[转帖]Plausibility Theory[可能性理论]

cosiray

根据Collins & Michalski，“如果某一行为事件能够得到先验知识即便是概念上的支持，那么它也是可能的”。 Wolfgang Spohn于1985年提出的可能性理论（Plausibility Theory）、 Collins和Michalski于1989年提出的推理理论（Reasoning）、Lemaire和Fayol于1995年提出的算法问题解决理论（Arithmetic Problem Solving）、 Connell和Keane 于2002年提出的可能性认知模型（Congitive Model of Plausibility），为人们在风险不可知情况下制定决策提供了新的视角和方法。 可能性是我们日常生活中不可避免的一种普遍存在。 然而，长期以来它却被认知科学给忽略了，仅仅被视为一个操作上的变量，而没有对其本身进行深入研究。

 贝叶斯统计

在可能性理论诞生之前，最为普遍的预测理论是贝叶斯统计（Beyesian Statistics）， 贝叶斯统计的发明人是英国18世纪的数学家、英国长老会牧师 Thomas Bayes。 Bayes发明了给不同事件的发生可能性加权的方法，并由此去计算另一事件将发生的概率。 Howard Raiffa在上个世纪六十年代将贝叶斯统计引入商业环境，这一理论从那时起开始风靡起来。 根据贝叶斯理论，管理人员应该以各种可能事件结果发生的可能性为基础，来制定决策。 通过对各可能性结果进行加权，然后取和，决策者们就可以计算出决策的“期望值”。 如果期望值为正，则决策可行； 如果为负，则决策应该被放弃。

 贝叶斯统计的局限

贝叶斯统计一眼看上去很像中规中矩的工作方法， 但是，贝叶斯理论至少对于两种现象无从下手：

1. 对下跌风险的赏识。 赌博的时候，如果有50%的机会赢10美元，或输5美元的话，人们通常会决定赌一把。 但是，人们为什么又往往会在同样的机率上拒绝赢1百万输50万的赌博呢？
2. 如何应对不可知的风险。 有一些风险，它的发生机率是不可知的，尤其是在商业环境中充满这样的风险。  为什么管理人员倾向于可知风险，而拒绝不可知风险。

Plausibility Theory[可能性理论]

如果用可能性理论的“风险阈限”（Risk Threshold）来代替贝叶斯理论的“期望值”（Expected Value），上述两个问题则迎刃而解。 跟其他预测理论相同，可能性理论评估的也是可能性结果的范围；但不同的是，它关注的是可能性的阈限点——类似于可接受风险将会造成的净损失。 例如： 如果造成（巨大）损失的风险值超过2%，那么于此相关的盈利决策就将被放弃。 很明显，可能性理论弥补了贝叶斯统计的两个不足： 管理人员极力避免不可接受的下跌风险，以及管理人员极力避免未知的风险。

 可能性理论的一个典型应用范例是：金融机构配置资金、处理金融风险的Basel II 协议。