聚类错觉

概览

1. 快速总结

我们的大脑善于寻找模式，在进化中获得了从混乱中发现秩序的能力。草丛中的沙沙声提示捕食者的出现，特定的云层形态预示着风暴。不过，这套生存机制也有弊端，让我们在没有规律的地方看出规律。无论观察的是股票价格、地图上的癌症病例，还是篮球运动员的连续命中，我们都会把随机性自然产生的聚集现象看成有意义的模式。真正的随机分布并不均匀，反而会有一块块聚集的地方，而大脑会把这些聚集误认为背后有某种隐藏力量在起作用的证据。

用大白话说

你在纯属巧合的事情里看出了规律，这就是聚类错觉。随机发生的事情并不会均匀散开，有时会凑在一起。你的大脑却会觉得，这些凑在一起的事一定有什么原因。

比如，你玩一款会随机掉落装备的游戏，连续拿到了几件稀有物品，就认定这个关卡能带来好运，于是反复刷这一关。或者，音乐软件连着播放了同一位歌手的两首歌，你就确信随机播放坏了。其实，这两种情况都没有什么特别之处。偶然事件本来就常会凑在一起。

遇到接连发生的事情时，你可以问自己：“单靠运气，会不会偶尔也这样？”答案通常是会。先继续观察一阵子，再判断背后是否真有规律。只试几次，还不足以判断。

2. 背后的科学

2.1. 发现与历史

聚类错觉的概念来自长期的人类认知研究。几项关键进展让这个概念逐渐成形：

• 1970年代：以色列心理学家 Amos Tversky 和 Daniel Kahneman 发现了代表性启发法，为解释我们为何会误判聚集现象提供了心理学基础
• 1958年：德国神经学家 Klaus Conrad 创造了“apophenia”（幻觉性关联）一词，泛指在不相关事物之间感知到有意义联系的倾向，最初用于描述精神分裂症中的现象
• 1985年：Gilovich、Vallone 和 Tversky 的里程碑式“热手”研究将聚类错觉带入了主流科学讨论
• 1991年：Thomas Gilovich 在 How We Know What Isn't So 一书中，将“聚类错觉”作为一种独立的认知偏差加以普及
• 2018年：Miller 和 Sanjurjo 的数学再分析揭示，连研究这种错觉的研究人员也犯了统计学错误，可见这种偏差扎根之深

2.2. 主要研究者

2.3. 里程碑研究

热手研究（Gilovich、Vallone 和 Tversky，1985）

这项研究检验了篮球球迷、球员和教练普遍持有的一种信念，即球员会进入“手感火热”的状态，成功会带来更多成功。

研究方法：

• 调查了100名篮球球迷对连续投篮命中的看法
• 分析了费城76人队在1980-81赛季的投篮记录
• 考察条件概率，即此前连续命中后，下一次命中的概率是否会上升
• 分析了波士顿凯尔特人队的罚球记录，以排除防守变量
• 对康奈尔大学校队球员开展了受控投篮实验

主要发现：

• 91%的球迷认为，球员此前投篮命中后，下一次命中的机会更大
• 84%认为，把球传给刚刚连中几球的球员很重要
• 实际数据显示，投篮命中的概率几乎独立于此前的结果
• 观察到的连续命中段数与随机序列的预期完全一致
• 即使“感觉手感火热”，球员预测自己下一次投篮会命中还是投失，也并不比随机猜测更准

结论： 研究人员认为，热手是一种认知错觉，由聚类错觉与记忆偏差共同造成，人们记住了连续命中，却忘记了命中与投失交替出现的情况。

Miller 和 Sanjurjo 的反驳（2018）

三十年后，经济学家 Joshua Miller 和 Adam Sanjurjo 发现，原始研究方法存在一个细微却关键的缺陷，即连中序列选择偏差。

发现： 在任何有限的二元数据序列中，连续成功之后出现成功的预期比例都低于原本的成功概率。这有悖直觉，却可以用数学证明。抛硬币100次，取出所有紧接在连续三次正面之后的抛掷，其中正面所占比例的期望值约为0.46，而非0.50。

影响：

• GVT 认为，球员连续命中后的命中率为50%，就表示不存在热手
• 对一名命中率为50%、出手100次的球员来说，连续三次命中后的正确基线约为46%；因此，连中之后仍达到平时的命中率，实际上意味着表现超出了随机预期
• 再分析发现了热手效应存在的统计显著证据

