UNCERTAINTY METHOD
贝叶斯更新
BAYESIAN THINKING从初始概率出发，根据证据的区分力持续更新判断。
什么时候该用，什么时候别用？
- 诊断、预测需要随新证据变化
- 证据有噪声，不能一锤定音
- 容易因一条新消息大幅摆动
- 把随意数字装成精确概率
- 证据与假设几乎无区分力
贝叶斯更新的具体操作步骤
按顺序完成；每一步都要留下可以复查的文字或证据。
- 01
设定先验
使用基准率或明确的初始区间。
看到新证据前，这件事有多常见？
- 02
判断证据方向
比较假设为真和为假时出现该证据的可能性。
这条证据更支持哪种世界？
- 03
更新而非翻转
按证据强度上调或下调，不把弱信号当作证明。
应该改变多少，而不只是改变方向？
- 04
寻找下一条证据
选择能最大区分剩余假设的信息，循环更新。
哪条证据最可能改变行动？
跟着一个例子完整走一遍
原始问题
判断用户流失是否因为涨价。
- 1
历史上月流失率 4%，这是先验基线。
- 2
涨价组流失 8%，但该组同时包含更多低活跃用户。
- 3
按活跃度匹配后，涨价组仍高出 2 个百分点。
- 4
判断从“可能”上调为“较可能”，再用分批优惠实验验证。
得到的结论
结论随着证据逐步增强，没有从相关性直接跳到确定因果。
复制后直接填写
第一次不用追求完美，先把空白处填出来，再根据证据修改。
假设：【】
先验概率/区间：【依据】
新证据：【】
P(证据|假设真) 与 P(证据|假设假)：【】
更新后判断：【】
下一条高价值证据：【】看似在用，其实容易用错
- 没有先验，只被最新消息牵着走
- 重复使用同一来源的相关证据
- 概率变化不影响任何行动