reference-class-forecasting について
歴史的な結果をもとに統計的な基準値を定め、予測の調整を検証するためのスキルです。参照クラスの選定、基準率の調査、比較対象の妥当性確認を支援します。
主な機能
- 01参照クラスの特定と検証
- 02過去の基準率の調査
- 03独自性の主張の検証
- 04段階的な確率のモデル化
- 05アウトサイドビューの原則学習
活用シーン
- 01スタートアップやプロジェクトの結果予測
- 02事例が特別だという主張の評価
- 03複数段階を経る結果の予測
インストール
コマンドをコピーしてターミナルで実行します。
npx skills add https:/インストール後、Claude Code で/reference-class-forecastingを入力して読み込まれたか確認します。
同梱ファイル
SKILL.md と一緒にインストールされる参考資料やスクリプト。
resources/common-pitfalls.mdoutside-view-principles.mdreference-class-selection.md詳細
リファレンスクラス予測
目次
インタラクティブメニュー
何をしますか？
主なワークフロー
1. ベースレートを調べる - リファレンスクラスを特定し、統計的な基準値を得る
- 適切なリファレンスクラスを選ぶためのガイド付きプロセス
- 過去の発生頻度を調べるための検索方法
- 適切な基準を選んだかどうかの検証
2. 「今回は違う」を検証する - 特異性の主張に異議を唱える
- 独自性バイアスを検証する反転テスト
- 類似性を照合するフレームワーク
- 立証責任の計算ツール
3. ファネルのベースレートを計算する - 複数段階の確率連鎖
- 単一のベースレートが存在しない場合
- 逐次的な確率モデリング
- 複合事象に対する積の法則
4. リファレンスクラスを検証する - 適切な比較対象を選んだか確認する
- 広すぎるか狭すぎるかを調べるテスト
- 同質性の確認
- サンプルサイズの評価
5. フレームワークを学ぶ - 方法論を詳しく学ぶ
- アウトサイドビューの原則を読む
- リファレンスクラス選択ガイドを読む
- よくある落とし穴を読む
6. 終了 - 予測ワークフローのメイン画面に戻る
1. ベースレートを調べる
統計的な基準値を設定しましょう。
ステップ 1：何を予測しますか？
予測する具体的な事象や結果を教えてください。
プロンプトの例：
- 「このスタートアップは成功するでしょうか？」
- 「この法案は議会を通過するでしょうか？」
- 「このプロジェクトは予定どおりに開始されるでしょうか？」
ステップ 2：リファレンスクラスを特定する
この事例がどの分類に当てはまるか、一緒に特定します。
フレームワーク：
- 広すぎる：「すべての企業」→意味がありません
- 適切：「フィンテック分野のシード段階のB2B SaaSスタートアップ」
- 狭すぎる：「2024年にSteveという名前の人が創業した企業」→データがありません
主な質問：
- これはどのような種類の対象ですか？（企業、法案、プロジェクト、人など）
- 段階・規模・カテゴリーは何ですか？
- 業界・分野は何ですか？
- 関連する期間はいつですか？
具体的で検索可能な分類になるまで、一緒に絞り込んでいきます。
ステップ 3：過去のデータを検索する
次の方法でベースレートを見つけるお手伝いをします。
- 統計が公開されている情報のウェブ検索
- 成功率に関する学術研究
- 政府・業界のレポート
- 直接的なデータがない場合の代理指標
検索方法：
"historical success rate of [reference class]"
"[reference class] failure statistics"
"[reference class] survival rate"
"what percentage of [reference class]"
ステップ 4：基準値を設定する
ベースレートが見つかったら、それが開始時の確率になります。
ルール：
このベースレートを開始時の確率として扱います。インサイドビューの分析に基づく、 具体的で証拠に裏付けられた理由がある場合にのみ調整してください。
データが見つからない場合のデフォルトの基準値：
- 革新的な新規事業：10～20％（ほとんどのイノベーションは失敗します）
- 確立された業界：50％（不確実です）
- 規制された実績のあるプロセス：70～80％（システムが機能します）
次へ：メニューに戻るか、インサイドビュー分析に進みます。
2. 「今回は違う」を検証する
独自性バイアスに異議を唱えます。
自分も含め、誰かが「この事例は特別だ」と考えている場合、その考えを厳しく検証する必要があります。
一意性の監査
質問 1：類似ケースとの照合
- これと最も類似している過去のケースを 5 つ挙げてください。
- それぞれの結果はどうなりましたか？
- あなたのケースは、これらと実質的にどのように異なりますか？
質問 2：反転テスト
- 誰かが、あなたが主張するのと同じ理由で別のケースを「特異な」ものだと主張した場合、それを受け入れますか？
- 特別扱いをしていませんか？
質問 3：立証責任 ベースレートによると [X]％です。あなたは [Y]％であるべきだと主張しています。