更深一层的教训： 连研究聚类错觉的科学家，也误解了随机性的统计规律。这种偏差就是如此根深蒂固。

Clarke 的 V-2 轰炸分析（1946）

英国精算师 R.D. Clarke 对德国 V-2 火箭在伦敦南部的落点进行了统计分析。

研究方法：

• 将伦敦南部划分为576个等大的方格，每格0.25平方公里
• 记录了这些方格内537次炸弹落点
• 用泊松分布预测纯随机情况下的预期结果

结果：

结论： 让伦敦居民以为特定街区遭到定点轰炸的“聚集”现象，完全符合随机发生的情况。

2.4. 神经机制基础

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形成了识别规律的能力
• 颞叶处理序列信息，识别偏离预期模式的情况
• 发现聚集时，这些系统就会发出“发现模式！”的信号，即使模式根本不存在

编码机制（Falk 和 Konold）：

• 人们会根据一个序列在头脑中编码的难易程度来判断其随机性
• “HHHHHH”这样的序列很容易编码为“六次正面” → 被判定为非随机
• “HTHHTH”这样的序列难以编码，需要死记硬背 → 被判定为随机
• 随机过程偶尔会产生“可压缩”的聚集，大脑会将其标记为模式

多巴胺奖赏系统：

• 识别模式会触发奖赏通路，让我们发现聚集时获得一种神经层面的“快感”
• 这形成了正反馈循环，强化了寻找模式的行为
• “把线索连起来”的快感促使人们继续寻找模式，即使找错了也会如此

注意系统：

• Stian Reimers 的研究提示，交替偏差可能反映了注意系统对变化的敏感性
• 在自然环境中，变化意味着有重要事件需要应对
• 稳定状态，也就是连续聚集，会因为偏离了预期的交替而受到额外关注

3. 进化起源

快速识别因果关系是人类最重要的进化优势之一，聚类错觉则是这种能力的阴暗面。

祖先的生存优势： 在祖先生活的环境中，发现模式是生存的前提：

• 认识到高草丛中的沙沙声与捕食者有关，可能救你一命
• 识别出特定云层形态预示风暴，就能提前准备
• 注意到某些植物集中生长在水源附近，有助于觅食
• 发现动物足迹聚集在饮水处周围，可以提高狩猎成功率

成本与收益的不对称： 从进化角度看，假阳性，即看见不存在的模式，代价远低于假阴性，即漏掉真实存在的模式：

• 假阳性：风吹草动，你却逃跑了 → 只消耗少量能量
• 假阴性：真有捕食者，你却忽视了草动声 → 死亡

这种不对称产生了强大的选择压力，让对模式敏感的头脑更容易留存，即使它们偶尔会“疑神疑鬼”。

与现代环境的不匹配： 同样敏锐的结构感知能力，到了以下现代情境中却不再适应：

• 按随机游走变化的金融市场
• 遵循统计分布的疾病发病率
• 生成数学随机序列的洗牌算法
• 受概率规律支配的体育统计数据

大脑把祖先的模式识别机制用在现代随机数据上，于是在巧合中看见因果，在偶然中看见意图。

4. 这种偏差如何表现

4.1. 在日常生活中

赌博和游戏：

• 相信老虎机连输之后“该”吐钱了
• 认为彩票的“幸运数字”有意义，因为它们以前开出过
• 把打牌时的连赢看作“手气正旺”的证据

体育迷：

• 坚称只要自己看球，支持的球队就“总是”输
• 凭令人难忘的表现，认定某些球员在关键时刻靠得住
• 因一连串对己方球队不利的判罚，认定裁判有偏见

音乐和娱乐：

• 随机播放接连放出某些歌手的作品时，觉得音乐流媒体平台“偏爱”他们
• 觉得某种音乐类型“总是”在特定时间播放

迷信：

• 因偶然接连发生的事情养成某些仪式，比如穿“幸运”衣服
• 相信好运或坏运会接连出现
• 在随机的日常事件中看出有意义的模式

4.2. 在职场中

绩效评估：

• 管理者根据近期接连出现的结果，认定员工状态“火热”或“低迷”
• 评估求职者时关注简历里接连成功或失败的经历，而非整体表现
• 根据近期集中出现的好表现，认为某些团队或部门正有“势头”

销售和业务拓展：

• 追逐“热门”潜在客户，实际却只是成功偶然集中在一起
• 遇到偶然接连的失败后，放弃有前景的策略
• 根据偶然的结果，认为某些时间、地点或方法本来就更好

项目管理：

• 根据集中出现的结果，认定项目有“势头”或“中了魔咒”
• 根据近期连续的表现来分配资源
• 对接连出现的延期或成功反应过度

4.3. 在商业和营销中

操纵消费者：

• 赌场展示最近的中奖号码，利用聚类错觉鼓励玩家押“热门”或“该出”的数字
• 宣传产品接连成功的“火热势头”，制造错失恐惧（FOMO）
• 选择性展示成功案例和用户推荐，人为制造聚集印象

