怎样提高自己的决策能力( 二 ) 先来看一下你

大卫王迷上了手下将军乌利亚的美貌妻子拔示巴，于是将拔示巴接到宫里不可描述。结果拔示巴怀上了大卫王的孩子。大卫王便将乌利亚派去前线，并嘱咐前线的元帅把乌利亚安排在阵势最险恶的地方。乌利亚果然战死在前线。大卫王借刀杀人、霸占人妻的阴险行为激怒了天神，天神耶和华让他和拔示巴产下的孩子得了重病。
大卫王为了孩子的病恳求神的宽恕。他开始禁食，把自己关在内室里，白天黑夜都躺在地上。他家中的老臣来到他的身旁，要把他从地上扶起来，他也不肯起来，也不同他们吃饭。他希望用这种方法求得天神的原谅，降福于他的孩子。
但一周之后，大卫王的孩子还是死了。他听到死讯，就从地上起来，沐浴更衣，吩咐人摆上饭菜，大口大口地吃了起来。
臣仆们疑惑地问：“大卫王啊！您这样做是什么意思呢？孩子活着的时候，您不吃不喝，哭泣不止，现在孩子死了，您倒反而起来大吃大喝。”
大卫王说：“我不吃不喝，哭泣不已，是因为我希望天神耶和华怜恤我，挽救我的孩子；如今孩子都死了，怎么也无法复活了，我又何必折磨自己呢？我怎么做都不能使死去的孩子活过来了！”
看看，面对沉没成本，大卫王清醒得很。
霍布森选择：怎么选择都是错的问：
当你看到一篇好文章时，愿意打赏5元还是10元？不管你回答5元还是10元，都中了霍布森先生的招。
有个叫霍布森的英国商人，他专门从事马匹生意。他说，你们买我的马、租我的马，价格都比别人便宜。
霍布森说的是实话，他的价格总是会比市场行情低。他的马圈很大，马匹也很多，看上去可供选择的余地很大。霍布森只允许人们在马圈的出口处选，但出口的门比较小，高头大马出不去，能出来的都是瘦马、赖马、小马。来买马的人左挑右选，不是瘦小的，就是赖的。大家挑来挑去，自以为完成了满意的选择，最后的结果却总是一个低级决策。
霍布森选择其实只是小选择、假选择、形式主义选择。人们自以为作了选择，而实际上思维和选择的空间是很小的。商场上，霍布森选择的陷阱比比皆是。
老张夫妇和儿子，多年来共同经营一家米粉店，生意好不坏，平均一天五六百的流水。他们没有雇服务员，因此除去房租什么的，三个人每个月加起来能赚个万儿八千的。有段时间里，老张的老伴因为不小心摔坏了胳膊，不能来店里帮忙，于是就让儿子小张将未婚妻小敏叫来帮几天忙。小敏在米粉店当服务员才几天，老张就发现一个奇怪的现象：店里吃粉的人加鸡蛋的多了，每天的营业额比以前多了百八十块。开始老张一位只是巧合，但小敏在店里帮忙一个月都是这样。
一个月后，老张的老伴康复回店，小敏就不再在店里帮忙了。奇怪的是：小敏走后，顾客点鸡蛋的明显减少了。营业额又恢复到五六百。老张很疑惑，就专门找了一个借口，叫小敏回来再帮一天。然后，他观察小敏到底是如何做的。
原来，小敏在顾客落座点了米粉后，总会问一句：“加一个鸡蛋还是两个？”
而老张的老伴问的是：“加不加鸡蛋？”

同样是问一个关于加鸡蛋的问题，听到小敏问话的顾客，多数选择的是加几个鸡蛋的问题（当然也有少数会说不要鸡蛋），而听到老张的老伴问话的顾客，选择的是加不加鸡蛋的问题。选择的内容不同，答案自然也不同。通过不同的选项，小敏不知不觉地多卖了鸡蛋，增加了销售。
小敏的给顾客的选择，其实就是经济学里的霍布森选择。
破解霍布森选择的利器是：拓宽视野，寻找第三第四条路径。其实，上也有不少问题属于霍布森选择，典型的是为了文学梦“我是辞职还是...”。
赌徒谬误：平均主义的误区问：
玩抛硬币猜正反游戏中，现在已经连续出了5次反面。在第6次抛硬币之前，你会不会认为出现正面的几率大？不少赌徒会疯狂下注出正面。他们的理由是：抛硬币本来就是50%的正反面几率，也就是说，正常情况下抛6次硬币是正反面各3次。现在反面都出了5次了，“应该”要出正面了。
甚至有人会用数学的概率来论证：连续6次抛出反面的概率是6个1/2相乘，也就是1/64，因此出第6次出正面的几率是63/64。
然而，真相是：第6次出现正反面的几率都是50%。理由很简单，既然每一次抛硬币出现正反面都是50%的几率，为什么第6次不是呢？
经济学家将人们此种不合逻辑的推理方式称为“赌徒谬误”。其定义如下：认为随机序列中一个事件发生的几率与之前发生的事件有关，即其发生的几率会随着之前没有发生该事件的次数而上升。

