代表性啓發

代表性啓發（ representatitiveness heuristic）在使用啓發時，首先會考慮到借鑑要判斷事件本身或事件的同類事件以往的經驗即以往出現的結果，這種推理過程稱之為代表性啓發。

在很多情況下，代表性法則是一種非常有效的方法，能幫助人們迅速地抓住問題的本質推斷出結果，但有時也會造成嚴重的偏差，特別是會忽視事件的基本要素（base rate neglect），即無條件概率和樣本大小。

1973年Kahneman及Tversky進行了一個名為“Tom W ”的著名實驗，大概如下：給被試以下一段關於Tom W.的描述：“Tom W.智商很高，但是缺乏真正的創造力。他喜歡按部就班，把所有事情都安排得井然有序，寫的文章無趣、呆板，但有時也會閃現一些俏皮的雙關語和科學幻想。他很喜歡競爭，看起來不怎麼關心別人的感情，也不喜歡和其他人交往。雖然以自我為中心，但也有很強的道德感。” 然後要被試估計，Tom W.最有可能是以下哪個專業的學生：企業管理，工程，教育，法律，圖書，醫學，社會學？想象一下如果你是其中一名被試，你會怎麼回答。結果，絕大多數被試都認為Tom W.最有可能是工程系學生。相信你的答案也不多。為什麼呢？很有可能是因為Tom W.最像一個學工程學的學生。也就是説，對Tom W.的以上描述，與我們心目中一個理工科學生所應當具有的形象完全吻合（或者説代表了一個理工科學生的形象），所以我們認為Tom W.最有可能是工程系的學生。這就是典型的代表性啓發式思維方式。當面對不確定的事件，我們往往根據其與過去經驗的相似程度來進行判斷或預測。説簡單一點，就是基於（過去經驗的）相似性來預測（當前事件的）可能性。到底個體A是否歸屬於羣體B？如果個體A具有羣體B的某些特徵（具有相似性、代表性），則認為個體A歸屬於羣體B。但是被試就完全忽略了學生在各個專業中的基礎比率（base rate）。就算上述7個專業的學生都一樣多，那麼任何一個學生是工程系的學生的概率和他是其它任何一個專業的學生的概率是一樣的，即1/7。根據另外一組被試對所有學生在各個專業中所佔的比率的估計，學工程學的學生應該比學其他專業的學生要更少，即還佔不到1/7。如果考慮到這一點，那麼任意抽一個學生出來（比如Tom W.），他是學工程學的可能性應該是很低的。這種在判斷時忽略基礎比率而導致的謬誤就是所謂的基礎比率謬誤（base rate fallacy）。 ^[2] 

在很多情況下，代表性法則是一種非常有效的方法，能幫助人們迅速地抓住問題的本質推斷出結果，但有時也會造成嚴重的偏差。 ^[1] 

如果我們在公共汽車上看到一個人鬼鬼祟祟，像個小偷，則我們會認為他就是一個小偷，並提高警惕性。有時相似性確實和可能性有關，因此這種判斷是正確的，但有時則可能會因此忽略其它相關信息而做出錯誤的判斷。 ^[2] 

統計學中有個大數規則,但研究發現,人們往往信奉“小數規則”,即不管樣本容量多小,人們總認為它能反映總體。比如前五次拋出的硬幣都是正面時,大多數人就會認為第六次拋出的硬幣更可能是反面,因為人們認為“正正正正正反”比“正正正正正正”更具有一般性。一些投資者老抱着一些深度套牢的股票不放,就是自認為已經兩年沒漲了,該輪到它了吧。投資者的這種股價會“自我矯正”的錯誤觀念,無疑是“把牢底坐穿”的一個很重要的原因。 ^[3] 

所以使用代表性啓發法一方面是我們在生活中簡化認知過程快速得出結論的捷徑，另一方面使用這種捷徑得到的結論卻並不總是正確的，所以我們要理性地對待認知結果。