mcpField
R
reference-class-forecasting

reference-class-forecasting

github.com/lyndonkl生产力187102 次安装10 周前更新
代码仓库

关于 reference-class-forecasting

这项预测技能通过历史结果建立统计基准，并检验调整是否有依据。它引导分析者和决策者选择参照类别、查找基础比率并验证比较集合。

主要功能

  1. 01识别并验证参照类别
  2. 02查找历史基础比率
  3. 03审查特殊性主张
  4. 04建模多阶段概率链
  5. 05学习外部视角原则

适用场景

  1. 01估计初创公司或项目结果
  2. 02评估个案是否确实特殊
  3. 03估计包含多个阶段的结果

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lyndonkl/claude --skill reference-class-forecasting

安装后在 Claude Code 中输入/reference-class-forecasting确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

resources/
common-pitfalls.md
outside-view-principles.md
reference-class-selection.md

详细介绍

参考类预测

目录

交互式菜单

你想做什么？

核心工作流

1. 查找我的基准率 - 确定参考类并获取统计基线

  • 引导你选择正确的参考类
  • 查找历史频率的搜索策略
  • 验证你选对了基准

2. 检验“这次不一样” - 质疑独特性主张

  • 用反转测试检验独特性偏见
  • 相似性匹配框架
  • 举证责任计算器

3. 计算漏斗基准率 - 多阶段概率链

  • 不存在单一基准率时的处理方法
  • 序贯概率建模
  • 复合事件的乘法规则

4. 验证我的参考类 - 确保你选择了正确的比较集合

  • 过宽与过窄测试
  • 同质性检查
  • 样本量评估

5. 了解框架 - 深入了解方法论

6. 退出 - 返回主预测工作流

1. 查找我的基准率

让我们确定你的统计基线。

步骤 1：你要预测什么？

告诉我你预测的具体事件或结果。

示例提示词：

  • “这家初创公司会成功吗？”
  • “这项法案会在国会通过吗？”
  • “这个项目会按时启动吗？”
步骤 2：确定参考类

我会帮你确定这属于哪一类。

框架：

  • 过宽：“所有公司”→毫无意义
  • 恰到好处：“金融科技领域的种子轮 B2B SaaS 初创公司”
  • 过窄：“2024 年由名叫 Steve 的人创办的公司”→没有数据

关键问题：

  1. 这是什么类型的实体？（公司、法案、项目、个人等）
  2. 处于什么阶段／规模／类别？
  3. 属于什么行业／领域？
  4. 哪个时间段与之相关？

我会和你一起不断细化，直到得到一个具体且可搜索的类别。

步骤 3：搜索历史数据

我会帮你通过以下方式查找基准率：

  • 网络搜索已发布的统计数据
  • 成功率相关的学术研究
  • 政府／行业报告
  • 如果没有直接数据，则查找代理指标

搜索策略：

"historical success rate of [reference class]"
"[reference class] failure statistics"
"[reference class] survival rate"
"what percentage of [reference class]"
步骤 4：设定你的锚点

找到基准率后，它就成为你的起始概率。

规则：

将此基准率视为起始点。只有在“内部视角”分析中找到具体的、 基于证据的理由时，才进行调整。

找不到数据时的默认锚点：

  • 新颖创新：10-20%（大多数创新都会失败）
  • 成熟行业：50%（不确定）
  • 受监管／经过验证的流程：70-80%（系统有效）

**下一步：**返回菜单或继续进行内部视角分析。

2. 检验“这次不一样”

质疑独特性偏见。

当有人（包括你自己）认为“这个案例很特别”时，我们需要对这一看法进行压力测试。

独特性审查

问题 1：相似性匹配

  • 历史上最相似的 5 个案例是什么？
  • 每个案例的结果是什么？
  • 你的案例与这些案例有何实质性不同？

问题 2：反转测试

  • 如果有人声称另一个案例基于与你相同的理由是“独特的”，你会接受吗？
  • 你是否在搞特殊辩护？

问题 3：举证责任 基准发生率为 [X]%。你认为它应该是 [Y]%。

计算差距：|Y - X|

所需证据强度：

  • 差距 < 10%：只需最低限度的证据
  • 差距为 10-30%：需要中等强度的证据（2-3 个具体因素）
  • 差距 > 30%：需要非同寻常的证据（多个相互独立的强信号）
输出

