用 實驗 中間 部分 的 一百 個 測試 計算 — 因為 那時 受 試 者 已經 注意到 紅燈亮 的 次數 比 藍 燈 多 ， 從而 開始 在 70 % 的 測試 中 預測 紅燈 會 亮 了 。 因為 在 一百 次 測試 中 有 70 次 亮紅燈 ， 受 試 者 在 這 70 次 中 有 70 % 的 準確率 ︵ 因為 受 試 者 在 70 % 的 測試 中 預測 紅燈 會 亮 ︶ ， 也就是說 ， 受 試 者 在 70 次 中 有 49 次 正確 的 預測 ； 一百 次 測試 中 有 30 次 亮 藍 燈 ， 受 試 者 在 這 30 次 中 有 30 % 的 準確率 ︵ 因為 受 試 者 在 30 % 的 測試 中 預測 藍 燈 會 亮 ︶ ， 也就是說 ， 受 試 者 在 30 次 中 有 9 次 正確 的 預測 。 因而 ， 在 一百 次 測試 中 ， 受 試 者 的 正確 預測 是 58 次 ︵ 49 加 9 ︶ 。 但 請 注意 ， 這 是 多麼 可憐 的 成績 啊 ！ 如果 在 受 試 者 注意到 哪 一 盞 燈 亮 得 比較 多 後 ， 就 總是 預測 是 那 盞 燈 會 亮 — 在 本 實驗 中 ， 就 是 注意到 紅燈亮 的 次數 比較 多 ， 就 總是 預測 紅燈 會 亮 ︵ 姑且 稱 之 為 百分之百 紅燈 策略 ︶ ， 一百 次 測試 中 將 有 70 次 正確 的 預測 。 雖然 在 藍燈亮 的 30 次 測試 裡 ， 受 試 者 都 沒有 預測 對 ， 但是 總 準確率 仍然 高達 70 % — 比 在 紅燈 與 藍 燈 之間 換選 ， 以 追求 百發發 中 的 58 % 準確率 高出 12 % 。 然而 ， 百分之百 紅燈 策略 取得 的 較 高 準確率 ， 是 要 付出 代價 的 ： 必須 放棄 百發百 中 的 雄心 。 ︵ 顯然 的 ， 雖然 明知 有時 藍 燈 會 亮 ， 受 試 者 還是 預測 紅燈 ， 就 表明 他 已經 失去 在 藍燈亮 的 測試 中 命 中 的 機會 ︶ 。 這 就 是 我們 所 說 的 接受 錯誤 以 減少 錯誤 ！ 放棄 在 預測 每 一 單一 事件 時 不 犯 錯誤 的 想法 ， 會 讓 受 試 者 獲得 更 高 的 總體 準確度 。 同理 ， 如果 我們 要 在 預測 人類 的 行為 時 有 一定 的 準確度 ， 有時 就 必須 接受 錯誤 以 減少 錯誤 ， 也 就 是 ， 在 依靠 一般性 原則 作出 比較 準確 預測 的 同時 ， 也 要 承認 我們 不可能 每 個 單一 事件 都 預測 準確 。 但是 ， 接受 錯誤 以 減少 錯誤 ， 說來 容易 做來 難 。 心理學 這 一 領域 裡 ， 人們 花 了 四十 年 時間 研究 臨床式 預測 ︵ clinical prediction ︶ 和 精算式 預測 ︵ actuarial prediction ︶ 這 一 課題 ， 就 是 有關 ﹁ 做起來 難 ﹂ 的 最 好 例子 。 精算式 預測 是 指 依據 統計 資料 分析出來 的 群體 趨勢 所 作 的 預測 。 在 本 章 一 開始 所 討論 的 群體 ︵ 也 就 是 總體 ︶ 預測 就 是 屬於 這 種 。 一 種 簡單 的 精算式 預測 是 ， 針對 凡是 具有 某 種 特徵 的 所有 個體 ， 作出 相同 的 結果 預測 。 所以 ， 預測 不 吸煙 者 的 壽命 是 七七 ． 五 歲 而 吸煙 者 是 六四 ． 三 歲 ， 就 是 一 個 精算式 預測 。 如果