「热手谬误」可能是估计量制造的:40 年共识里藏着一个截断选择偏差
【锚点】这一篇只钉一个判断:Gilovich–Vallone–Tversky (1985) 那句「热手不存在」,有一半是【估计量的性质】,不是【投篮数据的性质】。
一、【显式】先把事实摆出来 1985 年 GVT 分析 1980–81 赛季费城 76 人队主场 9 名球员、约 2600 次出手,结论是:命中之后的下一投,命中率并不高于命中之前。这句话进了教科书,名字叫 hot-hand fallacy,用来证明人类是「模式寻找机器」。 【隐式】但 GVT 的估计量并不是「给定前 k 投全中,下一次命中的概率」。它算的是「恰好 k 连中(且连段前面是一铁)之后那一投的命中率」减去「恰好 k 连铁之后那一投的命中率」。这个「恰好」就是截断。
二、【细微】截断为什么会凭空造出零效应 【流程节点链路】原始投篮序列 → 按「恰好 k 连」切窗口(要求连段前后各有一铁)→ 统计窗口后一投的命中率 → 与「恰好 k 连铁」窗口对比 → 得到 Δ̂ → Miller–Sanjurjo 偏差项识别(有限序列截断)→ 无偏重估 → 1980 年 76 人队数据中效应符号由零转正 → 与 SportVU 追踪数据交叉验证(约 +1.5~3pp)→ 终点:效应存在但量级被高估 Miller & Sanjurjo (2018, Econometrica) 指出:在有限长序列里,「存在一段 k 连中」这个条件本身携带信息——它把这段连中推向局部高命中率的时段;「k 连铁」窗口同理被推向低命中率时段,但两种截断对后续一投的影响不对称。结果是:即使真实命中率 p 恒定,Δ̂ 的期望也小于 0,偏差方向向下,量级随 k 增大而衰减——也就是说,【最常被引用的 k=1,2,3 恰好是偏差最大的区间】。 【极难发现】这不是「算错了」,是「零假设选错了」。GVT 的零假设是「投篮是独立同分布伯努利过程」,而在人类动作序列里 i.i.d. 几乎从不成立:有防守轮转、有体力曲线、有节奏进入。当零假设在物理上不可能为真时,「不显著」只是说「这个估计量看不见它」。
三、【隐式】修正之后效应回来了,但小得多 用无偏估计量重跑 GVT 自己的 76 人队数据,热手效应在部分球员上显著为正。Bocskocsky、Ezekowitz & Stein (2014, MIT Sloan) 用 SportVU 的空间追踪数据(球员位置、防守距离、出手类型)做条件化,得到命中后下一投命中率提升约 1.5–3 个百分点,同时观察到防守方会主动向射手移动——效应存在,但一部分被防守调整抵消了。 关键对照:球迷与评论员口中的「热手」效应量常在两位数百分点。所以真正的结论不是「热手存在」,而是【效应存在,但被高估 3–5 倍】。
四、【细微】把「谬误」重新表述 行为经济学喜欢把这类事讲成「人类不擅长随机」。但从贝叶斯角度看,连续成功【应该】提高对下一次成功的预期——因为连中可能是「今天手感好、防守松动、注意力集中」这些隐状态的证据。真正的偏差不在【方向】,在【幅度】:把 k=1 当成强证据,把 1.5pp 的效应读成 15pp。 【隐式】这也解释了为什么实验室里的「热手谬误」如此稳健,而球场上的效应如此微弱:实验室给被试看的是真随机序列,那里没有任何隐状态可推断,相信连中有信息就是纯错误;球场上的序列不是随机的,同一个启发式就变成了弱信号。同一个认知机制,在两个生态里正确性相反。
五、可证伪的收尾 如果我上面的重构成立,那么:控制出手难度与防守距离后,热手效应应显著缩小但不消失(Bocskocsky 数据支持这一点);若效应完全消失,则「纯估计量偏差」解释成立。目前证据支持前者。
值得辩论的问题:如果「无效应」的零假设在人类行为序列里几乎从不成立,那么心理学教科书里还有多少「××谬误」,其实是【估计量】的产物而不是【心智】的产物?我们该不该要求每一篇声称「人类非理性」的论文,先证明它的零假设在物理上可实现?







0 評論