认识偏见并科学地利用启发法
丹尼尔在书中的第二部分专门谈到了启发法与偏见，这些涉及到统计学中的大数法则和小数定律。首先，大家都知道大样本的结果更精确，但很多人并不清楚为什么它们更精确，因为他们并没有接受过统计学方面的训练而变成了“直觉性统计学家”，他们对样本效应缺乏理解，选择的样本通常都很小，致使出错风险高达50%，也就是说对于随意取样的直觉似乎符合数定律，于是他们往往断言大数法则对于小数定律同样适用，由此引起了普遍性偏见。
这种普遍性偏见更多来自于小样本的民意调查，它包含了两方面的信息：新闻本身和新闻的来源，通常，我们关心的是新闻本身与调查结论，而不是可信度与统计误差，于是我们信任这种普遍性偏见，因为我们的“系统1”并不善于质疑，它抑制了不明确的信息，不由自主地将信息处理得尽可能连贯，“系统2”能够提出质疑，因为它可以同时包含不相容的多种可能性。然而保持这种质疑会比不知不觉相信其真实性更加困难。
普遍性偏见来自于我们常夸大所见事情的相容性和连贯性。特别是联想机制会搜寻原因。在统计规则方面，我们面对的困难是这些规则要求使用不同的方法处理问题。依据统计学观点，我们不
丹尼尔在书中的第二部分专门谈到了启发法与偏见，这些涉及到统计学中的大数法则和小数定律。首先，大家都知道大样本的结果更精确，但很多人并不清楚为什么它们更精确，因为他们并没有接受过统计学方面的训练而变成了“直觉性统计学家”，他们对样本效应缺乏理解，选择的样本通常都很小，致使出错风险高达50%，也就是说对于随意取样的直觉似乎符合数定律，于是他们往往断言大数法则对于小数定律同样适用，由此引起了普遍性偏见。
这种普遍性偏见更多来自于小样本的民意调查，它包含了两方面的信息：新闻本身和新闻的来源，通常，我们关心的是新闻本身与调查结论，而不是可信度与统计误差，于是我们信任这种普遍性偏见，因为我们的“系统1”并不善于质疑，它抑制了不明确的信息，不由自主地将信息处理得尽可能连贯，“系统2”能够提出质疑，因为它可以同时包含不相容的多种可能性。然而保持这种质疑会比不知不觉相信其真实性更加困难。
普遍性偏见来自于我们常夸大所见事情的相容性和连贯性。特别是联想机制会搜寻原因。在统计规则方面，我们面对的困难是这些规则要求使用不同的方法处理问题。依据统计学观点，我们不