8.3 挪亚方舟批判

《信念共同体：法和经济学的新方法》8.3 挪亚方舟批判,页面无弹窗的全文阅读!

在上一节中，我们讨论了利用统计信息，特别是有关群体的统计信息进行决策时面临的规范性和伦理性挑战。正如在第5章中看到的，使用这些信息对个人而言也许是合理的，但可能产生不良的社会后果。上一节中谈到了如何应对应然性的挑战，在此节我将转向实然性的问题。虽然有大量的科学知识依据于统计信息，但我们如何利用统计信息才是合理的呢？我想指出，即使利用基于完美的随机控制实验得出的信息，也存在一些经常被忽视的缺陷。最后我想表明，只依靠归纳和统计的信息并不能给我们提供知识，直觉的运用是不可避免的。

长期以来，人类一直受困于不愿使用数据和统计来帮助创造知识。其中一个最著名的例子来自人类最伟大的思想家之一亚里士多德。亚里士多德对男女之间的差异有很多看法，例如他坚信女人血液的颜色比男人深，牙齿比男人少。虽然对于一个人是否存在灵魂，我能理解人们对此会有不同的看法。因为灵魂是什么、如何通过这种或那种方法证明它的存在，都还不清楚。然而上述对于血液和牙齿，尤其是牙齿的信念，确实令人困惑。一个人所要做的不过是让男人和女人张开嘴，并数一数。亚里士多德并没有这样做，似乎体现了拒绝任何形式的数据和统计的固执。然而，人们必须谨慎提出对亚里士多德的这种指控，因为在其他地方，他又小心翼翼地强调事实的重要性。例如，在《动物的历史》（History of Animals，约公元前350年）一文中，亚里士多德指出，“男人，雄性绵羊、山羊和猪的牙齿比雌性多；对于其他动物，还没有进行观察”，从而显示出他对事实的一丝不苟。

幸运的是，这已不再是一个有争议的问题。我们现在生活在证据和数据的时代。在本书中，我也在几个地方使用了统计信息。在社会科学中利用这些信息，特别是遵循随机数法则所得的信息，有着悠久却不太好的历史。最早的一些应用出现在通灵学中。1884年，法国著名的生理学家查尔斯·里歇（Charles Richet）想知道打牌的人是否可以通过看自己的牌给他人传递信息。在他的研究中，一个人必须从一堆牌中选出一张，其他人则猜他看到的是哪一张。如果完全随机的话，2 927次将猜测中732次。在他的对照实验中也确实有789次猜测是正确的。这使他得出结论：知识的传递可以直接发生在人们的大脑之间（Hacking，1988）。这个判断引发了一些对里歇的推理能力的质疑。（让人放心的是，里歇的推理能力并非无可挑剔。由于他是优生学的倡导者，他也推断出，有些种族天生就比其他种族更为优越。不用说，他自己的种族也属于优越的类别。）

最早在医学和流行病学领域，现在是经济学领域，统计信息和随机对照实验的作用正日益得到承认。的确应该如此。然而在发展经济学中，有时却走向了极端，例如将所有的知识都等同于统计信息，即那些通过随机对照实验获得的信息。然而，这是一个错误。在本书中，我多次提到生活经验和理性直觉的重要性，那么，它们应如何与通过随机对照实验发现的数据、统计信息和规律相结合呢？

首先，我们不应忘记理论和纯粹推理是知识的重要来源。如果拒绝承认这一点，要么我们的所知将大为减少，要么我们只能通过不必要的烦琐方法获取知识。为了说明后者，假设我们坚持要求毕达哥拉斯只能利用经验方法，那么他是否依然还能证明其著名的定理，就是存疑的。如果他收集了许多直角三角形并测量了各边组成正方形的面积，他可能会得出这样的结论：两个小正方形的面积之和等于大正方形的面积。但这将是一个非常低效的方法，他也会陷入“所选择的三角形是否真的是一个随机选择”的争议。毫无疑问批评者会说，他只是在地中海地区证明了这一点。

当然，通过纯粹推理发现的知识只是定义上的同义反复，但是有一些同义反复是相当复杂和不明显的，“阿罗不可能定理”就是一个很好的例子，这些发现也是对人类知识的巨大贡献。即使我们超出了循环或同义反复式的真理，认识到统计信息的局限性以及还有其他获取知识的方法这一事实，依然是非常重要的。

至于统计信息的局限性，即使最完善的随机对照实验也是基于过去的群体，并没有特别强大的理由可以保证这些实验的发现能在明天继续应用。以发展经济学中一些最好的随机对照实验为例，如查特巴塔伊和迪弗洛（Chattopadhyay and Duflo，2004）的论文，他们发现当选择一位女性领导村委会，可以改善该村公共品的供给。然而根据这一发现，并不能预期被选择的女性领导者明天会如何表现，尤其是如果坚持随机的原则。在这一原则下，只有对群体的适当随机样本进行研究，才可以对整个群体做出判断，而明天的群体可能并非原先抽取样本的群体。

