聚类错觉 (The Clustering Illusion)

概览

1. 快速总结

我们的大脑是寻求模式的机器，进化出了在混乱中找出秩序的能力：草丛中的沙沙声预示着捕食者，云层的形成预示着风暴。这套生存机制有它的阴暗面，就是我们会在没有模式的地方看到模式。观察随机数据时——无论是股票价格、地图上的癌症病例，还是篮球运动员的连续命中——我们会把随机性自然产生的“块状分布”当成有意义的“集群”。真正的随机性并不是均匀分布的；它是成块的，而我们的大脑会将这些块误认为是某种潜在力量在起作用的证据。

2. 背后的科学

2.1. 发现与历史

聚类错觉在人类认知研究中有深厚的根基，尽管这个概念是通过几个关键发展逐渐成型的：

• 20世纪70年代：以色列心理学家阿莫斯·特沃斯基 (Amos Tversky) 和丹尼尔·卡尼曼 (Daniel Kahneman) 发现了代表性启发式，这为我们为什么会误解聚类提供了心理学基础。
• 1958年：德国神经学家克劳斯·康拉德 (Klaus Conrad) 创造了“幻想性错觉” (apophenia) 一词，用于描述倾向于在不相关事物之间感知到有意义联系的更广泛倾向，最初在精神分裂症背景下提出。
• 1985年：吉洛维奇 (Gilovich)、瓦隆 (Vallone) 和特沃斯基的里程碑式“热手”研究将聚类错觉引入了主流科学讨论中。
• 1991年：托马斯·吉洛维奇 (Thomas Gilovich) 的书《我们如何知道并非如此》(How We Know What Isn't So) 正式命名并普及了“聚类错觉”，作为一种独特的认知偏见。
• 2018年：米勒 (Miller) 和桑朱尔霍 (Sanjurjo) 的数学再分析表明，即使是研究这种错觉的研究人员也犯了统计学错误，可见我们在这种偏见面前有多么脆弱。

2.2. 关键研究人员

2.3. 里程碑研究

热手研究 (Gilovich, Vallone, & Tversky, 1985)

这项研究调查了篮球球迷、球员和教练普遍存在的一种信念，即球员会“发烫”——成功会孕育成功。

方法论:

• 调查了100名篮球球迷关于他们对连续投篮命中的信念
• 分析了1980-81赛季费城76人队的投篮记录
• 检查了条件概率：前一次命中后，命中的概率是否会增加？
• 分析了波士顿凯尔特人队的罚球记录（去除了防守变量）
• 与康奈尔大学校队球员进行了受控投篮实验

主要发现:

• 91%的球迷认为球员在之前投篮命中后，下次命中的机会更大
• 84%认为把球传给刚刚连续投篮命中的球员很重要
• 实际数据显示，投篮命中的概率与之前的结果无关
• 观察到的“连续”数量完全符合随机序列中的预期
• 球员预测自己命中和投失的能力并不比瞎猜好，即使他们“感觉很烫”

结论: 研究人员得出结论，热手是由聚类错觉以及记忆偏见（记住连续命中的情况而忘记交替出现的模式）共同产生的认知错觉。

米勒-桑朱尔霍的反驳 (2018)

三十年后，经济学家约书亚·米勒和亚当·桑朱尔霍发现了原始方法论中一个微妙但至关重要的缺陷：连续选择偏见 (streak selection bias)。

发现:

• 在任何有限的二元数据序列中，在连续成功之后取得成功的预期比例，在数学上预计将小于成功的潜在概率。这是反直觉的，但在数学上是可证明的。对于100次抛硬币，正面之后出现正面的预期概率约为0.46，而不是0.50。

影响:

• GVT假设球员在命中后有50%的命中率表明没有热手
• 正确的基线实际上是大约46%，这意味着命中率为50%的球员比随机预期高出了大约4个百分点
• 重新分析发现了热手效应存在统计学显著证据

宏观教训: 连聚类错觉的研究者本人也栽在了对随机性的统计学误解上，可见这种偏见扎根之深。

克拉克的V-2轰炸分析 (1946)

英国精算师R.D. 克拉克对德国V-2火箭对伦敦南部的撞击进行了统计分析。

方法论:

• 将伦敦南部划分为576个面积相等的网格（每个0.25平方公里）
• 追踪了这些网格内537枚炸弹的撞击
• 应用泊松分布来预测纯随机下的预期结果

结果:

结论: 让伦敦人相信特定街区被当成目标的“聚类”现象，完全符合随机概率。

2.4. 神经学基础

聚类错觉涉及几种认知机制和大脑系统：

模式识别系统:

• 大脑的视觉皮层和模式识别网络在进化中被调整为检测规律性
• 颞叶处理序列信息并识别偏离预期模式的情况
• 当检测到聚类时，这些系统会发出“检测到模式！”的信号，即使根本没有模式存在

编码机制 (Falk & Konold):

• 人们根据在大脑中编码一个序列的难易程度来判断随机性
• 像“正正正正正正”这样的序列很容易编码（“六个正面”） → 被判定为非随机
• 像“正反正正反正”这样的序列很难编码（需要死记硬背） → 被判定为随机
• 随机过程偶尔会产生“可压缩”的聚类，大脑会将其标记为模式

多巴胺能奖励系统:

• 模式检测触发奖励路径，当我们发现聚类时，在神经层面获得一种“快感”
• 这创造了一个正反馈循环，加强了寻求模式的行为
• “连接点滴”的快感促使持续的模式检测，即使是错误的

注意力系统:

• Stian Reimers 的研究表明，交替偏见可能反映了为变化检测而调整的注意力系统
• 在自然环境中，变化发出需要响应的重要事件信号
• 稳定状态（聚类）会受到额外关注，因为它们偏离了预期的交替

3. 进化起源

聚类错觉是我们最大的进化优势——快速识别因果关系的能力——的阴暗面。

祖先的生存优势: 在祖先的环境中，检测模式的能力是生存的先决条件：

• 认识到高草丛中的沙沙声与捕食者相关可以挽救你的生命
• 识别特定云层的形成预示着风暴可以使人做好准备
• 注意到某些植物聚集在水源附近有助于觅食
• 发现动物足迹聚集在水坑周围提高了狩猎成功率

成本收益不对称: 从进化的角度来看，假阳性（看到不存在的模式）的成本远远低于假阴性（错过存在的模式）：

• 假阳性：你因为风吹的沙沙声而逃跑 → 轻微的能量消耗
• 假阴性：你忽略了其实是捕食者的沙沙声 → 死亡

这种不对称性对模式敏感的头脑产生了强大的选择压力，即使他们偶尔“疑神疑鬼”。

现代的错配: 这种对结构的敏感度在以下现代世界中变得不适应：

• 执行随机游走的金融市场
• 遵循统计分布的疾病发病率
• 产生数学上随机序列的洗牌算法
• 由概率论主导的体育统计

我们的大脑将祖先的模式检测算法应用于现代的随机数据，在巧合中看到因果关系，在意外中看到意图。

4. 这种偏见如何表现

4.1. 在日常生活中

赌博和游戏:

• 相信老虎机在连续亏损后“该”吐钱了
• 认为彩票中的“幸运数字”是有意义的，因为它们以前出现过
• 将纸牌游戏中的连续赢牌视为“手气好”的证据

体育迷:

• 坚持认为当你看球时，你的球队“总是”输
• 基于令人难忘的表现相信某些球员有“大心脏” (clutch)
• 基于针对你球队的连续判罚感知到裁判的偏见

音乐和娱乐:

• 当洗牌连续播放某些艺术家的歌曲时，相信你的音乐流媒体服务对他们有“偏好”
• 认为某种特定流派“总是”在特定时间出现

迷信:

• 基于巧合的聚类发展出仪式（穿“幸运”衣服）
• 相信好运或坏运的“连续”
• 在随机的日常事件中看到有意义的模式

4.2. 在职场中

绩效评估:

• 经理们基于最近表现出的结果聚类，认为员工处于“火热”或“低迷”状态
• 基于简历中的连续经历而不是整体记录来评估求职者
• 基于最近的表现聚类，相信某些团队或部门有“势头”

销售和业务发展:

• 追求那些仅仅是随机成功聚类的“热门”线索
• 在随机失败聚类后放弃有前途的策略
• 基于巧合的结果，认为某些时间、地点或方法天生就更好

项目管理:

• 基于结果聚类感知项目有“势头”或被“诅咒”
• 基于最近的表现连续性做出资源分配决策
• 对延期或成功的聚类反应过度

4.3. 在商业和营销中

消费者操纵:

• 赌场利用聚类错觉，展示最近的中奖号码，鼓励玩家在“热门”或“该出”的数字上下注
• 营销产品成功的“火热势头”以产生错失恐惧症 (FOMO)
• 通过选择性报道胜利和推荐来创造人为的聚类

产品设计:

• Spotify和Apple重新设计了他们的洗牌算法，使其“不那么”随机，因为真正的随机对用户来说感觉“坏了”
• 智能洗牌算法主动防止聚类，以符合用户对“随机”的期望
• 游戏设计师操纵感知的随机性，使其感觉更“公平”

销售策略:

• 展示最近购买的聚类以暗示热门产品
• 在展示销售聚类后使用“限时”优惠
• 呈现用户评价聚类以暗示普遍满意

4.4. 在政治和媒体中

民意调查和选举:

• 基于误差范围内的随机波动感知民意调查数据中的“势头”
• 基于聚类结果相信某些地区或人口结构正在“转变”
• 媒体报道将随机聚类放大为重大趋势

新闻报道:

• 基于随机事件聚类报道“犯罪浪潮”
• 对健康数据中的统计噪声使用“流行病”语言
• 围绕巧合事件聚类编造叙事

阴谋论:

• 将不相关的事件联系成有意义的模式
• 在时间巧合中看到有意的协调
• 将随机数据聚类解释为隐藏力量的证据

4.5. 在医疗保健中

癌症聚类:

• 当社区中出现随机的癌症病例聚类时，社区会感到恐慌
• 要求对统计噪声的环境原因进行调查
• 长岛乳腺癌研究项目（20世纪90年代）花费了3000万美元调查一个感知到的聚类，该聚类在很大程度上被人口结构和检测偏见所解释

诊断错误:

• 医生基于最近的患者聚类感知疾病“模式”
• 基于最近一连串的阳性发现过度下达检测指令
• 将随机症状聚类归因于特定原因

治疗评估:

• 患者基于巧合的症状改善聚类认为治疗有效
• 基于随机副作用聚类停止用药
• 替代医学靠把随机的好转聚类错误归因于疗法而兴盛

4.6. 在金融和投资中

技术分析:

• 在随机价格数据中识别“头肩顶”、“双顶”等模式
• 研究表明，分析师在计算机生成的随机游走图表中也会识别出这些相同的模式
• 围绕实为统计噪声的模式建立交易策略

追逐趋势:

• 投资者将连续的正收益感知为基本价值发生了改变的“热门”股票
• 在随机聚类的顶部买入（在连续上涨发生之后）
• 等同于热手谬误的金融版

羊群行为:

• 追随其他投资者聚类行为而不是基本面分析
• 研究表明，这在金融素养较低的市场中尤为明显
• 基于感知的势头制造自我强化的泡沫

损失感知:

• 连续的下跌日被视为需要恐慌性抛售的“崩盘”
• 标准差内的随机波动触发不成比例的恐惧反应
• 损失聚类感觉比等效的收益聚类更重大

5. 现实世界案例研究

案例研究 1：V-2火箭袭击伦敦 (1944-1945)

• 背景: 在第二次世界大战期间，纳粹德国向伦敦发射了V-1飞行炸弹和V-2弹道火箭。V-2本质上是一种带有大误差范围的无制导导弹，旨在对城市进行无差别打击。

• 发生了什么: 伦敦人观察到炸弹似乎成群落下。伦敦南部的特定街区遭到反复打击，而相邻的行政区则幸免于难。伴随着诸如目标街区有德国间谍、故意针对穷人或引导向特定地标的理论，恐慌蔓延开来。

• 起作用的偏见: 居民们期望随机轰炸在整个城市中产生均匀分布。当他们观察到聚类——一些地区被多次击中，而另一些地区完好无损——他们拒绝了随机性，并寻求因果解释。

• 后果: 聚类错觉引起了恐慌，导致从“成为目标”的地区迁移，街区之间产生怨恨，并误导了民防资源。大量精力浪费在寻找不存在的间谍上。

• 吸取的教训: R.D. Clarke在1946年的统计分析证明，影响模式符合泊松分布——这正是纯随机产生的样子。在任何随机分布中，均匀是不可能的；有些地区必定会被击中多次，而其他地区则完全逃脱。

案例研究 2：长岛乳腺癌研究项目 (20世纪90年代-2000年代)

• 背景: 纽约长岛拿骚和萨福克县的女性观察到，乳腺癌发病率似乎异常高。“九分之一”(1 in 9) 等草根运动游说进行调查，假设环境毒素——杀虫剂、电磁场、工业径流——是原因。

• 发生了什么: 政治压力导致国会授权开展长岛乳腺癌研究项目 (LIBCSP)，这是一项耗资3000万美元、由美国国家癌症研究所协调、历时十多年的庞大综合研究。

• 起作用的偏见: 居民感知到一个有意义的癌症病例聚类，并假设这一定有当地的环境原因。这就是“德克萨斯神枪手谬误”——在观察数据点后，围绕它们画一个靶心。

• 后果: 在对土壤、水、灰尘和血液样本进行详尽调查后：

  • 未发现有机氯 (DDT/PCB) 与乳腺癌之间有关联
  • 未发现与电力线有关联
  • 只有与多环芳烃有微弱且无决定性的关联
  • “聚类”很大程度上归因于人口结构（富裕人口且晚育——一个已知的危险因素）和检测偏见（高乳房X光检查率发现了更多癌症）