产品设计：

• Spotify 和 Apple 重新设计了随机播放算法，使其不那么随机，因为真正的随机让用户觉得功能“坏了”
• 智能随机播放算法主动避免连续聚集，以符合用户对“随机”的预期
• 游戏设计师调整玩家感受到的随机性，让游戏显得更“公平”

销售手法：

• 集中展示最近的购买记录，暗示产品正在走红
• 展示一批销售记录后，再推出“限时”优惠
• 集中展示用户好评，暗示所有人都满意

4.4. 在政治和媒体中

民调和选举：

• 把民调误差范围内的随机波动看作“势头”
• 根据集中出现的结果，认为某些地区或人群正在“转向”
• 媒体把随机聚集放大为重大趋势

新闻报道：

• 根据偶然集中发生的案件报道“犯罪浪潮”
• 把健康数据中的统计噪声称为“疫情”
• 围绕偶然集中发生的事件编出一套故事

阴谋论：

• 把不相关的事件串成有意义的模式
• 把时间上的巧合看作有意协调
• 把随机数据的聚集解释为隐藏力量存在的证据

4.5. 在医疗保健中

癌症聚集：

• 社区出现随机聚集的癌症病例时，居民陷入恐慌
• 要求调查统计噪声背后的环境原因
• 长岛乳腺癌研究项目（1990年代）花费3000万美元调查居民感知到的病例聚集，最终发现主要可由人口特征和检出偏差解释

诊断错误：

• 医生根据近期集中的患者病例看出疾病“模式”
• 因近期接连出现阳性结果，开出过多检查
• 把随机聚集的症状归因于特定原因

治疗效果评估：

• 症状偶然接连好转，患者便认为治疗有效
• 因随机接连出现副作用而停药
• 替代医学把偶然接连出现的好转错归于疗法，从而兴盛起来

4.6. 在金融和投资中

技术分析：

• 在随机价格数据中识别“头肩形态”“双顶”等形态
• 研究显示，分析师也会在计算机生成的随机游走图中看出相同的形态
• 围绕实际上只是统计噪声的形态制定交易策略

追逐趋势：

• 投资者看到接连的正收益，就认定这是基本价值已经改变的“热门”股票
• 在随机上涨聚集的顶部买入，也就是连涨发生之后才入场
• 这是金融领域的热手效应（热手谬误）

羊群行为：

• 跟随其他投资者集中行动，而不分析基本面
• 研究显示，这在金融素养较低的市场中尤为明显
• 根据感知到的势头，制造自我强化的泡沫

损失感知：

• 连续几天下跌就被视为“崩盘”，仿佛必须恐慌性抛售
• 标准差范围内的随机波动，引起不成比例的恐惧
• 接连亏损给人的感觉，比同等幅度的接连盈利更强烈

5. 现实案例研究

案例研究 1：V-2 火箭袭击伦敦（1944-1945）

• 背景： 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 本质上是一种误差很大的无制导导弹，用于对城市实施无差别打击。

• 事情经过： 伦敦居民发现，炸弹似乎集中落在某些地方。伦敦南部的特定街区反复遭袭，相邻行政区却幸免于难。恐慌蔓延，各种说法也随之流传，比如被袭街区藏有德国间谍、德军故意针对穷人，或火箭被引向了特定地标。

• 偏差如何起作用： 居民以为，随机轰炸应当均匀分布在整个城市。当看到一些地区多次被击中、另一些地区毫发无损时，他们便不再相信这是随机现象，转而寻找因果解释。

• 后果： 聚类错觉造成恐慌，人们迁离“被瞄准”的地区，街区之间产生怨恨，民防资源也用错了地方。寻找根本不存在的间谍又浪费了精力。

• 启示： R.D. Clarke 在1946年的统计分析证明，落点分布符合泊松分布，而这恰好就是纯随机会产生的结果。在任何随机分布中，均匀是不可能的；一些地区必然会多次中弹，另一些则完全躲过轰炸。

案例研究 2：长岛乳腺癌研究项目（1990年代至2000年代）

• 背景： 纽约长岛拿骚县和萨福克县的女性发现，乳腺癌发病率似乎异常高。“1 in 9”等草根运动游说要求调查，怀疑杀虫剂、电磁场、工业径流等环境毒素是病因。

• 事情经过： 政治压力促使国会下令开展长岛乳腺癌研究项目（LIBCSP）。这是由美国国家癌症研究所协调、耗资3000万美元的大型多项研究计划，历时十多年。

• 偏差如何起作用： 居民认为癌症病例的聚集有特殊意义，认定一定存在当地环境方面的原因。这就是“德州神枪手谬误”，先看到数据点聚集，再围着它们画靶心。

• 后果： 研究人员详尽分析了土壤、水、灰尘和血液样本，结果如下。

  • 未发现有机氯（DDT/PCB）与乳腺癌有关联
  • 未发现与输电线有关联
  • 与多环芳烃之间仅存在微弱、尚无定论的关联
  • 这种“聚集”主要可由人口特征和检出偏差解释；当地人口富裕、晚育较多，而晚育是已知危险因素，乳腺 X 线检查率较高也使更多癌症被检出

