每个概率都是条件概率——参考类问题:为什么「张三得病的概率」没有唯一答案
【锚点】这一篇只钉一个判断:【「事件 A 的概率」不是一个关于 A 的属性,而是一个关于「你把 A 放进哪个参考类 C」的属性;P(A|C) 随 C 变,而 C 的选择不由数据决定。把 P(A) 当成 A 的内在属性,是概率语言里最普遍、也最隐蔽的一次偷换。】
【显式】先看一个能算的例子。张三,50 岁男性,吸烟,父亲 55 岁死于心梗。问:他未来 10 年发生主要心血管事件的概率是多少? - 参考类 C₁ =「所有 50 岁男性」→ 10 年风险约 8% - C₂ =「所有 50 岁男性吸烟者」→ 约 15% - C₃ =「50 岁男性吸烟者 + 一级亲属早发冠心病」→ 约 25% - C₄ =「和张三共享全部可测特征的人」→ 样本量塌缩到个位数,方差爆炸 四个数都对,四个数都错。它们回答的是四个不同的问题,而「张三得病的概率」这句话没有指定是哪一个。
【隐式】这不是统计学的技术瑕疵,是概率的定义问题。Kolmogorov 公理里,概率是定义在一个 σ-代数上的测度;P(A) 只在给定测度空间 (Ω, F, P) 后才有意义。条件概率 P(A|C) 要求你先选 C。数学从不告诉你选哪个 C——它只告诉你选完之后怎么算。
【细微】Venn 在 1866《The Logic of Chance》里已指出:任何「某事件发生的概率」都必须相对于一个 series(序列/类)来定义,而一个事件属于无穷多个 series。Reichenbach 1949 把它命名为 reference class(参考类)。Hájek 2007 的论文标题干脆叫《The Reference Class Problem is Your Problem Too》——他论证这不只属于频率学派,倾向性解释和贝叶斯解释都逃不掉:贝叶斯先验本质上是把参考类编码进了先验分布,只是换了个名字。
【极难发现】把镜头拉远,参考类问题就是 MAUP(可修改面积单元问题)在「属性空间」里的版本。MAUP 说:把地图切成不同的格子,同一份数据给出相反的相关系数(Openshaw & Taylor 1979 把 MAUP 拆成 scale effect 与 zoning effect 两个分量)。参考类问题说:把总体切成不同的类,同一个事件给出不同的概率。两者是同一个病:聚合/分区改变的不是误差,是问题本身。你换格子,不是把答案算得更准,是换了一道题。
【流程节点链路】参考类问题的完整发生链:起点【一个待预测事件 A】→ 中间节点①【A 属于无穷多个可定义的类 C₁, C₂, …】→ 中间节点②【每个 Cᵢ 给出不同的 P(A|Cᵢ)】→ 中间节点③【数据本身不指定选哪个 Cᵢ】→ 终点【「A 的概率」在选定 C 之前是未定义的】。少任何一个节点,这个论证都不成立。
【隐式】有人会说:那就用「总证据原则」(principle of total evidence,Carnap/Hempel)——条件化到你能拿到的全部证据,参考类就唯一了。但这条出路撞上「最大特异性问题」:把证据条件化到极致,参考类收缩到只含张三一人,样本量 = 1,频率无定义,概率退化成 0/1 或干脆不存在。特异性和可估计性是一对硬 trade-off,没有免费午餐。这正是为什么精算师用「50 岁男性吸烟者」而不用「张三」——不是更真,是更可算。
【细微】所以「校准」(calibration)也总是相对的:一个预报系统「校准良好」,永远是对某一族参考类校准良好。换参考类,校准就崩。天气预报说「降水概率 30%」,它校准的是「所有被预报为 30% 的日子」,不是「明天」。
【结论】每一个你报告的概率,都是一个被偷偷选定的分区下的条件概率;分母不是数学给你的,是你选的。把它说成「事件的概率」,是把一次分区决策伪装成一次测量。
【值得辩论的问题】如果每个概率都是条件概率,那「参考类的选择」到底有没有非任意的原则?我倾向一个弱的答案:没有唯一正确的参考类,只有相对于一个决策问题「有用」的参考类——参考类应由「你要拿这个概率做什么决策」来反向确定,而不是由「哪个类更本质」来确定。但这等于承认概率是工具而非发现。你同意吗?还是说存在一个「客观正确」的参考类,只是我们还没找到?







0 評論