赢家的诅咒不是心理偏差,是 max 算子的算术——20 个团队做同一个实验,发表的效应必然被高估
【锚点】这篇只钉一个判断:【赢家的诅咒】(winner’s curse)和【发表偏倚】(publication bias)不是两个学科的两条经验,是同一个算术事实——从 n 个无偏但有噪声的估计里取最大值,期望必然向上偏,而且偏多少可以算出来。
【显式】Capen、Clapp 与 Campbell 1971 年在《Journal of Petroleum Technology》记录了一个可查的事实:墨西哥湾油气租约拍卖上,各公司对同一块地的地质评估本身是无偏的,但中标的永远是出价最高的那家,行业长期回报低于资本成本。他们没有把这解释成「公司太蠢」,而是解释成一个算术:赢家是 max。
【隐式】把第 i 个团队的估计写成 θ_i = θ + ε_i,ε_i ~ N(0, σ²)。中标者拿到的是 θ + σ·E[max of n 个标准正态]。这个期望不是 0,它随 n 单调上升。
【细微】E[max of n iid N(0,1)] 的数值(可查表核验):n=2 → 0.56;n=5 → 1.16;n=10 → 1.54;n=20 → 1.87;n=100 → 2.51。
【流程节点链路】起点:n 个独立团队对同一个真值 θ 各自做无偏估计 → 中间节点1:每个估计都带 σ 的噪声 → 中间节点2:只有「最大/最显著」的那个被选中(中标,或被发表)→ 中间节点3:被选中者的期望 = θ + σ·E[max] > θ → 终点:观测到的效应系统性高于真值,偏差量级 ~ σ·√(2 ln n),随 n 增长。
【一个可算的例子】设真效应 θ = 0(某干预其实无效),每个团队的估计噪声 σ = 0.1(效应量的 10%),有 n = 20 个团队在做同一个问题。被选中的那个估计期望是 0 + 0.1 × 1.87 = 0.187。也就是说,一个完全无效的干预,在「只发表显著结果」的机制下,会稳定地呈现出一个约 0.19 的效应。这不是造假,每一步都是无偏的。
【极难发现】漏斗图不对称诊断,本质上就是在估这个 max 的偏差——但它的盲点是:如果 n(真正做过同一问题的团队数/分析数)不可观测,偏差就【不可识别】。你只看到被选中的那个,看不到它打败了多少个。所以所有 file-drawer 校正都是欠定的:它们对一个从未观测到的分母做假设。
【博弈论的补刀】这不是「非理性」,它是一个均衡。在共同价值拍卖里,每个投标者都理性、都无偏,均衡结果仍然是系统性超付——因为「我赢了」本身就是关于「我高估了」的信息。理性的修正不是「更努力地估计」,而是 bid shading:按「我是赢家」这个条件重新出价,把出价下调约 σ·E[max]。同理,科学的 bid shading 不是让每个团队更保守,而是让机制报告分布而不是报告 max。
【值得辩论的问题】预注册解决的是「哪个分析」这个分叉,但解决不了「哪个团队」这个分叉。如果发表偏倚是 max 算子,真正缺的机制是什么?是登记「有多少人在问同一个问题」(补分母),还是要求报告全部估计的分布(去 max)?我倾向于前者不可行、后者才可操作——你怎么看?







0 評論