基础率谬误（base rate fallacy）是这样一种错误：主要凭一条生动的线索去判断个案，却几乎不考虑这个结果原本有多常见。它会让一次阳性检测结果听起来比实际更有定论，也会让刻板印象摇身一变成为“证据”。修正的原则很简单：先看基础率，再问新证据能把它改变多少。
如果你想先摸摸底，这份12 道题的基础率谬误测验会把筛查结果、欺诈告警、刻板印象陷阱直接摆到你面前，即答即讲——测完再回来看方法。
基础率谬误：定义
基础率（base rate）是某件事在相关群体中的起始频率。如果每 1,000 人中有 1 人患某种疾病，这个千分之一就是基础率。
基础率谬误，又称基率忽视（base rate neglect），指的是一个人看到个体线索后，没有把它和起始频率正确地结合起来。线索本身可能仍然重要，错误在于把起始频率当作不存在。
基本套路如下：
- 某个结果在人群中或罕见、或常见。
- 某个人身上出现了与该结果相关联的证据。
- 有人从“证据对得上”直接跳到“结果多半为真”，却没有核对起始概率。
这是一种概率错误，而不只是不知道某个事实。即使明知某件事很罕见，一旦案例具体、带情绪、描述细致，人们照样会忽视这种罕见性。
一个简单的日常例子
设想某所大学里只有 1% 的学生是竞技象棋选手。你遇到一位学生，手里拿着棋书，身上穿着比赛纪念 T 恤。
这些细节确实提高了他是竞技棋手的可能性，但并不会自动让它变成“大概率”。许多非竞技棋手也有棋书，而 T 恤也许只是某次校园活动发的。
基础率式的提问是：在所有表现出这些线索的学生里，究竟有多少是真正的竞技棋手？
有基础率意识的人会避开两种坏走法：
- “棋手常带棋书，所以这位学生一定是棋手。”
- “只有 1% 的学生是竞技棋手，所以这些线索毫无意义。”
正确的判断要把两类信息结合起来：线索应当更新基础率，而不是抹掉它。
更多“抢眼细节把注意力从数字上拽走”的场景，见这些现实生活中的基础率谬误例子。
为什么医学筛查最容易让人中招
医学检测是经典场景，因为“阳性”结果让人感觉切身而笃定。但一次阳性检测意味着什么，取决于三件事：
- 这种疾病在受检人群中有多常见
- 检测多大比例能正确识别患者
- 没有患病的人有多大比例也会测出阳性
来看一个假设的筛查项目。
某种疾病每 1,000 人中有 1 人患病。某检测能识别出 99% 的患者，但也会让 1% 的非患者呈现阳性。
为了看得更直观，设想 100,000 名受检者：
- 约 100 人患病。
- 检测正确地让其中约 99 人呈阳性。
- 约 99,900 人未患病。
- 这些人中的 1%，约 999 人，同样收到阳性结果。
总共约有 1,098 个阳性结果，其中只有约 99 个是真阳性。因此一次阳性结果并不代表 99% 的患病概率——在这个例子里更接近 9%。
出现假阳性（false positive）并不说明检测本身有问题。问题出在那条直觉捷径上：“检测准确率 99%，所以我的阳性结果意味着 99% 确定。”这句话把检测性能和“测出阳性之后真正患病的概率”混为一谈了。
在真实的健康决策中，该看哪个人群、要不要复检，由临床医生判断。这里的推理教训要窄得多：检测结果必须结合患病率（prevalence）一起解读。
用自然频数计算
概率公式当然有用，但自然频数（natural frequencies）往往能把结构看得更清楚。
四步流程：
- 选一个整数人口规模，通常取 10,000 或 100,000。
- 用基础率切分：一开始有多少人具备该疾病或特征？
- 对两组人分别套用检测或线索。
- 拿真阳性和全部阳性结果作比较。
这个方法还能防住一个重要的措辞陷阱：“该检测能查出 95% 的病例”回答的问题，和“测出阳性后，患病的概率是多少”完全不同。
前者说的是已知患病的人，后者说的是被检测结果筛出来的人。
MCAT 式推理中的基础率谬误
在 MCAT 风格的题目里，同样的问题常常借筛查、危险因素、诊断检测或研究样本出现。如果选项直接考逻辑，你甚至不需要冗长的计算。
留意这些信号：
- 题干把某种疾病或结果描述为罕见。
- 某个检测、症状或暴露因素被描述为与其高度相关。
- 问题问的是阳性结果对个体意味着什么。
- 诱人的错误选项复述敏感性（sensitivity）、特异性（specificity）或关联强度，却无视患病率。
例题精讲
某种障碍每 1,000 人中有 2 人患病。某筛查检测对 90% 的患者呈阳性，对 5% 的非患者也呈阳性。一次阳性结果最能支持下列哪个说法？
A. 此人有 90% 的概率患病。 B. 此人有 95% 的概率患病。 C. 大多数阳性结果可能是假阳性。 D. 该检测毫无诊断价值。
答案：C。
