要我说,统计学概率论学得很好(甚至工作中有些人也不见得多好),不代表就能做对很多事情,我理解统计学大部分是建立在先验的基础之上的学科,没有历史数据,不做实验,不创造样本与先验,那统计学也难为无米之炊。
现实世界中,不是你统计学牛逼,你爱看数据,你认知就牛逼,你就能做对每一件事。
统计学在我看来最重要的两件事就是相关性和因果关系,大大小小的方法论和模型都是围绕这两点展开,但在现实世界中,依据相关与因果分析只能算做推断(inference),而不是做决策(decision),数据分析做得多透彻,术语理论运用的多熟练,也很有可能只是一个随机漫步的傻瓜,错把运气当能力,相关与因果分析无法保证成功,他们是用来避免愚蠢的。很多人停在 inference,而没有引入损失函数与风险结构。
那如何在各种不确定性下做出自己的决策?
数据无法量化所有东西,无法量化很多非共识,共识又不需要你量化了。聪明人做出的决定不是全靠数据,还有对某些事物发展的深刻理解,从而塑造出来的个人的认知和直觉。
关键是如何与不确定性共存,你只能不断做决策,然后失败,不断适应,不断学习,减少不确定性,增加确定性,但无法消灭不确定性。
塔勒布自己给的答案其实不是”更好地分析”,而是 asymmetry —— 让自己在错的时候损失有限,在对的时候收益无限。这不是认知问题,是结构问题。
与其提高决策质量,不如提高决策频率和可逆性。很多人在不确定时倾向于拖延、等待更多信息,但在动态环境里,快速做一个可以纠错的小决策,往往优于慢慢做一个”更准确”的大决策。Amazon 的 “two-way door vs one-way door” 说的就是这个 —— 真正需要谨慎的只有不可逆的决策。
别想着看清楚再走,而是走得让自己摔不死,同时保留改道的能力。
而看不到的就是看不到,最危险的那种人,不是承认自己看不到的人,而是用一堆过往经验和术语把自己的盲区装裱成洞见的人。