• 吸取的教训: 并非每一个聚类都有环境上的确凿证据。人口结构因素和检测率可能造成表面的聚类，这些是统计上的假象，而不是当地病因的证据。

历史例子：马林县癌症“聚类”

类似现象也发生在加利福尼亚州马林县——另一个乳腺癌发病率很高的富裕地区。虽然居民担心环境原因：

• 后来的研究揭示，该“聚类”部分是由于在富裕人口中激素替代疗法 (HRT) 的高使用率驱动的
• 当 HRT 使用率下降（随着研究将它与癌症风险联系起来）后，发病率下降了
• 因果联系是存在的，但不是聚类错觉所暗示的环境联系
• 该模式表明了聚类错觉如何引导调查人员向错误的方向搜索

6. 这种偏见的代价

6.1. 个人代价

经济损失:

• 追逐实为随机聚类的“热门”投资趋势
• 在随机亏损连续后放弃合理的策略
• 相信“该赢了”或“连赢手气”而导致的赌博损失

情绪困扰:

• 感知个人“霉运连连”带来的焦虑
• 迷信行为限制日常决策
• 基于巧合的负面事件聚类产生不合理的恐惧

关系损害:

• 基于巧合事件感知伴侣的行为模式
• 从随机观察聚类中产生毫无根据的怀疑
• 确认偏见强化基于聚类得出的结论

机会成本:

• 在随机的早期失败后放弃有希望的尝试
• 因等待感知到的“合适时机”而错失良机
• 在迷信仪式上浪费精力

6.2. 职业代价

投资损失:

• 研究表明，由于追逐趋势行为，散户投资者的表现始终低于指数
• 基于感知模式过早卖出赢家并持有输家太久
• 基于虚幻信号过度交易产生的交易成本

职业决策:

• 基于短期的结果聚类离职或放弃职业道路
• 经理基于面试“连击”做出糟糕的招聘决策
• 感知的负面绩效模式带来的绩效焦虑

商业战略失败:

• 公司在几个随机的惨淡季度后放弃合理的战略
• 基于感知部门“势头”的资源错配
• 在消费者行为数据中寻求模式而腐化的市场研究

6.3. 社会代价

公共卫生资源:

• 花费数百万美元调查统计噪声（例如，耗资3000万美元的长岛研究）
• 将资源从真正的公共卫生威胁中转移出来
• 当调查未发现原因时，社区感到焦虑和不信任

政策误导:

• 对随机犯罪聚类采取“打击犯罪浪潮”应对措施
• 基于统计假象制定环境法规
• 资源分配到非问题上，而真正的问题却得不到解决

市场效率低下:

• 集体追逐趋势导致泡沫和崩盘
• 羊群行为放大了市场波动
• 资本被错配到仅是随机的“热门”板块

6.4. 统计影响

研究发现:

• 热手研究发现，91%的篮球球迷持有聚类错觉信念
• Wagenaar 和 Bar-Hillel 发现，人类生成的“随机”序列具有约60-70%的交替率（真正的随机=50%）
• 米勒-桑朱尔霍的修正表明，即使是训练有素的统计学家也会将真实的随机效应低估约4个百分点
• Clarke的V-2分析表明，尽管后果严重，公众的看法仍系统性出错

7. 隐藏的好处

尽管聚类错觉有其代价，但它可能服务于适应性目的：

快速模式检测:

• 在确实存在模式的环境中，快速检测提供了生存优势
• 这种偏见可能代表了对模式常见的祖先环境的最佳校准
• 当错过真实模式的代价很高时，“宁可信其有，不可信其无”是适用的

加速学习:

• 感知模式——即使偶尔是错误的——也可能加速在真正有规律环境中的学习
• 建立联系的意愿使因果推理得以发展
• 科学家本身依赖模式感知来产生假设

社会协调:

• 对模式的共同信念（团队势头，幸运物品）可以通过类似安慰剂的机制产生实际效果
• 即使在统计上没有根据，热手信念也可以改善团队协调
• 从感知到的“连胜势头”中获得的信心可以通过心理机制提高绩效

动机效应:

• 相信自己“状态大勇”可以维持度过困难时期的努力
• 感知进度模式提供了维持毅力的情感奖励
• 完全接受随机性可能会破坏目标导向行为

重要警告: 这些好处只在特定背景下成立。在已知随机过程的现代数据丰富环境中（市场、洗牌、统计分布），聚类错觉的成本通常超过了它的好处。

8. 自我评估：你有这种偏见吗？

8.1. 预警信号检查清单

• 我相信有些老虎机“该”吐钱了
• 我认为球员在体育比赛中确实会手感“火热”和“冰冷”
• 我基于巧合的成功养成了一些迷信仪式
• 我抱怨过洗牌算法“坏了”因为它重复播放艺术家
• 我相信某些日子、时间或条件对我来说是幸运的
• 我在股票图表中看到过“趋势”，并基于它们进行交易
• 我在随机事件中感知到了模式并据此采取行动
• 我确信我能预测某人何时“手气正顺”
• 我相信“事情总是成三出现”或类似聚类信念
• 我在短期的糟糕结果后放弃过策略

