基础比率谬误：定义、示例和避免方法

什么是基础比率谬误？

基础比率谬误（Base Rate Fallacy，也叫基础比率忽视）是指：根据具体证据判断某件事的可能性时，忽略了它本来有多常见，也就是它的基础比率。基础比率很低时，即使信号相当准，报出来的也大多是假警报，而人们总是低估假警报有多少。

Daniel Kahneman 和 Amos Tversky 在 1970 年代描述了这个现象。他们的「出租车问题」让人根据证人对车身颜色的描述做判断，大多数人忽略了城里 85% 的出租车都是另一种颜色。在数据分析里，只要罕见事件遇上不完美的检测方法，就会出现这个问题：欺诈、机器人、流失预测、「赢了」的实验。

背后的数学：贝叶斯定理

收到阳性信号时，事情为真的概率是：

P(为真 | 被标记) = P(被标记 | 为真) × P(为真)
                  ÷ [ P(被标记 | 为真) × P(为真) + P(被标记 | 为假) × P(为假) ]

换成白话：所有被标记的里面，真的占多少？这个比例叫精确率（阳性预测值），它在很大程度上取决于基础比率 P(为真)，而不只是检测方法本身准不准。

例 1：机器人检测

假设某网站有 2% 的会话是绕过了基础过滤的机器人（示例数字）。一条行为规则能抓住其中 95%，同时会把 3% 的真人会话误判为机器人。

10 万次会话里：

被标记的 4,840 次会话里，只有 1,900 次是机器人：39%。一条听起来「准确率 95%」的规则，触发时错的比对的多，因为真人比机器人多得多。如果把被标记的会话全删掉，会删掉 2,940 个真实访客。

所以处理机器人流量通常会叠加多种信号，并让边界情况可以复核，而不是直接丢弃。见机器人检测原理和报告误判。

例 2：「赢了」的 A/B 实验

假设团队测试的点子里有 10% 真的能提升指标（基础比率），实验的统计功效是 80%，显著性水平 5%。

100 次实验里：

• 10 个真有效 × 80% 被检测到 = 8 次真胜出
• 90 个无效 × 5% 假阳性 = 4.5 次假胜出

12.5 个「显著」结果里只有 64% 是真的。如果好点子的基础比率是 5%，这个比例降到约 46%。显著不等于 95% 的保证，显著结果里真效果占多少，取决于你的点子多常奏效。中途偷看、同时检验很多指标，会让这个比例更低，见 p 值操纵。

例 3：分群对比

「打开过定价页的用户转化率 12%，整体只有 2%，所以要把所有人都推去定价页。」这里的基础比率陷阱更隐蔽：主动去看定价的人本来就更可能购买。要在同等条件下比较，并记住 12% 描述的是一个自我选择出来的人群，见混杂变量和相关和因果。

怎么避免基础比率谬误

1. 先问基础比率。 在任何证据出现之前，这件事本来有多常见？写下来。
2. 画 2×2 表，用真实的计数代替百分比，答案会一目了然。
3. 报告精确率，不只报准确率。 对任何检测或预测都问：被标记的里面，有多少是对的？
4. 事件越罕见，假警报越多。 事件越少见，信号要越精确才有用。
5. 意外的胜出要复验。 再做一次实验或留一段对照期，把真效果和运气分开。

和相关偏误的区别

• 代表性启发： 按「像不像」某种典型来判断概率，常常导致忽视基础比率。
• 检察官谬误： 把 P(证据 | 无辜) 当成 P(无辜 | 证据)，是同一类错误的具体形式。
• 辛普森悖论： 另一种陷阱，分组构成不同导致趋势反转。

参考资料

• Kahneman, D. and Tversky, A. (1973). On the psychology of prediction. Psychological Review, 80(4).
• Bar-Hillel, M. (1980). The base-rate fallacy in probability judgments90046-3). Acta Psychologica, 44(3).
• Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8).