赌徒谬误在人们赌博以及投资决策中屡见不鲜。例如一个赌徒压大连续输了5把，第6把他会坚信自己赢面大而下更大的注，因为他不相信自己会连输6把——连输6把的几率的确很小，但他忘了每一把输的几率是一样的。假设他第6把继续输了，那么第7把或许会下更大的赌注。
再说在股票市场，赌徒谬误也比比皆是。股指连续涨（跌）了三天了，是不是该跌（涨）了？中石油从48元跌到了20元，不可能再跌了吧？然而，事实上，股指不但可以从2000点一路摸高到6000点，也能够从6000点“跌跌不休”到1800多点。
经济学家德·邦德研究发现，三年牛市之后的股民预测往往过于悲观，而在三年熊市之后会过度乐观。人们倾向于认为如果一件事总是连续出现一种结果,则很可能会出现不同的结果来将其“平均”一下。正是这种思维，使投资者更加相信股价反转出现的可能性。
在起起落落的股海惊涛中，赌徒谬误对投资股权之类的证券的损害无疑是双重的。其表现在：当股票连涨时，在赌徒谬误的支配下觉得应该跌了，结果容易错失大好行情；而在股票连跌时，在赌徒谬误的支配下觉得应该涨了，结果在半山腰被套站岗。
酒吧博弈：跟大家想得一样就错了问：
你孩子今年参加中考，一二三中的高中教学质量在一个档次上，去年一中录取分数最高，三中最低，今年你会帮你孩子填那个志愿？相信填一中的（相对）少一些。结果是：填写二中三中的，反而遇上录取分数线偏高。
因此，有一个规律是：前年是一中录取分数最高，去年则会变成二中或三中（假设三所中学软硬件不相上下），而今年的最高分，又往往不会是去年的。
同样的例子，在农业经济作物的种植与畜牧养殖上也很明显。去年玉米价格很高，今年种植量马上就上去了，结果价格一落千丈，谷贱伤农。明年玉米产量锐减，价格又高起来。这样的波浪式起伏，有时是以两三年为一个周期的。
对于以上决策，在经济学中有一个名词来解释，叫“酒吧博弈”，或“酒吧问题”：
假设在一个小镇上有总共有100个爱好泡吧的人，他们每个周末都想去酒吧。这个小镇上只有一间能容纳60个人的酒吧。超过60个人，酒吧就会显得有点挤，服务人手也跟不上，泡吧的乐趣会降低。
第一个周末，100人中的绝大多数去了这间酒吧，导致酒吧爆满，他们都没有享受到应有的乐趣。多数人抱怨还不如不去。而少数没去的人庆幸自己没去。
第二个周末，不少人在去之前，根据上一次的经验认为人会很多，于是决定还是不去了。结果呢？因为多数人都这么想，所以这次去的人很少，享受了酒吧高质量的服务。没去的人知道后又后悔了：这次应该去呀！
第三个周末，人多了……
对这个博弈有一个前提条件：每一个参与者面临的信息只是以前去酒吧的人数，因此只能根据以前的历史数据归纳出此次行动的策略，没有其他的信息可以参考，他们之间也没有信息交流。
上世纪90年代，美国著名的经济学专家阿瑟教授于针对真实人群做了酒吧博弈的实验。实验中去酒吧的人数如下：

