「噪声就像地下室漏水，它之所以能被容忍，不是因为人们认为它是可接受的，而是因为它一直未被发现。」
如果用一句话概括本书，大概是：「离散度（或者说变异性）如何影响决策质量」。阅读过程中再一次让对统计学的理解仍然是一知半解的我，切实感受到它是有很多实际价值的。
作者引用了很多实际的案例，让对很多概念不再如此晦涩难懂，这是非常难能可贵的。所以大可不必被一些逼格甚高的书评吓退，比起什么「行为经济学」、「神经脑科学」，阅读无外乎需要一点初中数学的知识罢了。读的过程中要克服畏难情绪，看到比较难懂的内容反而要沉下来心来去啃，这正是让大脑主动消化最好的机会。
本书的主要作者是无需过多介绍的丹尼尔卡尼曼，「思考，快与慢」的作者。发现作者已经是一个年近90的老人，真的是让我大受震撼。当然因为珠玉在前，本书也有很多概念是「思考，快与慢」中的内容，看起来可能会稍有些重复，但是倒也不觉得啰嗦，毕竟我也没信心说之前看过的内容现在就已经完全捻熟于心了。
今天努力想把这本书讲清楚，其实也是为了加深自己对这本书的理解。
为什么噪音普遍存在？
为什么噪音普遍存在于这个世界呢？作者指出，其中一个原因是大多数人想当然的认为「其他人对世界的看法与我差不多」，这种信念也被称为「天真的现实主义」。表明我们认为自己的想法是大多数人认同或接受的，所以我们非常容易受到「知识的诅咒」的禁锢，比如在公司和其他部门合作过程中，因为彼此关系友善反而更容易觉得你所认为的「共识」，就是大家已经达成的共识。而不会注意到其实其他人的想法可能和你的想法其实没这么一致。
第二点来源于我们对分歧的不适，大多数人会努力削弱分歧带来的冲突感。就像明明知道两个面试官独立对一个面试者打分会更可能得出客观的结果，但是这样造成分歧和争议的风险更高，所以后面的面试更像是对不确定人选的一种审查，容易流于形式，而不再是对面试者做出客观的考量。
此外，哪怕我们经常做复盘还是不会留心到这种分歧的广泛存在。复盘通常复盘的内容是「错误」而不是「噪音」。如果真的犯了决策「错误」是很容易被识别的。但是「分歧」通常没有被认为是错误，所以没有被拖出来复盘，而是深藏在日常的每一个判断中。所以就算我们积极做复盘，还是只能复盘明显的错误。对于我们识别客观存在的分歧没有帮助。
偏差和噪音
本书伊始，作者奇妙的使用最小二乘法诠释了「偏差」和「噪音」，这也是本书的理论基础。作者引入了「均方误差」（MeanSquaredError，MSE）的概念，即个体误差平方的平均值。MSE的好处是，它可以同等对待正向误差和负向误差，并且不成比例地处理较大的误差（比如就A和B的智商和情商打分，A得9和3，B得到8和4，我们容易人为的放大9和8之间的差距，哪怕总的误差是一致的）。
这里的现实含义是：无论是正向还是负向误差，其错误造成的影响是累加的，不会互相抵消。实际场景中，多人对「一件事」做预测，噪音可以被消减（也是作者提到的「噪音审查」的实际应用）。一个人对「多件事」做预测，噪音会被累加。比如一个法官给a少判三年，给b多判三年，也不会让这个法官更公允。
可以写为：「总体误差（均方误差）=偏差2+噪声2」由图可见，在决策过程中，偏差和噪声可以互换，因此无论是减少噪声还是减少偏差，对减少总体误差而言意义是一样的。
此处，我们可能要进一步解释偏差和噪音的统计和现实含义。偏差代表误差的平均值，反映了所有判断均值和真值的差距。噪音则代表误差的标准差，反映了不同判断的离散度。
一个反直觉的事实是，无论偏差的大小如何，减少噪声都有益处。以图为例，和减少偏差不同，噪声的减少似乎使问题变得更严重了——预测更加集中了，而不是更准确了。84%的预测落入真实值的一侧，更多的推测落在了真实值右边。
但是我们发现，试图降低噪音的行动让偏差显得更明显了。如果我们用一种发展性的思维来看待问题，如果减少噪音让我们意识到偏差的程度很大，下次我们就更有可能修复这种偏差。如果不消除噪音，我们可能更难测量正确的偏差程度。
我们通常认为，噪音的影响比偏差更大，为什么这么说？
如果判断值中有84%比真值高，有16%比真值低，就表明偏差的影响较大——换句话说，如果判断呈正态分布，那么只有84%的判断都高于或低于真值时，偏差和噪声的影响才相等。如此大的偏差是相对好识别的，而当偏差小于一个标准差时，噪声就在误差中占主导地位了。
这也是为什么噪声不容易被人觉察，也很少被讨论，而偏差更容易被留心的原因。对于喜好归因的我们来说，当发现错误我们可能很容易发现偏差（决策中的方向性错误），但可能不会留意任何噪声。「只有用统计思维来看待世界，我们才会看到噪声，但这种统计思维并非与生俱来，因为我们往往更喜欢因果性的故事」。
噪声的3种类型
理解噪音，或者说更好的记忆噪音，这里又要做一个拆解，噪音2=水平噪音2+模式噪音2=水平噪音2+（稳定的模式噪音2+情景噪音2）
简单来说，水平噪音指的是不同个体之间的特异性或者说做判的平均水平，反映了个体和均值之间的差异。比如有的老师得分比较严格，有的老师打分比较宽松。作者提到了一个比较极端的例子：是否给予庇护权决策就像轮盘赌，庇护申请指派给不同的法官后，「一位法官批准了5%的申请，而另一位法官却批准了88%的申请」。
所以这种噪音就像某种「人格特征」，你可以将决策者按「非常严厉」到「非常宽容」进行排序，就像人格测试里经常让你选择你乐于助人的倾向是怎么样的，外向程度又是怎么样的。
模式噪音则是不同个体对不同事件产生的交互作用和特殊的反映，通常反映了一些相对「模式化」的个人偏好和价值观，比如有的老师对更富有批判性的论文情有独钟，有的老师则对表达了独创性观点的论文情有独钟。
而哪怕是同一个人，也可能会对同样的事件产生不同的反应，这种反应来源于一种特殊的噪音——「情景噪音」。说直接点，就是有时候我们的决策就是看心情的……比如你的老师是曼联球迷，曼联赢球了导师就会倾向于给高分。但是这只是最朴素的解释，作者提出大脑的即时变化「不源于天气或分心等外部因素的影」，有时只是一种大脑自身运作的特征，所以对于情景噪音具体有哪些影响因子，我们仍然接近于一无所知。
但是幸运的是，情境噪声所占的比例通常小于个体间差异（即前文提到的「水平噪音」）。「你不可能永远是同一个人，随着时间的流逝，你远没有你所想象的那么前后一致；但令人欣慰的是，与其他人相比，今天的你更像昨天的自己。」换句话说，对难民来说，哪怕遇到的是心情不好的宽松法官，也比遇到心情很好的严厉法官强些。
全书比较敦实，一篇聊不完，今天先到这儿。明天继续聊一聊如何减少噪音带来的影响避免噪音过程中可能存在的风险。点个在看你最好看
Ver0为我的梦想加油??????
