第十章 大數法則/小數定律 Law of small number
美國鄉村的腎臟病發病率高於都市。這是小樣本的偏誤，因為鄉村的人口少，統計的發病率偏高。小樣本需要考慮較高的出錯風險。
信任高於質疑的偏見：很多時候，我們聽到一個報導「在針對300位老人的調查，60%支持現任總統。」S1不太會質疑，聽到300人，就以為是有事實根據，然後就相信「老人/支持/總統」。若相信，S1就會根據連貫性與聯想，去合理化這個論點。
對於小樣本的個例，找出因果關係，結果必然是錯的。很多人會因為看到少數隨機性成功案例，就會希望從這些成功案例中，創建成功模型，並且作為普遍性的原則。例如針對美國賓州1600個學校中的前50個排名的學校，歸納出與眾不同之處。～但忽略了這50所學校，有6所規模較小，是否受到小樣本的調查而產生偏誤？
在我們有足夠大的樣本之前，小樣本調查的結果，可能都需要被重新檢定其有效性。
第11章 錨定效應 Anchoring
人習慣收到任何先入為主的數字作為參考點
錨定的調整值：調整值= 錨定點 與 我們預測值 的差距；我們通常會有自己的S1直覺，要往上或往下調整。例如有人問你在玉山上的沸點是幾度？蔣中正那一年當選總統？
錨定就是一個建議suggestion /觸發（priming effect）/ 暗示 hint
你認為最高的紅衫樹木是 1200英尺更高，還是更低？
你認為最高的紅衫樹木是 180英尺更高，還是更低？
第一組的回答平均是844英尺。第二組回答平均是282英尺。
錨定指數 =（ 844- 282）/ （1200 -180）= 55%
這是典型的錨定指數，～50%
第12章 可得性（availability）捷思
美國鄉村的腎臟病發病率高於都市。這是小樣本的偏誤，因為鄉村的人口少，統計的發病率偏高。小樣本需要考慮較高的出錯風險。
信任高於質疑的偏見：很多時候，我們聽到一個報導「在針對300位老人的調查，60%支持現任總統。」S1不太會質疑，聽到300人，就以為是有事實根據，然後就相信「老人/支持/總統」。若相信，S1就會根據連貫性與聯想，去合理化這個論點。
對於小樣本的個例，找出因果關係，結果必然是錯的。很多人會因為看到少數隨機性成功案例，就會希望從這些成功案例中，創建成功模型，並且作為普遍性的原則。例如針對美國賓州1600個學校中的前50個排名的學校，歸納出與眾不同之處。～但忽略了這50所學校，有6所規模較小，是否受到小樣本的調查而產生偏誤？
在我們有足夠大的樣本之前，小樣本調查的結果，可能都需要被重新檢定其有效性。
第11章 錨定效應 Anchoring
人習慣收到任何先入為主的數字作為參考點
錨定的調整值：調整值= 錨定點 與 我們預測值 的差距；我們通常會有自己的S1直覺，要往上或往下調整。例如有人問你在玉山上的沸點是幾度？蔣中正那一年當選總統？
錨定就是一個建議suggestion /觸發（priming effect）/ 暗示 hint
你認為最高的紅衫樹木是 1200英尺更高，還是更低？
你認為最高的紅衫樹木是 180英尺更高，還是更低？
第一組的回答平均是844英尺。第二組回答平均是282英尺。
錨定指數 =（ 844- 282）/ （1200 -180）= 55%
這是典型的錨定指數，～50%
第12章 可得性（availability）捷思
HH：我們人容易受到重大事件/突出事件與親身體驗事件等影響，而有可得性的偏差。若要操縱人的記憶，就是用假新聞，駭人聽聞的故事，或是創造個人化體驗的驚奇。
很多人就說「跟著感覺走」，跟著自己「無法解釋的印象或可得到的經驗」來做判斷。
這些記憶，來自最有印象（新聞/社群大事件），最驚訝（情緒震驚的），驚奇（出乎理性預期的），都會影響到可得性。
第13章 可得性層疊（availability cascade）
情緒的捷思，emotional heuristic，利用消費者的健康畏懼心理，來讓消費者加深印象。例如吃某種食物容易得癌症。競選人的廣告可以訴求感性的細節，來操縱選民的情緒。不斷加深印象，假新聞也可能變成話題。
可得性層疊，就是先用次要事件鋪陳，然後逐漸帶進主題，最好造成大眾的恐慌，因此大規模的政府行動。以1979年紐約州垃圾事件為例，拉夫運河與垃圾掩埋場的有毒廢水，先有科學家誇大的危險程度，然後媒體報導，然後環保人士抬棺材遊行，直到政府立法管理污水，以及成立環保基金等等。就是一連串的媒體操作，有一些事證（未必是真實），然後訴求情感的恐慌，再加上政府的參與，造成重大事件。但是是否只是人為操作，不得而知。
另一個案例艾拉化學品作為蘋果殺蟲劑的影響引起人購買蘋果的恐慌，後來研究發現，這是小問題的過激反應。
第14章 典型性（representativeness）
Tom Case：案例：湯姆是某大學的一位研究生，根據他高三對他所做的心理測驗報告，請受試者填寫Tom 在大學主修什麼學科？根據其描述，我們人類容易找出其 「典型性特徵」（representativeness），而忽略統計上的概率。
也像在紐約地鐵看到有人在讀「紐約時報」，請推測這個人的學歷（1）博士學位，（2）沒有讀大學。通常人們會聯想到他可能是（1）。
這邊提到兩個典型性的直覺謬誤（intuition bias from representativeness ），（A）我們忽略基礎概率，在地鐵上出現博士的機率遠小於後者。（B）我們忽略需要找尋更多的證據來支持判斷，而完全交給系統一，直覺直接判斷。
HH：我們必須注意到我們的系統一經常會做出「較少概率可能發生」的方向，看到車禍的BMW車輛，就會聯想到某種特定的人族群或特定的可能性，但那種可能是我們自己猜想出來的，可能不符合大概率；另外，我們會自行預測，然後亂說出口，並沒有再去尋找更多的證據來支持我們的推理，然後就以自己的推測作為自己聰明而沾沾自喜。
HH：我們也容易在看到一些表徵（representativeness）後，就會聯想，然後推論，然後自作聰明的編成故事。其實都沒有求證，也忽略大概率發生的狀況。