在上表中，横坐标表示周末的编号，纵坐标表示去的人数。从这个实验对象的预测呈有规律的波浪形态。
在这个决策中，每个参与者都面临一个尴尬：多数人的预测总是错的。例如多数人都预测这个周末去的人少，结果去的人反而会多。反过来，如果多数人预测去的多，那么去的人会很少。也就是说，一个人要做出正确的预测，必须知道其他人如何做出预测。但是在这个问题中每个人的预测所根据的信息来源是一样的，即过去的历史，而并不知道别人当下如何做出预测。
要知道别人的预测，的确是个难题。不过，如果我们从实验数据来看，实验对象的预测呈有规律的波浪形态。虽然不同的博弈者采取了不同的策略，但是却有一个共同点：这些预测都是用归纳法进行的。我们完全可以把实验的结果看做是现实中大多数“理性”人做出的选择。
在这个实验中，更多的博弈者是根据上一次其他人做出的选择而做出其本人“这一次”的预测。尽管这个预测已经被多次证明在多数情况下是不正确的。
通过酒吧博弈，我们要学会独辟蹊径的决策方式。不走寻常路，做出与大多数相反的决策，更容易取胜。生活中有很多小决策里也有酒吧博弈的影子。哪怕是开车出行，选择路线也用得上酒吧博弈：大多数人喜欢走哪条路？昨天严重堵车的路今天会不会再堵？
酒吧博弈无法保证你的决策一定正确，但告诉了你一个全新思路，能增加你决策的胜算。
【未完待续，建议点赞+收藏】

■要彻彻底底地接受这样一个原则：任何决策的结果都有一定的风险，没有哪个决策敢保证100%正确，我们必须要接受错误以减少错误。

40年来，认知心理学上重复研究过同一个实验：

让被试坐在两盏灯(一红一蓝)前，实验者要求他们去预测每次测试时哪一盏灯会亮，被试要参与很多轮这样的测试，并按准确率给予一定的报酬。实际上，所有的测试都是在70%的次数亮红灯、30%的次数亮蓝灯的条件下进行的，两种灯以随机顺序出现。在实验中，被试也很快就意识到红灯亮的次数比较多，因此也就在更多的测试中预测红灯会亮。事实上，他们确实在大约70%的测试中预测红灯会亮。因为灯亮的序列是随机的，为了要使他们的预测百发百中，他们在红灯与蓝灯之间换来换去，但依然会保持70%的次数预测红灯会亮，30%预测蓝灯会亮。
被试极少意识到，尽管蓝灯亮的概率为30%，如果他们停止在红灯和蓝灯之间换来换去，他们的预测会更好一些！

为什么会是这样呢？
让我们想一想这一情境背后的逻辑：
在以70:30的比例随机点亮红灯或蓝灯的情况下，如果被试在70%的测试中预测红灯会亮，30%的测试中预测蓝灯会亮，他的准确率：在100次测试中有70次红灯亮了，所以被试在这70次中有70%的正确率，也就是说，被试在70次中有49次正确的预测；100次测试中有30次蓝灯亮了，被试在这30次中有30%的正确率，也就是说，被试在30次中有9次正确的预测。因而，在100次测试中，被试的正确预测是58次。
但是，这成绩并不高！
如果被试在注意到红灯亮得比较多后，就总是预测红灯会亮(姑且称之为“百分百红灯策略”)，那么，他在100次测试中会有70次正确的预测。

虽然在蓝灯亮的30次测试里，被试将没有一次正确的预测，但是总准确率仍然高达70%——比在红灯与蓝灯之间来回变换以追求“百发百中”的58%的准确率要高12个百分点！

“我们必须接受错误以减少错误”——这是多伦多大学人类发展与应用心理学教授基思·斯坦诺维奇(KeithE.Stanovich)在《这才是心理学：看穿伪心理学的本质》中总结这个实验后给出的建议。

道理知道了，那有什么应用价值呢？

我自己的一个实用心得是：严格按照一定的决策模型去做。

这个世界本就存在着一定的随机性和不确定性，没有人能做到100%决策正确。既然没有哪个决策敢保证100%正确，那就不妨接受错误以减少错误，严格按照一定的决策模型去做就好了。

推荐两个决策模型
1、加权打分模型

加权打分模型可以由你自己设定影响决策的关键因素，并且设定不同因素的权重。比如某个因素的权重为2，另一个因素的权重为1，如果两者的打分都是5分的话，那第一个因素的得分就是5分乘以权重2，得分10分；而第二个因素因为权重分是1，因此得分是5分。

假如你在纠结于要不要离职，你可以根据实际情况将影响决策的因素设为3个：薪资、职位、风险，并分别进行打分。为了简化起见，我们将3个因素的权重设置为一样的，都是1。将得分加权之后，离职分数高于不离职，所以选择了离职。

加权打分模型，适用于影响决策因素比较确定的情况，也就是你自己已经清楚主要的影响因素，以及它们影响的大小程度。

万一影响决策的因素很多，你自己还不是很确定的情况，怎么办呢？我在这种情况下一般用的是必要、优先条件选择模型。