Part 1 为什么需要模型思维
01 做一个多模型思考者
1、多模型思维能够通过一系列不同的逻辑框架“生成”智慧。不同的模型可以将不同的力量分别突显出来，它们提供的见解和含义相互重叠并交织在一起。利用多模型框架，我们就能实现对世界丰富且细致入微的理解。
2、所有模型都有三个共同特征。第一，它们都要简化，剥离不必要的细节，抽象掉若干现实世界中的因素，或者需要从头重新创造。第二，它们都是形式化的，要给出精确的定义。第三，所有模型都是错误的。通过同时考虑多个模型，我们可以实现多个可能情况的交叉，从而克服单个模型因严格而导致的狭隘性。
02 模型的7大用途
1、构建模型的3种方法：
- 具身法（embodiment approach）。用这种方法构建的模型包括重要部分，同时对于不必要的维度和属性，要么剥离，要么将它们整合在一起考虑。
- 类比法（analogy approach），可以对现实进行类比与抽象。
- 另类现实法（alternative reality approach），也就是有意不去表征、不去刻画现实。
2、模型的7大用途（REDCAPE）
- 推理：识别条件并推断逻辑含义。
- 解释：为经验现象提供（可检验的）解释。
- 设计：选择制度、政策和规则的特征。
- 沟通：将知识与理解联系起来。
- 行动：指导政策选择和战略行动。
- 预测：对未来和未知现象进行数值和分类预测。
- 探索：分析探索可能性和假说。
03 多模型思维
1、孔多塞陪审团定理：总数为奇数的一组人（模型）将未知的世界状态分为真或假。每个人（模型）正确分类的概率为p>1/2，并且任何一个人（模型）分类正确的概率在统计上都独立于任何其他人（模型）分类的正确性。多数投票正确的概率比任何人（模型）都更高；当人数（模型数）变得足够大时，多数投票的准确率将接近100%。
2、多样性预测定理则适用于给出数值预测或估值的模型，它量化了模型的准确性和多样性对所有模型平均准确性的贡献。多模型误差=平均模型误差-模型预测的多样性，即：
在这里，Mi表示模型i的预测，等于模型的平均值，V等于真值。
3、分类模型：存在一组世界的对象或状态，每个对象或状态都由一组属性定义，每个属性都有一个值。根据对象的属性，分类模型M将对象或状态划分为一个有限的类别集{S1，S2，……，Sn}，然后给每个类别赋值{M1，M2，……，Mn}。
4、模型误差分解定理：偏差-方差权衡，模型误差=分类误差+估值误差
其中，M（x）和Mi分别表示数据点x和类别Si和V（x）的模型值，Vi表示它们的实际值。
04 对人类行为者建模
1、对人建模是一个很大的挑战，虽然模型要求低维表征，但人却是天生无法简单地加以表征的。人是多样性的、易受社会影响的、容易出错的、有目的的、有适应能力且拥有自己主体性的，也就是说，我们有行动的能力。
2、人们所犯的错误是否能够相互抵消，取决于具体情境。认知依恋（cognitive attachment）缺失导致的误差就可能是随机且独立的，认知偏差导致的误差可能是系统性的、相关的。人们对最近发生的事件往往更加重视，并且更容易回忆起故事性的情节而不是统计数字。这类共同偏差不会被消除。
3、理*行为性**者模型：行为者个体的偏好由在一组可能的行为上定义的数学形式的效用函数或收益函数（payoff function）来表示。行为个体选择函数值最大化的行动。在博弈中，这种选择可能需要相信其他博弈参与者的行为。
4、卢卡斯批判：政策或环境的变化可能引起受影响者的行为反应。因此，使用过去的行为数据估计的模型将不准确。模型必须考虑到人们对政策和环境变化做出反应这一事实。