评分:

• 勾选0-2个：易感性低
• 勾选3-5个：易感性中等
• 勾选6-8个：易感性高
• 勾选9-10个：易感性极高

8.2. 自我反省问题

1. 过去当你“势如破竹”时，你的基本技能是真的改变了，还是你只是经历了一次随机的成功聚类？

2. 你是否曾经因为短暂的糟糕结果而放弃过一个合理的策略（节食、投资方法、工作方法）？回想起来，策略是有缺陷的，还是只是在经历随机变化？

3. 你是否觉得真正的随机事件应该比实际情况“更分散”？连续重复对你来说感觉“不对劲”吗？

4. 你是否注意到随机过程（彩票号码、体育比分、股票走势）中存在你认为有预测价值的模式？

5. 当朋友或同事指出你所感知的模式可能是随机概率时，你通常如何反应？是防御还是开放？

8.3. 快速诊断场景

场景: 你在看一场篮球比赛。一名球员连续投中了5球。解说员说他“热起来了”。在还剩30秒时，你的球队落后2分并拥有球权。

你会如何看待这个情况？

• A) “他很烫——把球给他！他投中这一球的可能性比他的赛季平均水平显示的要高得多。” → 高易感性

• B) “他连中5个，感觉很了不起，但我知道他下一次投篮的实际概率可能接近他的赛季平均水平。话虽如此，他的信心可能会有一点帮助。” → 中等易感性

• C) “他过去5次投篮与这次投篮无关。球该传给能拿到空位机会、且预期命中率最高的那个人，不管刚才发生了什么。” → 低易感性

9. 识别他人的这种偏见

9.1. 行为指标

在言语中:

• 频繁使用诸如“连击”、“势头”、“火热”、“该到了”、“模式”等词语
• 围绕巧合事件构建叙事（“自从我开始……”）
• 对基于近期观察的预测充满信心

在决策中:

• 追逐最近的赢家（投资、策略、方法）
• 在短暂的负面连续情况后放弃方法
• 基于感知的“时机”或“感觉”做出选择

在日常生活中:

• 在不确定事件之前举行复杂的仪式
• 对“运气”及其模式有强烈的意见
• 倾向于在巧合中看到意义

9.2. 对话危险信号

处于这种偏见时人们说的话：

• “他热起来了——继续给他传球！”
• “我该赢了；我已经连输太多次了。”
• “这是本周的第三次——肯定有事发生。”
• “算法明显有偏见；它一直在播放同样的艺术家。”
• “事情总是成三出现。”

他们提出论点的类型：

• 引用短期结果作为潜在变化的证据
• 将统计学解释视为“没有抓住重点”而驳回
• 诉诸“感觉”或直觉而不是数据

他们避免问的问题：

• “如果是纯属随机，这里实际会是什么样子？”
• “我需要多少次观察才能确信这不是随机的？”

9.3. 情境触发器

情况:

• 观察连续的结果（体育、赌博、市场）
• 查看空间数据（事件分布图、发病图）
• 评估最近的表现（个人的、职业的、他人的）

环境因素:

• 时间压力鼓励快速匹配模式
• 对结果的情感投入
• 缺乏对实际基础比率的反馈

情绪状态:

• 寻求解释和控制的焦虑
• 寻找积极迹象的希望
• 恐惧放大负面模式的感知

社会背景:

• 强化模式信念的群体环境
• 具有根深蒂固信念的专家社区（交易、体育）
• 强调连续性和模式的媒体报道

10. 认知脱偏策略

10.1. 即时技巧

基础比率问题: 在接受一种模式之前，问：“如果这纯粹是随机的，我会期望看到什么？”如果观察到的模式属于随机预期范围，保留你的判断。

样本量检查: 问：“我有多少次观察？”记住，小样本天生就是呈块状分布的。要求更大的样本量再接受模式。

交替偏见修正: 提醒自己，真正的随机性产生的连续现象比你直觉预期的要多。像“正正正正正正”这样的序列并不罕见——在数学上它们周期性发生是必然的。

反事实测试: 问：“如果出现相反的模式，我也会同样强烈地注意到吗？”我们经常选择性地注意证实我们预期的模式。

德克萨斯神枪手警报: 当有人提出模式时，问：“这个模式是在看数据之前还是之后提出的？”应以极度怀疑的态度看待事后诸葛亮式的模式。

10.2. 长期策略

统计素养:

• 学习基本的概率论和泊松分布
• 了解随机序列到底是什么样子的
• 明确研究赌徒谬误和热手谬误

决策日记:

• 记录预测及其背后的原因
• 随着时间推移跟踪结果，以校准你的模式检测能力
• 回顾你过去感知到的“模式”——有多少是真的？

概率思维:

• 练习以概率而不是确定性来思考
• 拥抱不确定性作为随机过程所固有的东西
• 区分“更有可能”和“一定”

寻找证伪证据:

• 积极寻找与感知模式相矛盾的数据
• 当感知到模式时咨询持怀疑态度的来源
• 对证实和证伪证据施加同样的审查

10.3. 环境设计

增加样本量:

• 构建在呈现数据前聚合数据的系统
• 避免强调短期波动的实时推送
• 创建强调长期趋势而非近期连续状况的仪表板

添加统计背景:

• 与数据一起显示置信区间
• 显示历史分布以供比较
• 包括“如果是随机看起来会如何”的基线

实施冷静期:

• 在感知到模式后延迟决定
• 要求对基于模式的行动提供明确的理由
• 建立对模式假设提出质疑的检查点

使用预先承诺:

• 在观察结果之前制定决策规则
• 承诺在规定时期内坚持策略，无论短期结果如何
• 制造阻碍从而防止对模式做出下意识改变

10.4. 何时寻求外部意见

何时寻求统计学专家的帮助:

• 根据感知的模式做出高风险的决定
• 评估具有意义集群的声明（健康、表现、市场）
• 设计涉及随机性的系统

何时寻求同行评审:

• 你对某个模式建立了强烈的信心
• 其他人对你感知的模式持怀疑态度
• 该模式正在推动重大的行为改变

何时咨询领域专家:

• 评估该领域是否真的有模式（有些确实有！）
• 了解基础比率和预期变异
• 在专业领域中区分信号与噪声

11. 实用练习

练习 1：抛硬币挑战

• 目标: 体验真正的随机性是如何呈现“非随机”状态的
• 所需时间: 15分钟
• 所需材料: 一枚硬币、纸、笔
• 难度级别: 初学者
• 说明:
  1. 抛硬币100次并记录每一次结果（正或反）
  2. 在看数据之前，预测：你将观察到的最长连续次数是多少？
  3. 圈出每一次出现4次或更多相同结果的连续
  4. 计算这类连续的总数
  5. 将此与你的直觉进行比较——你预期的连续次数是更多还是更少？
• 反思问题:
  • 你对连续的次数或长度感到惊讶吗？
  • 这个序列的感觉与你认为的“随机”有何不同？
  • 如果你看到这个序列而不知道它是抛硬币得来的，你会怀疑有模式吗？
• 频率: 做一次，然后在你发觉自己在随机数据中感知模式时重复练习

练习 2：生成“随机”序列

• 目标: 体验你自己的交替偏见
• 所需时间: 10分钟
• 所需材料: 纸、笔
• 难度级别: 初学者
• 说明:
  1. 不用抛硬币，写下一个由50个正和反组成的“随机”序列
  2. 计算交替（正→反或反→正的转换）的次数
  3. 计算你的交替率：交替次数 ÷ 49（可能的总转换次数）
  4. 与50%的真正随机预期进行比较
  5. 注意你的交替率高出了多少
• 反思问题:
  • 在生成“随机”序列时，你为什么避免较长的连续情况？
  • 这个练习如何改变你对随机性的看法？
  • 这说明了你的直觉概率模型是怎样的？
• 频率: 每当需要校准你的随机直觉时练习

练习 3：历史模式审计

• 目标: 评估过去基于模式的决策
• 所需时间: 30分钟
• 所需材料: 记录过去决策的日记或笔记
• 难度级别: 中级
• 说明:
  1. 列出你根据感知的模式做出的5个决策（投资、关系、职业变动）
  2. 对每一项进行记录：你感知到了什么模式？有多少次观察支持了它？
  3. 调查结果：模式是否如你预期的那样继续？
  4. 估算：随机概率会预测什么？
  5. 计算你的“模式准确率”
• 反思问题:
  • 你是否对未持续的模式过于自信？
  • 如果你假设那是随机的，会发生什么？
  • 你如何将所学应用到当前的决策中？
• 频率: 每季度回顾

每日练习

“随机检查”习惯: 每天一次，当你注意到自己感知到一个模式（在新闻、工作、个人生活中）时，停下来问：“如果是随机的，我会期望出现这个吗？”花2分钟考虑在现实这种背景下，随机概率实际上会产生什么结果。