从 100,000 人算起：约 200 人患病，其中 180 人测出阳性；99,800 名非患者中的 5%，即 4,990 人，也测出阳性。阳性结果共 5,170 个，真阳性只有 180 个。在这个低患病率场景里，大多数阳性结果是假阳性。
其余选项为何不成立：
- A 把敏感性误当成了阳性之后的患病概率。
- B 把特异性误当成了这个概率。
- D 走过头了。检测仍能提供有用的证据，其实际价值取决于场景和后续复检。
想看更多考试向的完整拆解，读《MCAT 上的基础率谬误：例题精讲与识别方法》。
如何在论证中识别基率忽视
不是所有带百分比的论证都犯了基础率谬误。要问的是：缺了哪个比较？
一份实用清单：
- 相关的参照类（reference class）是什么？
“成年人”“有此症状的人”“转诊到专科门诊的患者”——基础率可能天差地别。
- 先验频率是多少？
找出新线索出现之前的那个数字。
- 证据能不能把两组人区分开？
在两组人里都很常见的线索，增量可能微乎其微。
- 说话者实际主张的是哪个概率？
“大多数病例测出阳性”不等于“大多数阳性是病例”。
这在论证题里同样好用。作者可能把“与结论相容的证据”当成“确立了结论的证据”，却忽略了有多少不符合结论的案例也呈现同样的证据。这是一个值得与其他缺陷区分开的概率型漏洞；这份 LSAT 缺陷题攻略提供了定位这类漏洞的更通用方法。
快速测验：你能躲开基础率谬误吗？
第 1 题
一种罕见的软件缺陷影响万分之一的账户。某告警能捕获 99% 的缺陷账户，但也会误标 1% 的正常账户。现在某账户收到了告警。在断定“该账户多半有缺陷”之前，下列哪个事实最重要？
A. 告警能捕获 99% 的缺陷。 B. 该缺陷非常罕见。 C. 告警采用自动检测。 D. 该账户已活跃多年。
答案：B。万分之一的基础率意味着，即使敏感性很高，误报仍可能远远多于真报。
第 2 题
某大型训练营里，2% 的跑者最终达到精英水平。在后来成为精英的跑者中，80% 坚持一套严格的黎明前训练流程；在始终没有成为精英的跑者中，也有 20% 坚持同样的流程。教练看到某位跑者坚持这套流程，断言：“她多半会成为精英。”在这个训练营里，坚持该流程的跑者中，实际成为精英的大致占多少？
A. 约 80%，因为 80% 的精英跑者都坚持这套流程。 B. 约 8%——这套流程确实把她的概率抬到远高于 2% 的基线，但坚持流程的人里大多数仍然成不了精英。 C. 约 20%，因为 20% 的非精英跑者坚持这套流程。 D. 恰好 2%，因为这套流程不提供任何信息。
答案：B。设想 1,000 名跑者。2% 的基础率意味着 20 人成为精英，其中 80%——16 人——坚持流程；980 名未成为精英的跑者中的 20%——196 人——也坚持流程。于是共有 212 人坚持流程，其中只有 16 人成为精英：约 8%。这套流程是货真价实的证据——它把她的概率从 2% 抬到约 8%，翻了两番——但“多半会成为精英”依然差得远。A 犯了经典的条件概率倒置：把“80% 的精英坚持流程”偷换成“坚持流程的人 80% 成为精英”。C 复述了一个描述错误群体的数字。D 犯的是相反的错误：它没有忽视基础率，而是把证据一笔勾销了。
第 3 题
判断题：如果一项检测特异性很高，那么每个阳性结果多半都是真阳性。
答案：错。高特异性能减少假阳性，但基础率仍然起作用。当疾病足够罕见时，假阳性依旧可能为数众多。
常见问题
基础率谬误和检察官谬误是一回事吗？
二者有重叠但不相同。检察官谬误（prosecutor’s fallacy）常把“证据在无辜者中有多罕见”当成“嫌疑人无辜的概率”。基率忽视则是更宽泛的习惯：解读新证据时无视先验频率。
基率忽视一定是不理性的吗？
当忽视相关基础率导致你误判证据的支持力度时，它就是错误。但强有力、可靠的个体证据在被纳入计算之后，完全可以正当地压过低基础率。例如，一次高精度的确认检测可以让罕见疾病的概率大幅上升——那是正确的更新，不是基率忽视。
敏感性和阳性预测值有什么区别？
敏感性问的是：真正患病的人中，多少测出阳性？阳性预测值（positive predictive value）问的是：测出阳性的人中，多少真正患病？基础率对第二个量影响巨大。
考试时怎么避开基础率谬误？
写下起始人口数，把百分比换算成人数，并且把条件概率的两个方向分开处理。如果题目不给数字，就指出缺失的哪条患病率信息会改变结论。
结语
基础率谬误发生在生动线索把起始概率挤出脑海的那一刻。在相信一次阳性检测、一个动人轶事或一个熟悉的刻板印象之前，先问：在这条线索出现之前，这个结论原本有多常见？这一个问题，常常就能把直觉答案变成站得住脚的答案。
准备好实战检验这个习惯时，交互式基础率谬误测验会带你过 12 个场景——医学检测、欺诈告警、生动描述——每道题都有完整解析。