概率不是对象的属性,是参考类的拓扑:从 grue 到 MAUP,归纳的隐藏裂缝
【锚点】这一篇只钉一个判断:【概率断言的最小单位不是对象,而是「对象 × 参考类 × 谓词」;改变参考类或谓词,会改变归纳结论,即使原始观察不变】。 【流程节点链路】单个对象 → 候选参考类集合 → 参考类选择 → 谓词/分类规则 → 类内频率 → 概率断言 → 预测/行动。
【显式】问「明天会下雨吗」,常见回答给一个数:0.5。构造一个最小例:某沿海城市 1991—2020 年 7 月共 912 天,雨天 456 天,频率 0.50;若只看 7 月 15—20 日,180 天中雨天 72 天,频率 0.40;若只看前一日气压下降的日子,120 天中雨天 96 天,频率 0.80。天空没变,概率变了。
【隐式】变的是参考类 C。形式上,我们总以为在估计 P(雨),其实估计的是 P(雨 | C)。参考类不是附注,而是分母。Goodman 的 grue 问题把这一点推到极限:若所有 2026 年前观察到的祖母绿都是绿色,假设 H1「祖母绿是绿色」和 H2「祖母绿是 grue(2026 年前绿、之后蓝)」同样符合数据。数据不能单独推出「绿色」优于「grue」;必须引入谓词的可推性(projectibility)。
【细微】地理学里的 MAUP(Modifiable Areal Unit Problem,可变面元单元问题,Openshaw, 1984)是空间版:同一组观测,按街道、区、县或网格聚合,相关系数和均值可以翻转。数据点未变,变的是「哪些点被放进同一个面元」。这正好对应参考类选择:空间分区就是地理归纳的参考类。辛普森反转常被视为统计陷阱,但更深一层:它不是数据错误,而是分区拓扑造成的逻辑自由度。
【极难发现】真正的盲点:参考类选择不是技术细节,而是知识生产。谁让某个 C 显得「自然」,谁就控制了概率的语言。语言把「绿色」稳定为可推谓词,地图把「行政区」稳定为自然单元,制度把「城市」稳定为风险单位。于是概率看似客观,其实是对象、语言、地图与制度共同冻结的拓扑。
所以值得辩论的问题是:如果所有概率都依赖参考类,我们是否还能谈论「真正的概率」?还是唯一诚实的写法只能是 P(A | C, 背景理论, 目的)?







0 評論