• 建议持续时间: 2-3分钟
• 最佳时间: 任何时候你发现自己在匹配模式时
• 如何追踪进度: 记录模式有多少次经受住了你的审视

每周挑战

模式怀疑周: 在一周内，保持感知到的每一个模式的日志。对于每个条目，注意：

• 感知到的模式

• 支持它的观察次数

• 随机概率会预测什么

• 你认为它是真正模式的置信度 (1-10)

• 4周后的预期结果: 大幅提高了对模式的怀疑态度和校准能力

• 日记反思提示:

  • 有多少模式经受住了统计学审查？
  • 我对自己的模式检测倾向了解了什么？
  • 结果，我的行为发生了怎样的改变？

12. 针对特定受众

致领导者和管理者

领导层含义:

• 抵制基于最近连续的业绩来评估员工
• 认识到季度业绩包含大量的随机变化
• 避免追逐市场、战略或部门的“势头”

团队干预:

• 训练团队的基本统计思维
• 在得出模式存在结论前建立最小样本量标准
• 创建对基于模式的推理提出质疑的文化

决策过程:

• 实施事前验尸 (pre-mortems)，询问“如果这个模式是随机的会怎样？”
• 要求任何基于模式的策略变更提供基础比率比较
• 在对感知趋势采取行动之前设置审查期

组织设计:

• 建立具有更长时间跨度的反馈系统
• 设计在有意义的时间段内平均分配的指标
• 避免突出短期波动的实时仪表板

致父母和教育工作者

适龄教学:

• 使用抛硬币实验演示随机性 (8岁以上)
• 讨论游戏中技能和运气的区别 (10岁以上)
• 通过运动和游戏介绍概率概念 (12岁以上)

课堂活动:

• 让学生生成“随机”序列，然后与真实的随机序列进行比较
• 分析学校体育数据中的“热手势头”
• 讨论为什么赌场展示最近的中奖号码

作为对抗偏见的榜样:

• 当孩子感知到模式时，一起问校准问题
• 当模式可能是随机的时展示不确定性
• 赞扬认识到随机性的技能

致医疗保健专业人员

临床意义:

• 认识到疾病聚集可能是统计学的假象
• 避免基于患者就诊中最近的“模式”过度诊断
• 了解社区对感知到的健康聚类的焦虑

患者沟通:

• 帮助患者了解症状聚类可能并不表示潜在的模式
• 解释基础比率和健康结果预期变化
• 用统计学背景解决癌症聚类担忧

诊断考量:

• 抵制可用性偏见放大最近的患者模式
• 使用不依赖感知趋势的结构化诊断协议
• 在聚类调查方面寻求统计学咨询

致金融专业人士

投资应用:

• 教育客户关于收益中信号与噪声的区别
• 实行最低持有期以防追逐连胜
• 显示关于技术分析模式失败率的历史数据

客户沟通:

• 让客户为正常波动中不可避免的损失聚类做好准备
• 用长期预期将最近的业绩置于背景中
• 通过基础比率教育解决热门股票/基金的请求

风险管理:

• 区分真正的风险信号与随机聚类
• 构建不需要预测模式的投资组合
• 实施系统的再平衡，不管短期趋势如何

13. 与其他偏见的相互作用

放大聚类错觉的偏见

可以抵消该错觉的偏见

常见的偏见链

热手级联反应: 聚类错觉 → 确认偏见 → 过度自信 → 糟糕决定

示例: 一个交易员感知到一只“热门”股票（聚类错觉），注意到证实的消息而忽略相矛盾的信号（确认偏见），变得自信该模式将继续（过度自信），并在顶部增加头寸（糟糕决定）。

癌症聚类级联反应: 聚类错觉 → 可用性启发式 → 德克萨斯神枪手 → 归因谬误

示例: 一个社区注意到几个癌症病例（聚类错觉），这些病例占据了注意力和记忆（可用性），在事后围绕它们画了一条地理边界（德克萨斯神枪手），并在没有证据的情况下归咎于环境原因（归因谬误）。

打断级联反应:

• 在接受模式之前要求基础比率
• 要求在分析数据之前先提供预设假设
• 在面临高风险模式声明时寻求统计学咨询

14. 文化视角

关于聚类错觉在文化上差异的研究有限，但出现了几个模式：

普遍方面:

• 在随机数据中感知模式的基本倾向似乎在跨文化中是普遍存在的
• 这与其作为基本人类认知特征的进化起源相一致
• 所有被研究的人口在生成“随机”序列时都表现出交替偏见

文化差异:

金融素养效应:

• 在巴基斯坦的研究表明，在金融素养较低的地方，市场中的聚类错觉影响更大
• 受教育程度更高的人口可能更好地识别随机性，但远未免疫
• 即使是诺贝尔奖得主（卡尼曼）也表示，聚类错觉即使在明知是错误的情况下依然引人注目

