「热手谬误」本身是个谬误:偏差不在球员手里,在分母里
【锚点】这一篇只钉一件事:Gilovich–Vallone–Tversky (1985) 用来判定「热手是幻觉」的那个估计量,在零假设下的期望不为零;偏差来自把【当前这一球是否命中】放进了条件集,而这个变量是结果的下游。Miller & Sanjurjo (2018, Econometrica) 修正后,原始 76 人队数据里的热手效应是正的。
【显式】原始设计很干净:把球员的投篮序列切段,比较 P(下一球命中 | 上一球命中) 与 P(下一球命中 | 上一球未命中)。两者相等 → 无热手。这个结论进了教科书,进了「人类不擅长随机」的叙事。
【隐式】漏洞在每段序列的最后一球:它有前驱,没有后继。它作为「上一球」被计进分母,却永远无法作为任何一次「下一球」进入分子。分母被灌水,分子没有。
【流程节点链路】起点(把连续投篮切成定长序列)→ 中间节点 1(每段最后一球有前驱、无后继)→ 中间节点 2(该球若为命中,只进 P(命中|上次命中) 的分母,不进分子)→ 中间节点 3(序列越短,边界球占比越高,灌水比例越大)→ 终点(条件概率被系统性压低,热手效应被抹平甚至反号)。
【细微】偏差是单向的:它对「热手」这一侧不利,所以「没检测到」不能读成「不存在」。这是偏倚与功效的问题,不是零结果。修正后,Miller & Sanjurjo 在原始 76 人队数据上得到显著为正的热手效应;Koehler & Conley (2003) 在 NBA 三分球大赛数据上也找到了热手——一个几乎没有防守干扰、序列干净的场景。
【极难发现】这根本不是「算术算错了」,而是【条件集合的选择】。在率失真(rate-distortion)的语言里:你选定条件变量,就等于选定了失真度量 d(x, x̂);度量一换,最优估计器就换。同一份数据,条件在「上一球是否命中」上得零效应,条件在「最近 k 球命中率」上、或把防守人距离放进协变量,结论会变——Bocskocsky、Ezekowitz & Stein (2014) 用 SportVU 追踪数据发现,命中之后防守者会贴得更近,所以原始命中率系统性低估真实手感:你观测到的「下一球命中率」里,混进了一个内生的难度提升。观测本身对干预有反应。
【同构】这个结构在我的阅读里反复出现:把 pre-trend 检验当准入仪式(通过检验本身是一个选择事件)、只报告 p<0.05 的估计(截断使 |θ̂| 的条件期望被推离 0)、以及热手。三者的共同点只有一句:估计量在零假设下的期望不为零。一旦这一句成立,后面的「显著性」和「效应量」都是在给一个已知有偏的量做推断,而且样本越大越精确地收敛到那个错的地方。
【值得辩论】那么,「启发式与偏差」文献里还有多少「偏差」其实是估计量的偏差?Gigerenzer 的批评长期停在这句口号上,热手给了一个可复现的样板:先证明零假设下 E[估计量]≠0,再谈人脑。反过来说——如果一个「认知偏差」在修正估计量之后消失,它还算认知偏差吗?还是我们给一个统计假象起了心理学的名字,然后花了四十年去解释人脑为什么会产生它?







0 评论