我会告诉你：

  1. “这次情况不同”是否有充分依据
  2. 你可以在多大程度上合理地调整基准发生率
  3. 要支持更大幅度的调整，需要哪些证据

下一步： 返回菜单

3. 计算漏斗基准发生率

适用于没有单一基准发生率的多阶段流程。

何时使用
  • 不存在直接统计数据（例如，“X 的成功率”）
  • 事件需要经过多个连续步骤
  • 每个阶段都有独立的概率
漏斗法

示例：“法案 X 会成为法律吗？”

没有关于“法案 X 成功率”的直接数据，但我们可以对漏斗进行建模：

  1. 阶段 1： 提出的法案 → 进入委员会审议的法案

    • P(进入委员会 | 已提出) = ?

  2. 阶段 2： 委员会审议中的法案 → 进入全体表决的法案

    • P(全体表决 | 委员会审议) = ?

  3. 阶段 3： 经过表决的法案 → 获得通过的法案

    • P(通过 | 全体表决) = ?

最终基准发生率：

P(law) = P(committee) × P(floor) × P(pass)
流程

我会帮助你：

  1. 分解事件，将其拆分为连续的阶段
  2. 搜索每个阶段的统计数据
  3. 相乘概率，使用乘法规则
  4. 验证模型（各阶段确实相互独立吗？）
常见漏斗
  • 初创公司成功：种子轮 → A 轮 → 盈利 → 退出
  • 药物审批：发现 → 试验 → FDA 审批 → 上市
  • 项目交付：规划 → 开发 → 测试 → 发布

下一步： 返回菜单

4. 验证我的参考类别

确保你选择了正确的比较范围。

三项测试

测试 1：同质性

  • 这个类别中的成员是否足够相似？
  • 结果的差异是否很大？
  • 是否应该进一步细分？

示例：“科技初创公司”的范围太广（消费类、B2B 和硬件领域差异很大）。应进一步细分。

测试 2：样本量

  • 你是否有足够的历史案例？
  • 最低要求：20-30 个案例，才能进行有意义的统计分析
  • 如果 N < 20：扩大类别范围，或承认不确定性较高

测试 3：相关性

  • 自历史数据收集以来，条件是否发生了变化？
  • 是否存在结构性差异（监管、技术、市场）？
  • 时间衰减：超过 10 年的数据可能已经过时
验证清单

我会引导你逐项检查：

  • 类别中有 20 个以上的历史案例
  • 成员的同质性合理
  • 数据来自相关时期
  • 数据收集后没有发生重大结构性变化
  • 类别足够具体，具有实际意义
  • 类别范围足够广，能找到数据

输出： 你的参考类别的置信度（高/中/低）

下一步： 返回菜单

5. 了解框架

深入了解方法论。

资源文件

📄 外部视角原则

  • 统计思维与叙事思维
  • 为什么外部视角胜过专家判断
  • Kahneman 关于计划谬误的研究
  • 外部视角何时会失效

📄 参考类别选择指南

  • 选择对比样本集的系统方法
  • 平衡具体性与数据可用性
  • 相似度指标与匹配
  • 边缘情况与判断取舍

📄 常见陷阱

  • 忽视基准率的示例
  • “这次不一样”偏差
  • 对小样本过度拟合
  • 忽略回归均值
  • 参考类别选择中的可得性偏差

**下一步：**返回菜单

快速参考

外部视角的准则
  1. **先看基准率：**在分析具体情况之前，先确定统计基线
  2. **假设平均水平：**除非有证据证明并非如此，否则将案例视为典型情况
  3. **举证责任：**偏离基准率幅度较大时，需要有力证据
  4. **类别精度：**参考类别应具体且拥有充足数据
  5. **拒绝叙事：**不要被引人入胜的故事左右；相信频率
一句话总结

找出类似情况通常会如何发展，以此为起点，只有在有证据时才做调整。

与其他技能的集成
  • **之前：**如果需要根据组成部分计算基准率，请使用 estimation-fermi
  • **之后：**使用 bayesian-reasoning-calibration，根据新证据从基准率出发进行更新
  • **配套：**使用 scout-mindset-bias-check，确认你没有挑选对自己有利的参考类别

资源文件

📁 resources/

准备开始了吗？从上方的菜单中选择一个数字。

评论

支持 Markdown