回归效应无处不在。今天看了《思考，快与慢》第十七章(所有表现都会回归平均)，我学到了认知：

回归效应无处不在，最好的预测是直接采取均值。

本笔记以一个问题开头，答案在文末。请不要先跳到答案。

问题:一家连锁百货商店。所有的连锁店在规模和产品类型上都非常相似，但它们的地理位置、竞争和其他随机因素使这些产品的销售有所不同。

现在我们知道2022年连锁店的营业额是810万，计划2023年完成891万，增长10%。怎样才能给每个连锁店制定一个比较合理的任务？

连锁店，2022年110万家。

连锁店22022230万

连锁店：30022，180万。

连锁店42022290万

你的答案：

连锁店12023？一万

连锁店22023？一万

连锁店32023？一万

连锁店42023？一万

回归效应无处不在，它的发现不亚于万有引力

卡尼曼在这本书中反复陈述了我们的大脑运作:

我们的思维往往偏向于因果关系的解释，不善于处理统计数据。

当我们专注于一个事件时，相关的记忆开始探究其原因——更准确地说，我们会自动搜索记忆中已经存在的所有原因。

当发现一个现象时，因果解释就会被激活，但实际上这些解释都是错误的。

比如老话，老子是英雄不过英雄。这句话一般用来赞美比我们高的人，无论是地位还是认知。

我们在注14中说过，人们习惯于从特殊现象中概括普遍性。可能只是我们身边的一个特例，但我们认为这是一种因果关系并固化到我们的思维定势中，用普遍现象的解释。

这肯定是不对的。

2.

这时，我们需要引入“相关系数”:的概念，它是指两个值的公因子的相对比例，在零和一之间波动。

例如，用英制单位测量的结果和用公制单位测量的结果之间的相关系数是1。换句话说，任何影响一个价值的事情都会影响另一个价值。两者享有同样的决定性因素。

我们家庭收入和电话号码后四位的相关系数为零。也就是两者没有关联。

刚才我们提到老子和他儿子的相关系数是1，那么老子是英雄这句话，实际情况应该是很低的。你可以通过家族企业成功时间的统计得到一个相对准确的答案。

3.

我们生活中的大多数因素相关性都很低，当两个因素的相关性不高时，就会出现回归平均值现象。

比如高考滑雪比赛，运动员的第一跳和第二天是独立的项目，没有相关性，所以如果他的第一跳极其优秀，那么他的第二跳就极有可能回到他日常训练的平均水平，也就是回到平均水平。

回归效应无处不在

但是，很多可以说明这一效应的误导性因果事件同样司空见惯。

例如，& quot体育画报的诅咒& quot书中提到说，任何一个等待《体育画报》封面的运动员，在接下来的赛季里都会表现不佳。

我们因果关系的解释是，名人、很多粉丝、观众的高期待给他带来了很大的压力，造成了表现不佳。

实际原因可能是因为他本赛季运气好，各种因素都有利于他的表现，所以变现极好，也因此上了《体育画报》的封面。但是下个赛季，他就没那么幸运了。

他下赛季的表现，如果现在预测的话，应该是回归平均水平，也就是他的真实实力水平。

他第一季的表现和第二季的表现没有因果关系。但这个道理和现实是我们所有人都不愿意认同的，总想找个理由。比如个人膨胀，不注重锻炼，耍大牌等等。这些是我们简单的直觉者愿意接受的解释。

我们所能作的最佳推测是采用平均值——既不好也不坏

但是我们很容易被因果关系影响。这是我们要时刻注意的。

例如，如果我们知道一个高尔夫球手第一天的分数，我们应该预测第二天的分数。假以时日，我们知道最好的预测是取平均值，但接受因果关系习惯控制的大脑会做出这样的预测：

一个第一天表现好的高尔夫球手，第二天也会表现很好，但还是会比第一天差一点，因为第一天遇到的好运，第二天可能就不会再遇到了。

一个第一天表现不好的高尔夫球手，第二天可能得分低于平均水平，但他会有所改善，因为他第一天的霉运可能不会持续。

虽然我们会猜测第一个玩家第二天的表现会比第二个玩家好，但是他们之间的差距会缩小。

你看，我们的预测仍然会受到我们自己的影响。

事实上，对选手第二天的表现最准确的预测通常是最保守、最接近平均值的，而不是基于第一天分数的预测。

原始数据越极端，我们所期待的回归就越明显

真相：因为对人友好而受到惩罚，因为举止无礼而得到嘉奖。

卡尼曼在书中写到，他发现

人类环境中一个意义重大的事实：生活给予我们的反馈常常违背常理。因为当别人取悦我们时，我们也会对他好；当别人对我们不好时，我们也会对他产生厌恶之情。然而从统计学角度来看，我们却是因为对人友好而受到惩罚，因为举止无礼而得到嘉奖。

如何理解这句话？

当别人取悦我们时，我们也会对他好，我们认为他下次的表现会更好；当别人对我们不好时，我们也会的对它产生厌恶之情，因为我们认为它下次的表现会更坏。

现在我们知道了回归效应。

那我们就应该知道，没有人会一如既往的对你好，也没有人会一如既往的对你坏，我们于他人之间的相关性是不高的。

他所表现得好，可能只是极端现象，他下一步的表现大概率是回归均值。

这才是卡尼曼所说的重大的事实：我们因为对人友好而受到惩罚，因为举止无礼而得到嘉奖。

这才是现实，世界上没有真正的感同身受，我们是一个独立的个体，我们不能把期望放在别人身上，放到别人的反应上。我们要把更多的注意力放在自己的成长上，只有你成长的足够强壮，你才有能力帮助别人。而帮助别人不是为了求得回报，而是体现的你的社会价值。

回答最前面的问题。

当我们要在2023年完成10%的总体增长率的时候，我们最经常使用的办法是给每一个店下达增长10%的任务，甚至为了防止个别连锁店无法完成，拖累整体目标，我们会增加每个店的增长指标到13%，甚至更多。

而当我们学习了回归效应。

我们实际上做的是要通过连续多年数据统计，获得一个连锁店的均值收益，然后围绕这个均值去制定相应的增长指标。

2022年表现太好，超出均值太远的连锁店，不能给他在2022年完成上增加10%，因为它2023年大概率会回归它的均值。

要围绕均值去做计划，调动资源。