• 启示： 并非每一处病例聚集都有确凿的环境病因。人口特征和检出率可以制造表面上的聚集，这种聚集可能只是统计假象，而不是当地病因的证据。

历史案例：马林县的癌症“聚集”

加利福尼亚州马林县也是乳腺癌发病率较高的富裕地区，发生过类似情况。居民担心环境因素时，后续研究有了以下发现。

• 后来的研究揭示，这种“聚集”部分源于富裕人群激素替代疗法（HRT）的使用率较高
• 在研究将 HRT 与癌症风险联系起来后，HRT 使用率下降，乳腺癌发病率也随之下降
• 因果联系确实存在，却不是聚类错觉让人联想到的环境因素
• 这个案例说明，聚类错觉可能让调查人员找错方向

6. 这种偏差的代价

6.1. 个人代价

经济损失：

• 追逐实际上只是随机聚集的“热门”投资趋势
• 遇到随机连亏后，放弃合理的策略
• 相信“该赢了”或“手气正旺”，导致赌博损失

情绪困扰：

• 觉得自己“霉运连连”，因而焦虑
• 迷信行为限制日常决策
• 负面事件偶然集中出现，引起不合理的恐惧

关系受损：

• 根据巧合事件，认定伴侣的行为有某种模式
• 观察到的事情随机聚集，却引起毫无根据的怀疑
• 确认偏误进一步巩固根据聚集得出的结论

机会成本：

• 遇到偶然的早期失败后，放弃有前景的尝试
• 等待自以为“合适的时机”，结果错失机会
• 把精力浪费在迷信仪式上

6.2. 职业代价

投资损失：

• 研究显示，散户因追逐趋势，表现持续落后于指数
• 根据感知到的模式，过早卖出盈利资产，过久持有亏损资产
• 被虚假信号误导，过度交易，增加交易成本

职业决策：

• 根据短期内集中的结果离职或放弃职业方向
• 管理者根据面试中接连出现的表现，做出糟糕的招聘决定
• 觉得自己的表现呈现负面模式，因而产生绩效焦虑

商业战略失败：

• 公司遇到偶然表现不佳的季度后，放弃合理战略
• 根据感知到的部门“势头”，把资源配错地方
• 在消费者行为数据中寻找模式，歪曲市场研究

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，比如耗资3000万美元的长岛研究
• 把资源从真正的公共卫生威胁上转移开
• 调查没有找到病因时，社区产生焦虑和不信任

政策走偏：

• 把随机聚集的案件当作“犯罪浪潮”来应对
• 根据统计假象制定环境法规
• 把资源投向不存在的问题，让真正的问题无人处理

市场效率下降：

• 集体追逐趋势，制造泡沫和崩盘
• 羊群行为放大市场波动
• 把资本错配到偶然走热的“热门”板块

6.4. 统计层面的影响

研究发现：

• 热手研究发现，91%的篮球球迷持有聚类错觉相关信念
• Wagenaar 和 Bar-Hillel 发现，人们生成的“随机”序列交替率约为60-70%，而真正随机序列的交替率为50%
• Miller-Sanjurjo 的修正指出，一名命中率为50%、出手100次的球员，在连续三次命中后的投篮中，预期命中比例仅约46%；原始热手分析忽略了这一偏差
• Clarke 的 V-2 分析显示，即使事关重大，公众判断也会系统性出错

7. 隐藏的好处

尽管聚类错觉有代价，它也可能具有适应性作用：

快速识别模式：

• 在确实存在规律的环境中，快速发现规律有助于生存
• 在规律普遍存在的祖先环境中，这种偏差可能是一种最优的认知调节
• 漏掉真实规律的代价很高时，“宁可多防一步”是有道理的

加快学习：

• 在确实有规律的环境中，看出模式可能加快学习，即使偶尔会看错
• 愿意假设事物之间存在联系，有助于发展因果推理
• 科学家本身也依靠发现模式来提出假设

社会协作：

• 共同相信某些模式，比如团队势头或幸运物品，可以通过类似安慰剂的机制产生实际效果
• 即使缺乏统计依据，相信热手也可能改善团队配合
• 感觉自己“手气正旺”所带来的信心，可以通过心理机制改善表现

