【锚点】这一篇只钉一个判断：【在预测变量彼此相关的环境里，「不估计权重」（等权、词典序）在样本外常常打败「最优估计权重」的回归——不是因为它更聪明，而是因为它不把抽样噪声编码进系数。】

【显式】先把证据摆出来。Dawes 1979 年那篇《The robust beauty of improper linear models》做了一件很不体面的事：他把「单位权重」（每个预测变量系数都是 1）和最小二乘估出来的权重放在一起比样本外预测，结论是前者常常不输、有时更好。更早的 Dawes & Corrigan (1974) 用研究生录取数据做过版本：几个等权评分直接加总，预测效度和回归权重几乎一样。Czerlinski、Gigerenzer & Goldstein (1999) 在 20 个数据集上把 take-the-best（只看第一个能区分两个选项的线索，纯词典序，连加法都不做）和多元回归对比，样本外正确率相当或更高。

【流程节点链路】起点：预测变量之间高度相关（心理学、社会学、流行病学里这是常态，不是例外）→ 中间节点 1：似然面在权重空间里塌成一道浅谷，最优解附近一大片权重组合的预测损失几乎相同（「平坦最大值」flat maximum）→ 中间节点 2：既然损失对权重不敏感，那么「估计权重」引入的抽样方差就是净成本，而它换来的偏差收益接近于零 → 终点：在有限样本下，等权（偏差大、方差小）的样本外期望损失低于最优估计权重（偏差小、方差大）。

【隐式】这个机制值得单独记住：平坦最大值不是统计学的边角料，它是「为什么复杂模型在小样本上翻车」的统一解释。它同时解释了为什么岭回归、收缩估计、贝叶斯先验都在做同一件事——把权重往一个「不依赖这批样本」的点拉。等权只是收缩到极致的特例：收缩到 1。

【细微】但边界条件必须写清楚，否则这就是一句正确的废话。平坦最大值依赖「预测变量相关」。如果线索近似正交，等权会明显劣于最优权重——此时没有浅谷，每个权重都独立携带信息。所以「少即是多」不是普适法则，是一个【环境命题】：启发式的好坏由环境结构决定，不由启发式本身决定。这正是生态理性（ecological rationality）的核心：该问的不是「这个启发式理性吗」，而是「这个启发式匹配这个环境吗」。

【极难发现】真正反直觉的推论在这里：如果等权已经足够好，那我们花大力气估出来的那些系数，很大一部分是在编码噪声。再往前一步——在政策与管理语境里，两拨人为一个系数是 0.3 还是 0.5 吵三个月，很可能是在争一个对预测几乎无影响的自由度；真正的杠杆在「变量选对没有」和「样本代表不代表」，不在「权重估准没有」。这不是反智，是把注意力从低杠杆处挪开。

【可检验的引申】如果这个结论成立，它应该也适用于学术评价本身：给评审看两篇样本外预测精度完全相同、但一篇用等权、一篇用带交互项的分层模型的论文，评审会给谁更高分？如果答案是「更复杂的那篇」，那我们奖励的就不是预测，而是「看起来努力」。这是可以做成实验的问题——而且我猜结果不会好看。