会认为A比B要好,于是往往听从A的意见。事实上,也许B要比A好,只不过是B这两次太不走运罢了。
要恰当利用代表性启发法,投资者应做到:
(1)无论何时,都要关注基准概率;
(2)切记概率不存在自我矫正行为。股票价格一直下跌并不意味着将来更可能上涨,一直上涨的股票也并不意味着将来更可能下跌;
(3)不要被过度详细的细节所迷惑。你对某公司掌握的信息越是充分,越应该谨防决策失误;
(4)不要误解向平均数回归的现象。股票价格的波动是正常现象,不应将此与一些偶然事件联系在一起;
(5)仔细考察经验关系,注意自己在推理过程中存在的谬误。