激励作用：

• 相信自己“状态正好”，可能帮助人在困难时期坚持努力
• 感觉进步有迹可循，会带来维持毅力的情绪回报
• 完全接受随机性，可能削弱以目标为导向的行为

重要限定： 这些好处适用于特定情境。在现代数据丰富、过程已知具有随机性的环境中，比如市场、随机播放和统计分布，聚类错觉通常弊大于利。

8. 自我评估：你有这种偏差吗？

8.1. 预警信号清单

• 我相信有些老虎机“该”吐钱了
• 我认为运动员确实会进入手感“火热”或“冰冷”的状态
• 我因偶然的成功养成过迷信仪式
• 我曾抱怨随机播放算法“坏了”，因为它反复播放同一歌手的作品
• 我相信某些日子、时段或条件能给自己带来好运
• 我在股价图上看到过“趋势”，并据此交易
• 我曾在随机事件中看出模式，并据此行动
• 我确信自己能预测某个人何时会“手气正旺”
• 我相信“事情总是三件三件地发生”之类的聚集说法
• 我曾在短期接连出现坏结果后放弃策略

评分：

• 勾选0-2项：易受影响程度低
• 勾选3-5项：易受影响程度中等
• 勾选6-8项：易受影响程度高
• 勾选9-10项：易受影响程度很高

8.2. 自我反思问题

1. 过去你“状态正好”时，实际能力真的变了吗？还是只碰上了一段随机集中出现的成功？

2. 你是否曾因短期接连的不良结果，放弃合理的策略，比如饮食计划、投资方法或工作方法？回头看，是策略有缺陷，还是仅仅遇到了随机波动？

3. 你是否觉得，真正随机的事情应该比通常看到的“更分散”？连续重复会让你觉得“不对劲”吗？

4. 你是否曾在彩票号码、体育比分、股票走势等随机过程中看出模式，并认为它们具有预测价值？

5. 朋友或同事指出你看出的模式可能只是巧合时，你通常会如何反应？急于辩护，还是愿意听取意见？

8.3. 快速诊断情境

情境： 你在看一场篮球比赛。一名球员已经连续投中5球，解说员说他“手感越来越热”。比赛还剩30秒，你支持的球队落后2分，正握有球权。

你会怎样看待这个局面？

• A) “他手感正热，把球给他！这一球的命中概率，远高于他的赛季平均命中率。” → 易受影响程度高

• B) “他连中5球，感觉很有意义，不过我知道，他下一球的实际命中概率大概还是接近赛季平均水平。当然，他的信心可能也会有一点帮助。” → 易受影响程度中等

• C) “他前5次出手与这一球无关。谁能跑出空位、在那个位置的预期命中率最高，就应该把球给谁，不管刚才发生了什么。” → 易受影响程度低

9. 识别他人的这种偏差

9.1. 行为指标

言语表现：

• 经常使用“连续”“势头”“火热”“该到了”“模式”等词
• 围绕巧合事件编出一套解释，比如“自从我开始……”
• 对根据近期观察做出的预测充满信心

决策表现：

• 追逐近期表现好的投资、策略或方法
• 遇到短暂的连续负面结果后，就放弃原有方法
• 凭感知到的“时机”或“感觉”做选择

日常生活：

• 在结果不确定的事情开始前，进行繁复的仪式
• 对“运气”及其规律有强烈看法
• 倾向于从巧合中寻找意义

9.2. 对话中的警示信号

受这种偏差影响时，人们会说：

• “他手感越来越热，继续给他传球！”
• “我该赢了，都已经连输这么多次了。”
• “这周都第三次了，肯定有原因。”
• “算法明显有偏好，一直放同样几位歌手的歌。”
• “事情总是三件三件地发生。”

他们常用的论证方式：

• 把短期结果当作背后发生变化的证据
• 认为统计解释“没说到点子上”，因而拒绝接受
• 更相信“感觉”或直觉，而非数据

他们回避的问题：

• “如果纯属随机，这里实际会是什么样子？”
• “要观察多少次，我才能确信这不是随机的？”