要对女性领导者的未来影响做出一般性的判断，必须运用直觉和常识。在知识创造的过程中，除了发掘同义反复式的真理，运用基于生活经验得到的直觉，也是不可避免的。

正如我在其他地方论述的（Basu，2014），人类有许多获取知识的方式，拒绝这些获取知识的方式将造成很大的损害。一个孩子从出生开始，就会学到很多东西——友好的微笑意味着好事随之而来，最好远离一个带着刀的鬼脸男人，巴掌会让人疼，如此等等。如果父母要求孩子获得的各种知识必须来自合适的随机实验；否则就坚持要孩子必须抛弃这些知识，那么孩子长大后很可能会变成一个无知之人。我们通过非科学的方式获得的知识，要比我们从期刊和科学研究中学到的知识多得多。的确，迷信也出自同样的认知渠道，但我们不能就此把这些窗户全部闩上。

最后，让我表明在生活中的有些情况下，人们对那些即使经过恰当处理的统计信息，也有理由凭借经验和理性直觉加以拒绝。假设有一名研究人员来到你的小镇，在镇上进行随机对照实验，将一种绿色液体注射到随机抽取的小镇人群的样本中，实验表明这种液体能促进头发生长，而且没有副作用。如果你想拥有更好的头发，那么你会同意接受这种注射吗？

在一种场景下，你会有很好的理由拒绝注射。假设你所在的小镇恰好是一艘挪亚方舟，其中有你和另一个人，还有两条蛇、两只青蛙、两只蟾蜍等，一个庞大的种群。注射试验采用恰当的统计方法，从整个方舟的种群中随机抽取样本。

接着假设有一个邻近的小镇，其所有的居民都是人类，他们的长相和行为都和你相似。在那个镇上，众所周知有些人为了拥有更好的头发注射了同样的绿色液体，但是他们都头痛得厉害、掉光了头发。然而，这并不是随机对照的治疗行为，可能只给姓氏以A、B和C字母开头的人进行了注射，这是因为治疗是按字母顺序进行的，由于预算突然被削减，而不得不中途取消。

在上述场景下，大多数人会直觉地感到，他们最好学习邻近城镇的经验，而不是依据自身所在的挪亚方舟小镇中得出的结论，尽管前者并没有做到随机抽样，后者却有恰当的统计实验。在我看来，他们这样做是非常明智的。

挪亚方舟批判具有广泛的适用性。例如在医学领域，我们越来越依赖专家的建议——无论是医生还是谷歌搜索——来决定何时以及如何给自己用药，这从很多方面来看都是理所当然的。然而，重要的是我们也要认识到，这种“专家”意见大部分基于统计信息。在有些情况下，应根据我们长期积累的对自身的了解，来否定一些所谓的“专家”意见。幸运的是，也有医生持类似的观点。格罗普曼和哈茨班德（Groopman and Hartzband，2011）提供了大量证据证明患者自己的看法所起的作用。正如他们赞许地说（第7页）:“20世纪的杰出医生威廉·奥斯勒爵士（William Osler）……曾有句名言，当你试图破解一个复杂医学诊断的难题时，你应该仔细倾听病人的声音，因为他在告诉你答案。”

可用挪亚方舟的例子对此加以理解，医生和医学书籍告诉我们的，是通过研究成千上万病人（通常是随机抽取的）得出的结论。这些信息是有用的，但不应该被机械地用来否定所有其他类型的信息。你通过多年观察得到的关于自身的知识，虽然并没有被科学地收集，但就像上面例子中来自邻近小镇的信息那样更值得信赖，因为那里的居民比你所在的挪亚方舟小镇的生物更像你。

进一步，我可以提供一点医学建议，当然应谨慎运用此项建议。在治疗身体的疼痛或抑郁时，你应该更加注重自身的经验并加以利用，试着找出是什么引起了你的疼痛或悲伤。如果你觉得已经找到了诱因，那就试着有意触发它们几次，看看是否会引起相应的疼痛和抑郁（假设这些疼痛和抑郁在科学上不是太严重）。一个人的确可以发现关于自己的一些真相，而这可能是依靠统计数据的医生或医学书籍无法提供的，无论这些数据得到了多么科学的处理。

我们生活在一个知识越来越多地来自统计推断的时代。信用评级机构将人们的行为模式与债务违约联系起来，对人们偿还债务的可能性进行分类。我们收集不同人群的统计信息，形成对其犯罪风险的判断，并采取相应的预防措施。当我们在与来自全球的大量人口打交道时，更多地运用统计信息已经成为一种自然的趋势。但就像挪亚方舟的例子警示我们的，如果日益拒绝来自理性直觉和生活经验的知识，我们也会犯下大错。另一个警示是，我们收集不同群体特征的统计信息，形成对各自生产力水平的判断，并在劳动力市场上予以歧视的行为，同样值得质疑。

为什么常识和理性直觉会成为如此强大的知识组成部分，尚难明确。但人们猜测这可能与进化有关。我们拥有的常识很大程度上是经过许多代人的自然选择保留下来的。因此，虽然常识偶尔会误导我们，但也不能将它随便抛弃。此外，如果我们拥有了所有的统计信息，但仍没有任何简单明确的方法能够保证过去发生的事情会在未来继续发生，因此我们在形成意见和做出判断时，仍有必要利用理性直觉和常识。

参见http:// classics .mit .edu /Aristotle /history_anim. 2 .ii .html。我很感谢Michael Singer让我注意到了这一点。

我曾讨论了理性直觉（reasoned intuition）的重要性，以及为什么它在一些场合非常重要（Basu，2014）。

关于这一主题有大量的文献，这些论文探索了这一方法的效力以及其揭示因果关系的能力。以下是其中的一小部分：Banerjee（2005），Mookherjee（2005），Rodrik（2008），Cartwright（2010），Deaton（2010），Rust（2016）。