文化迷信:

• 不同的文化发展出不同的模式信念（幸运数字、日子、仪式）
• 这些信念是普遍的聚类错觉的特定文化表达
• 它们展示了这种偏见如何与文化叙事相互作用

15. 神话与误解

16. 专家洞察

“我们是依赖捷径的认知吝啬鬼。发生聚类错觉是因为我们低估了随机偶然中固有的可变性。我们假设变异性意味着存在可变的原因。” —— 托马斯·吉洛维奇 (Thomas Gilovich)，《我们如何知道并非如此》(1991)

“问题在于，对人类来说，真正的随机并不感觉随机。所以我们收到了大量用户抱怨它不是随机的。” —— Mattias Petter Johansson，前 Spotify 工程师

“人们期望由随机过程生成的一系列事件将代表该过程的基本特征，即使该序列很短。” —— 阿莫斯·特沃斯基 (Amos Tversky) & 丹尼尔·卡尼曼 (Daniel Kahneman)，关于“小数定律”

17. 关键要点

1. 随机性是块状的。 真正的随机分布包含聚类——数学上它们必须如此。均匀分布实际上是非随机的证据。

2. 我们的模式检测是一项生存特征，而不是缺陷。 聚类错觉是帮助我们祖先生存的快速因果推理的阴暗面。

3. 小样本不可靠。 “小数定律”是一种谬论。我们不能期望短序列能反映长期平均水平。

4. 即使是专家也会中招。 米勒和桑朱尔霍表明，研究聚类错觉的研究人员在最初的分析中犯了统计错误。

5. 技术迎合我们的偏见。 Spotify和Apple故意使它们的洗牌功能不那么随机，因为真正的随机性让用户觉得出错了。

6. 高风险领域很脆弱。 公共卫生调查、金融市场和战略决策都会受到聚类错觉的扭曲。

7. 意识到偏见有帮助但不能消除。 统计训练可以减少但不能根除偏见。结构性保障措施和决策过程是个人意识必不可少的补充。

18. 进一步资源

学术论文

• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314.
• Miller, J. B., & Sanjurjo, A. (2018). Surprised by the hot hand fallacy? A truth in the law of small numbers. Econometrica, 86(6), 2019-2047.
• Clarke, R. D. (1946). An application of the Poisson distribution. Journal of the Institute of Actuaries, 72(3), 481.
• Wagenaar, W. A. (1972). Generation of random sequences by human subjects: A critical survey of the literature. Psychological Bulletin, 77(1), 65-72.
• Falk, R., & Konold, C. (1997). Making sense of randomness: Implicit encoding as a basis for judgment. Psychological Review, 104(2), 301-318.

书籍

• 吉洛维奇 (Gilovich, T.) (1991). 《我们如何知道并非如此：日常生活中人类理性的易错性》(How We Know What Isn't So: The Fallibility of Human Reason in Everyday Life). Free Press.
• 卡尼曼 (Kahneman, D.) (2011). 《思考，快与慢》(Thinking, Fast and Slow). Farrar, Straus and Giroux.
• 蒙洛迪诺 (Mlodinow, L.) (2008). 《醉汉的脚步：随机性如何主宰我们的生活》(The Drunkard's Walk: How Randomness Rules Our Lives). Pantheon Books.
• 塔勒布 (Taleb, N. N.) (2005). 《随机漫步的傻瓜：偶然性在生活和市场中隐藏的角色》(Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets). Random House.

书籍章节

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. In Judgment under Uncertainty: Heuristics and Biases (pp. 23-31). Cambridge University Press.

19. 总结卡片

20. 术语表

21. 讨论问题

用于读书俱乐部、课堂或自我反思：

1. Miller-Sanjurjo 的研究表明，即使是研究聚类错觉的研究人员，在理解随机性方面也犯了错误。这告诉我们关于专业知识在克服认知偏见方面的局限性是什么？

2. Spotify 选择使他们的洗牌算法不那么随机以满足用户。这是正确的方法吗？技术是应该迎合我们的偏见还是应该帮助我们克服它们？

3. 长岛乳腺癌研究花费了 3000 万美元调查一个统计上的假象。这是资源浪费，还是对社区担忧的必要回应？公共卫生机构应该如何应对感知到的聚类？

4. 如果热手确实存在（根据 Miller-Sanjurjo 的纠正），但只是很弱的存在，教练还应该调整他们的策略吗？在什么样的效果大小下，一种模式才具有实际意义？

5. 在你自己生活的哪些方面，你可能会成为聚类错觉的受害者？你将如何设计一个测试来检查它？