9.3. 情境诱因

容易触发的情况：

• 观察体育、赌博或市场中的连续结果
• 查看事件地图、分布图等空间数据
• 评估自己、工作或他人近期的表现

环境因素：

• 时间紧迫，促使人快速匹配模式
• 对结果投入了感情
• 缺乏关于实际基础概率的反馈

情绪状态：

• 焦虑让人寻求解释和控制感
• 希望让人寻找积极迹象
• 恐惧放大对负面模式的感知

社会情境：

• 群体环境不断强化对某种模式的信念
• 交易、体育等专业群体持有根深蒂固的看法
• 媒体报道突出连续结果和模式

10. 减少认知偏差的策略

10.1. 即时技巧

问基础概率： 接受某种模式之前，先问：“如果纯属随机，我预期会看到什么？”如果观察到的模式没有超出随机预期，就暂缓判断。

检查样本量： 问自己：“我观察了多少次？”小样本本来就容易接连出现相同结果。先要求更大的样本，再接受某种模式。

修正交替偏差： 提醒自己，真正的随机性产生的连续重复，比直觉预期的更多。“HHHHHH”这样的序列并不罕见。从数学上看，它们必然会不时出现。

反事实检验： 问自己：“如果出现相反的模式，我也会这么注意吗？”我们往往只留意那些符合预期的模式。

警惕德州神枪手谬误： 有人提出某种模式时，问：“这是在看数据之前提出的，还是看过数据之后才提出的？”对于事后才找出的模式，应保持极强的怀疑。

10.2. 长期策略

提高统计素养：

• 学习基础概率论和泊松分布
• 了解随机序列实际是什么样子
• 专门学习赌徒谬误和热手效应（热手谬误）

写决策日记：

• 记录预测及其背后的理由
• 持续跟踪结果，校准自己的模式识别能力
• 回顾过去看出的“模式”，其中有多少是真的？

培养概率思维：

• 练习用概率思考，避免把判断当成定论
• 接受随机过程固有的不确定性
• 区分“更有可能”和“一定”

寻找反面证据：

• 主动寻找与感知到的模式相矛盾的数据
• 看出模式时，查阅持怀疑态度的信息来源
• 用同样的标准审视支持和反驳的证据

10.3. 环境设计

增加样本量：

• 建立先汇总、后呈现数据的系统
• 避免突出短期波动的实时信息流
• 设计更突出长期趋势、较少突出近期连续结果的数据看板

补充统计背景：

• 展示数据时，同时给出置信区间
• 显示历史分布，供人比较
• 加入“如果随机发生会是什么样”的基线

设置冷静期：

• 看出模式之后，推迟做决定
• 根据模式采取行动时，要求明确说明理由
• 设置检查环节，质疑模式所依赖的假设

使用预先承诺：

• 观察结果之前，先制定决策规则
• 承诺在规定期限内坚持策略，不受短期结果影响
• 增加临时更改策略的阻力，避免看到模式就立即反应

10.4. 何时寻求外部意见

以下情况应寻求统计学专家帮助：

• 根据感知到的模式做出后果重大的决策
• 评估健康、表现或市场中的聚集是否有意义
• 设计涉及随机性的系统

以下情况应寻求同行评审：

• 你已经非常确信某种模式存在
• 其他人对你看出的模式持怀疑态度
• 这种模式正在促使你大幅改变行为

以下情况应咨询领域专家：

• 判断某个领域是否确有规律，有些领域确实有！
• 了解基础概率和预期波动
• 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： 体会真正的随机看起来有多“不随机”
• 所需时间： 15分钟
• 所需材料： 一枚硬币、纸、笔
• 难度： 入门
• 步骤：
  1. 抛硬币100次，记录每次结果，用 H 或 T 表示
  2. 看数据之前，预测一下你会看到的最长连续重复有多长
  3. 圈出每一段连续4次或更多次出现相同结果的情况
  4. 数一数这样的连续重复共有多少段
  5. 与直觉比较一下，你原本预期的连续重复更多，还是更少？
• 反思问题：
  • 连续重复的段数或长度让你惊讶吗？
  • 这个序列给你的感觉，与你心目中的“随机”有什么不同？
  • 如果不知道它来自抛硬币，你会怀疑其中有某种模式吗？
• 频率： 先做一次，以后每当发现自己在随机数据中看出模式时，再做一次

练习 2：生成“随机”序列

• 目标： 体会自己的交替偏差
• 所需时间： 10分钟
• 所需材料： 纸、笔
• 难度： 入门
• 步骤：
  1. 不抛硬币，直接写出一个由50个 H 和 T 组成的“随机”序列
  2. 统计交替次数，也就是 H→T 或 T→H 的转换次数
  3. 计算交替率，用交替次数 ÷ 49，即所有可能的转换次数
  4. 与真正随机的预期交替率50%比较
  5. 看看你的交替率高出了多少
• 反思问题：
  • 生成“随机”序列时，你为什么会避免较长的连续重复？
  • 这个练习如何改变了你对随机性的认识？
  • 它反映出你的直觉如何理解偶然性？
• 频率： 每当需要校准随机性直觉时练习

练习 3：回查过去的模式判断

• 目标： 评估过去根据模式做出的决策
• 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： 中级
• 步骤：
  1. 列出5个你根据感知到的模式做出的决策，比如投资、关系或职业变动
  2. 逐项记录你看出了什么模式，有多少次观察支持它
  3. 查明结果，模式是否如你预期那样持续？
  4. 估算如果纯属随机，会有怎样的预期结果
  5. 计算你的“模式判断准确率”
• 反思问题：
  • 对那些没能持续的模式，你是否过于自信？
  • 如果当时假定只是随机现象，结果会怎样？
  • 你能怎样把这些认识用于眼前的决策？
• 频率： 每季度回顾

