<paper_title>Lucky or Good? Outcome Noise, Effective Sample Size, and the Attribution of Skill
创建于 更新于
摘要
<paper_abstract>该论文提出一个两参数的可认识性图（以每次观察的噪声 σ 与观察的有效样本量 Neff 为轴），用于判断在给定领域中是否能从结果记录可靠推断出技能水平，并给出在结果信息不足时的替代评估策略。作者给出判定公式 SNR × Neff > 2.5/d（d 为待检测的技能差效应量）来衡量中等及以上可检测性，并通过对专业篮球、VC、对冲基金、企业高管、宏观预测等案例的分域分析，指出在如共同基金、风险投资以及上市公司高管等高资本与高影响力的领域，结果序列往往携带的信号不足以支持对单个体的技能推断，因此应转向基于群体层面的过程性、结构性指标来评估个体表现；在可识别的域中则需区分“ intrinsic skill” 与“累积优势/结构性影响”，并避免用单一结果作出因果归因。该框架提供了一种普适、跨域的诊断工具，帮助评估者在不同领域按信号强度和样本容量权衡结果证据与过程性证据的权重，并提出了在人群层面已验证的指标缺失时的替代路径。 [page::1][page::3][page::4][page::12][page::15]
