博弈论：博弈中的“选择偏差”如何自误

前言：在真实竞争中，你看到的胜利往往来自被挑选出的样本，而非完整世界。于是，策略显得更聪明、风险看上去更低、对手似乎更可控。结果是，决策者在胜利的光环里不断加码，直到局势反噬。理解并纠正选择偏差，是博弈论里避免“自误”的第一课。

在博弈论框架下，选择偏差并非“数据错了”，而是观察被行动条件化：你只看到自己或对手“被选中的”结果，忽略未发生的反事实。例如在重复对抗中，玩家常把一次成功的强硬策略当作可复制的均衡，却忘了这成功依赖对手当时的信念与信息集。当样本来源受策略影响时，经验会诱导你远离真实分布。

典型案例一：拍卖中的“赢家诅咒”。出价最高者更可能是高估者，这一选择机制导致观察到的成交价系统性偏高。若忽略这一偏差而非贝叶斯下调估值，策略会越投越高，最终收益为负。案例二：囚徒困境的经验陷阱。只记录“背叛更稳妥”的短期回报，会让决策者否定长期合作的触发均衡，错过重复博弈中的声誉与惩罚结构。案例三：A/B测试。只推广“表现更好”的版本，却不保留未上线的对照数据，容易出现分群漂移与辛普森悖论，从而误判策略在总体市场的效用。

别把选择偏差和“逆向选择”混为一谈。逆向选择是参与者类型进入机制的偏斜（如高风险者更愿意投保），而选择偏差是你所见证据的抽样机制被策略改写。前者改变博弈的类型空间，后者扭曲对类型空间的认知。

如何在博弈中克服自误？

• 随机化与对照：在策略实施前设置随机对照与停机规则，保留未选路径的反事实数据（counterfactual logging）。
• 基准率与贝叶斯更新：以总体分布为先验，观察结果只作温和修正，避免因少量“被选中成功”而过度更新。
• 扩展信息集：在模型中模拟对手响应的分布与约束（纳什均衡不唯一时尤需），进行探索—利用的平衡。
• 观察失败样本：不仅看赢家，还系统性地分析未成交、未合作、未转化的案例，让证据回到母体。
• 过程预注册：事先确定策略与评估指标，防止事后“挑结果”造成偏差累积。

归根结底，当你的数据来源被策略选择时，经验会变成陷阱。只有把“看见的”与“没看见的”一起纳入分析，博弈中的理性才不会在自信中走向自误。