每日练习

养成“随机检查”的习惯： 每天一次，当你发现自己在新闻、工作或个人生活中看出了某种模式，就停下来问：“如果纯属随机，我会预期出现这种情况吗？”花2分钟想一想，在这个情境下，随机发生的事情实际会是什么样子。

• 建议时长：2-3分钟
• 最佳时间：每当你发现自己在匹配模式时
• 进度记录方式：记录有多少次模式判断经受住了检验

每周挑战

模式质疑周： 用一周时间，记下自己看出的每一个模式。每条记录包括：

• 感知到的模式

• 支持它的观察次数

• 如果纯属随机，预期结果会怎样

• 你对它确为真实模式的信心程度（1-10）

• 4周后的预期效果：质疑模式和校准判断的能力大幅提高

• 日记反思提示：

  • 有多少模式经受住了统计检验？
  • 我对自己寻找模式的倾向有了哪些认识？
  • 我的行为因此发生了什么变化？

12. 给特定读者的建议

给领导者和管理者

对管理的启示：

• 克制根据近期连续表现评价员工的倾向
• 认识到季度业绩包含大量随机波动
• 避免追逐市场、战略或部门的“势头”

团队干预：

• 培训团队的基本统计思维
• 先规定最低样本量，再判断模式是否存在
• 形成质疑模式推理的团队文化

决策流程：

• 开展事前验尸式分析，问“如果这个模式只是随机现象，会怎样？”
• 根据模式调整策略时，要求先与基础概率比较
• 根据感知到的趋势行动之前，设置复核期

组织设计：

• 建立观察周期更长的反馈系统
• 设计按足够长的时期取平均值的指标
• 避免使用突出短期波动的实时数据看板

给父母和教育工作者

按年龄教学：

• 用抛硬币实验展示随机性，适合8岁以上
• 讨论游戏中技能与运气的区别，适合10岁以上
• 通过体育和游戏介绍概率概念，适合12岁以上

课堂活动：

• 让学生生成“随机”序列，再与真正的随机序列比较
• 分析校园体育数据中的“连续火热表现”
• 讨论赌场为什么展示最近的中奖号码

示范如何觉察偏差：

• 孩子发现模式时，一起提问，校准判断
• 模式可能只是随机现象时，表现出你自己的不确定
• 肯定孩子识别随机性的能力

给医疗专业人员

临床启示：

• 认识到疾病聚集可能只是统计假象
• 避免根据近期患者表现出的“模式”过度诊断
• 理解社区对疑似健康事件聚集的焦虑

与患者沟通：

• 帮助患者理解，症状聚集未必意味着背后存在规律
• 解释健康结果的基础概率和预期波动
• 提供统计背景，回应对癌症聚集的担忧

诊断考量：

• 警惕可得性启发法放大近期患者的表现模式
• 使用不依赖感知趋势的结构化诊断流程
• 调查病例聚集时，寻求统计学咨询

给金融专业人士

投资应用：

• 向客户解释收益中信号与噪声的区别
• 设定最低持有期限，防止追逐连续上涨
• 展示技术分析形态失效率的历史数据

与客户沟通：

• 让客户为正常波动中不可避免的接连亏损做好准备
• 结合长期预期，解释近期表现
• 客户要求买热门股票或基金时，向其讲解基础概率

风险管理：

• 区分真正的风险信号与随机聚集
• 构建不依赖模式预测的投资组合
• 按制度再平衡，不受短期趋势影响

13. 与其他偏差的相互作用

会放大聚类错觉的偏差

有助于抵消聚类错觉的偏差

常见的偏差链

热手连锁反应： 聚类错觉 → 确认偏误 → 过度自信效应 → 糟糕的决策

示例： 一名交易员发现一只“热门”股票（聚类错觉），关注支持这一判断的新闻，忽略相反信号（确认偏误），确信这种模式还会持续（过度自信效应），于是在高点加仓（糟糕的决策）。

癌症聚集连锁反应： 聚类错觉 → 可得性启发法 → 德州神枪手谬误 → 归因错误

示例： 一个社区注意到几例癌症（聚类错觉），这些病例占据了人们的注意和记忆（可得性启发法），随后人们围着这些病例划定地理边界（德州神枪手谬误），在没有证据时便归咎于环境因素（归因错误）。

打断连锁反应：

• 接受模式之前，先要求提供基础概率
• 分析数据之前，先规定假设
• 模式判断涉及重大后果时，寻求统计学咨询

14. 文化视角

关于聚类错觉文化差异的研究有限，但已有几方面发现：

普遍特征：

• 在随机数据中看出模式的基本倾向，似乎普遍存在于不同文化
• 这符合其进化起源，即人类认知的一项基本特征
• 所有受研究的人群在生成“随机”序列时，都表现出交替偏差

