第15章 少即是多（less is more）合取謬誤（conjunction fallacy）
Linda case 根據一段大學生活的描述，請猜測 Linda 的可能性：
（1）Linda is an accountant
（2）Linda is an accountant and a human right fighter
大多數學生會選擇（2）， 因為有聯想連貫性（coherence）貌似正確（plausibility）與可能性（probability），但是在統計上，應該是（1）；也就是說人們在做判斷，經常會對較多資訊者，會去連貫與揣測。
Cookware case 有兩套餐具，市價約 30～60元，A套包含8組碗盤， B套包含8組碗盤附贈8組有破損的杯叉。請三組估價（1）看到AB兩組， （2）只看到A組，（3）只看到B組，
結果（1）認為A值32元，B值30元； （2）認為A值 23元，（3）認為B值33元。
這研究叫做少即是多，也就是合取謬誤。太多反而被忽略了。
HH：人們通常忽略更大的統計總數，而會選擇貌似合理（自己推想）的選擇。我們系統二經常會忽略或接受貌似合理的系統一預測。
第16章 因果關係的刻板印象（casual stereotype）比統計數據更具有說服力
在一個城市發生計程車肇事逃逸，要追捕計程車司機時。
統計學的基礎比率（statistical base rate）根據註冊數，綠色計程車佔85%，藍色計程車佔15%。
因果關係基礎比率（casual base rate）在過去的經驗中，綠色計程車的肇事數量佔85%。
如果有個目擊證人說他80%相信是藍色計程車肇事，而20%認為是綠色計程車肇事。
--》前一個統計訊息，並不會影響媒體與警方的判斷。而傾向接受目擊證人的訊息。
-->後一個因果關係的訊息，則可能會影響甚至蓋過目擊證人的資訊。
這就是思維定式（stereotype），我們看到綠色車肇事率85%，就會有刻板印象，綠色車是莽撞的，而忽略他的數量較大。
HH：統計上，這個城市有A/B兩種人口各佔50%，而且A/B種人的犯罪率各佔 50%。
但是媒體報導上，B種人口的犯罪新聞是80%， A種人口犯罪新聞只有20%。
因此又發生一次犯罪案，我們系統一傾向認為B種人犯罪可能性高。
我們需要小心，刻板印象影響我們的思維與決策。只因為被媒體/社群或自己的經驗而影響。
第17章 回歸平均值（regression to the mean）是個好定理，但是亂用因果關係解釋就錯了
回歸平均法，來自Galton爵士在1886年發現的《遺傳身高會趨向平均值》
100個小學生的體重與吃冰淇淋的重量進行回歸， 對鋼琴技能與練習時長進行回歸。
進而再回歸分析，體重受到年齡&冰淇淋的影響， 鋼琴技能收到年齡與練習時間的影響。
相關係數，可以協助我們解釋兩個變數之間的相關性。
其他的回歸：例如大多數聰明的女人嫁給不聰明的男人。
大多數憂鬱症兒童喝了某種飲料，身體狀況在三個月內明顯改善。
回歸平均法，是系統二的統計方法，他會找出一些現象，但是這些現象很難解釋。
有些專家會就回歸現象逕行系統一錯的「因果關係」解釋，那是危險的。
HH：回歸平均值，是一個偉大的觀念，我們應該知道所有的事情，有好有壞，今天表現好明天可能會變壞。觀察一個人，當下很棒，錄用她之後，可能會變壞。困難的是找出他的平均值。
HH：解釋回歸現象，以及找出那些變數之間有相關，這是需要系統二的 費神。
HH：用因果關係解釋回歸現象，就需要很小心。很多變數之間具有「相關性」，但未必具有「因果關係」，我們不要落入「因果關係」的陷阱。
第18章 直覺性預測綜合了各種直覺偏差容易發生錯誤
我們由信息與問題激發聯想記憶，然後自我反饋，然後選定連貫性的合理性方案。
例如，Julie 4歲就能閱讀，現在大學4年級，請預測她的GPA？他的閱讀能力（信息證據），與GPA（預測目標）之間是否存在因果關係？我們系統二會希望取得更多資訊，但是系統一卻想要摒棄無關的證據。替代與快速配對：小時候能閱讀，代表聰明，因此他的成績應該很好。強度匹配：根據你對他的理解，會把閱讀能力的強度與他的GPA匹配起來。最後就會轉化，用自己的印象來預測GPA平均值。
直覺性預測偏差，來自前述各項的「捷思」：（舉例來說，要從兩個候選人，選出一位）
（1）小樣本的資訊：詢問少數專家的意見，專家會給予極端的意見，影響判斷。
（2）少即是多：兩個人的資訊，有人少很多，寫有人多，詳細的人看似更明確（溢美之詞）。
（3）眼見為憑 WYSIAI：其中一個人在口試的表現比較順暢出色。
HH：克服直覺性預測的偏差，就是不要揣測「因果關係」，而是找出兩位候選人的「回歸平均值」，他們兩人今天的表現，是不是特好或特懷，他們從過去的經驗平均值在那裡，他們的趨勢線是變好還是變壞，未來的回歸平均值是多少？