差を計算します：|Y - X|
必要な証拠の強さ：
- 差が 10％未満：最低限の証拠が必要
- 差が 10～30％：中程度の証拠が必要（具体的な要因を 2～3 個）
- 差が 30％超：例外的に強い証拠が必要（互いに独立した強力なシグナルが複数）
出力
以下をお伝えします：
- 「今回は違う」という主張が妥当かどうか
- ベースレートからどの程度調整するのが合理的か
- さらに大きな調整を正当化するために必要な証拠
次へ： メニューに戻る
3. ファネルのベースレートを計算する
単一のベースレートがない多段階プロセス向けです。
使用する場面
- 直接的な統計がない（例：「X の成功率」）
- 出来事に複数の連続したステップが必要
- 各段階の確率が独立している
ファネル方式
例：「法案 X は成立するか？」
「法案 X の成功率」に関する直接的なデータはありませんが、ファネルをモデル化できます。
-
段階 1： 提出された法案 → 委員会に付託された法案
- P（委員会 | 提出）= ？
-
段階 2： 委員会に付託された法案 → 本会議での採決に至った法案
- P（本会議 | 委員会）= ？
-
段階 3： 採決された法案 → 可決された法案
- P（可決 | 本会議での採決）= ？
最終ベースレート：
P(law) = P(committee) × P(floor) × P(pass)
手順
以下をお手伝いします。
- 出来事を連続した段階に分解する
- 各段階の統計を検索する
- 積の法則を使って確率を掛け合わせる
- モデルを検証する（各段階は本当に独立していますか？）
よくあるファネル
- スタートアップの成功：シード → シリーズ A → 黒字化 → イグジット
- 医薬品の承認：発見 → 臨床試験 → FDA → 市場投入
- プロジェクトの遂行：計画 → 開発 → テスト → リリース
次へ： メニューに戻る
4. 参照クラスを検証する
適切な比較対象を選んでいるか確認します。
3 つのテスト
テスト 1：均質性
- このクラスの事例は、本当に十分似ていますか？
- 結果のばらつきは大きいですか？
- さらに細分化する必要がありますか？
例：「テック系スタートアップ」は範囲が広すぎます（消費者向け、B2B、ハードウェアは大きく異なります）。細分化しましょう。
テスト 2：サンプルサイズ
- 過去の事例は十分にありますか？
- 最低限：意味のある統計には 20～30 件の事例が必要です
- N < 20 の場合：クラスの範囲を広げるか、不確実性が高いことを認めます
テスト 3：関連性
- 過去のデータから現在までに状況は変化しましたか？
- 構造的な違い（規制、技術、市場）はありますか？
- 時間による陳腐化：10 年以上前のデータは古くなっている可能性があります
検証チェックリスト
以下を確認します。
- クラスに 20 件以上の過去の事例がある
- 事例はおおむね均質である
- データは関連する期間のものである
- データ収集後に大きな構造変化がない
- クラスは有意義な分析ができる程度に具体的である
- クラスはデータを得られる程度に幅広い
出力： 参照クラスの信頼度（高／中／低）
次へ： メニューに戻る
5. フレームワークを学ぶ
手法を詳しく学びます。
リソースファイル
📄 外部視点の原則
- 統計的思考と物語的思考
- 外部視点が専門家に勝る理由
- カーネマンの計画の誤謬に関する研究
- 外部視点がうまく機能しない場合
- 比較対象を選ぶ体系的な方法
- 具体性とデータの入手可能性のバランス
- 類似度の指標とマッチング
- 例外的なケースと判断のポイント
📄 よくある落とし穴
- 基準率を無視する例
- 「今回は違う」というバイアス
- 小さなサンプルへの過剰適合
- 平均への回帰を無視すること
- 参照クラスの選定における利用可能性バイアス
次へ： メニューに戻る
クイックリファレンス
外部視点の5つの原則
- まず基準率を確認： 個別の詳細を分析する前に、統計的な基準値を確立します
- 平均的だと仮定： 反証されるまでは、そのケースを典型的なものとして扱います
- 立証責任： 基準率から大きく外れる場合は、強力な証拠が必要です
- クラスの精度： 参照クラスは具体的でありながら、十分なデータが得られるものにします
- 物語に頼らない： 説得力のある物語に流されず、頻度を信頼します
一文でまとめると
こうした状況で通常何が起こるかを調べ、そこを出発点とし、証拠に基づいてのみ判断を変えます。
他のスキルとの連携
- 前： 構成要素から基準率を計算する必要がある場合は、
estimation-fermiを使います - 後： 新しい証拠を用いて基準率を更新するには、
bayesian-reasoning-calibrationを使います - 併用： 参照クラスを都合よく選んでいないか確認するには、
scout-mindset-bias-checkを使います
リソースファイル
📁 resources/
- outside-view-principles.md - 理論と研究
- reference-class-selection.md - 体系的な選定方法
- common-pitfalls.md - 避けるべきこと
始める準備はできましたか？ 上のメニューから番号を選んでください。