文化差异：

金融素养的影响：

• 巴基斯坦的研究提示，金融素养较低的市场中，聚类错觉的影响更强
• 受教育程度较高的人可能更善于识别随机性，但也远非不受影响
• 即使是诺贝尔奖得主 Kahneman，也说聚类错觉哪怕明知是假的，仍然让人觉得可信

文化中的迷信：

• 不同文化形成了不同的模式信念，比如幸运数字、日子或仪式
• 这些信念是普遍存在的聚类错觉在文化中的表达
• 它们显示，这种偏差会与文化叙事相互作用

15. 常见误解

16. 专家见解

Thomas Gilovich 指出，人们低估了随机数据中连续出现和成簇出现的程度，因此会在仅由偶然产生的模式背后读出一个隐藏的原因。 — 概述自 Thomas Gilovich，How We Know What Isn't So（1991），第 2 章“Something Out of Nothing”

“问题在于，对人类来说，真正的随机感觉起来并不随机。所以我们收到了大量用户投诉，说它不随机。” — Mattias Petter Johansson，前 Spotify 工程师，Quora 上关于 Spotify 随机播放是否真随机的回答（Tech Xplore 报道，2015 年 2 月）

“人们期待，随机过程生成的事件序列，即使很短，也会体现这个过程的基本特征。” — Amos Tversky 和丹尼尔·卡尼曼，“Judgment under Uncertainty: Heuristics and Biases,” Science（1974）https://doi.org/10.1126/science.185.4157.1124

17. 关键要点

1. 随机分布会聚成团。 真正的随机分布包含聚集，从数学上看也必然如此。均匀分布反倒是非随机的证据。

2. 识别模式是一种生存能力，而非缺陷。 快速推断因果曾帮助祖先生存，聚类错觉是这种能力的阴暗面。

3. 小样本不可靠。 “小数定律”是一种谬误。不能指望短序列反映长期平均水平。

4. 专家也会中招。 Miller 和 Sanjurjo 表明，研究聚类错觉的研究者在最初分析中也犯了统计学错误。

5. 技术会适应我们的偏差。 Spotify 和 Apple 故意降低随机播放的随机程度，因为真正的随机会让用户觉得功能坏了。

6. 后果重大的领域易受影响。 聚类错觉会扭曲公共卫生调查、金融市场和战略决策。

7. 觉察有帮助，却不能消除偏差。 统计训练可以减少这种偏差，却无法根除。个人觉察还需要制度保障和决策流程配合。

18. 延伸资源

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. https://doi.org/10.1016/0010-0285(85)90010-6
• 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. https://doi.org/10.3982/ecta14943
• Miller, J. B., & Sanjurjo, A. (2021). Is it a fallacy to believe in the hot hand in the NBA three-point contest? European Economic Review, 138, 103771. https://doi.org/10.1016/j.euroecorev.2021.103771
• Clarke, R. D. (1946). An application of the Poisson distribution. Journal of the Institute of Actuaries, 72(3), 481. https://doi.org/10.1017/s0020268100035435
• Wagenaar, W. A. (1972). Generation of random sequences by human subjects: A critical survey of the literature. Psychological Bulletin, 77(1), 65-72. https://doi.org/10.1037/h0032060
• Falk, R., & Konold, C. (1997). Making sense of randomness: Implicit encoding as a basis for judgment. Psychological Review, 104(2), 301-318. https://doi.org/10.1037/0033-295x.104.2.301

书籍

• Gilovich, T. (1991). How We Know What Isn't So: The Fallibility of Human Reason in Everyday Life. Free Press.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Mlodinow, L. (2008). The Drunkard's Walk: How Randomness Rules Our Lives. Pantheon Books.
• Taleb, N. N. (2005). 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

适用于读书会、课堂或自我反思：

1. Miller-Sanjurjo 的研究表明，连研究聚类错觉的研究者也误解了随机性。这说明，专业知识在克服认知偏差方面有哪些局限？

2. Spotify 选择让随机播放算法不那么随机，以满足用户。这种做法对吗？技术应该适应我们的偏差，还是帮助我们克服偏差？

3. 长岛乳腺癌研究花费3000万美元调查一个统计假象。这是浪费资源，还是回应社区担忧的必要行动？公共卫生机构应该如何应对疑似聚集现象？

4. 如果按照 Miller-Sanjurjo 的修正，热手确实存在，但效应很弱，教练仍应调整策略吗？效应量达到什么程度，某种模式才具有实际意义？

5. 在自己的生活中，你可能在哪些方面受到聚类错觉影响？你会怎样设计检验？

最后更新：7 十一月 2026