假象你有两个孩子都处于青春期，大儿子中途退学让你非常困恼，所以你想把小儿子送到辍学率低的一所中学。你有两所中学A和B可以选择，可是，两所学校都未公开有关辍学率的可靠信息。
鉴于此，你不得不自己收集相关信息来推测两所学校的辍学率，这些信息包括学校的出勤率、写作得分、社会科学分数等。从早期对其他学校的了解，你知道这些信息中哪些才是重要的线索。你的直觉告诉你A中学是更好的选择，所以你将小儿子送到了A中学。
你的直觉对吗？认知心理学家戈尔德·吉仁泽认为，首先，我们需要了解形成这种直觉的经验法则；其次，分析这个法则运行的环境。一系列心理学实验表明，人们的直觉判断往往（并不总是）只基于一个很好的理由。一种名叫“选择最佳”的启发法解释了单一理由决策如何产生直觉。
假设你基于对其他学校的了解，根据直觉判断出哪些线索更为重要（不一定是最重要的）。你直觉上认为最重要的线索是出勤率、然后是写作得分和社会科学成绩。你运用选择最佳启发法：如果第一个线索出勤率足够做出决定，那么这个过程到此为止，其他信息忽略不计。
A中学 Ｂ中学
出勤率？ 高 低
停止比较并选择Ａ中学
如果根据出勤率不能做出决定，则比较第二个线索。
A中学 Ｂ中学
出勤率？ 高 高
写作得分？ 高 低
停止比较并选择Ａ中学
比较第二条线索写作得分后，你能作出决定了，于是，你停止分析，推断Ａ中学的辍学率更低。
那么，这种基于经验法则的直觉判断准确率有多高呢？它与富兰克林的资产负债表法相比如何呢？或许你认为这种简单的直觉判断不太准确，不过，戈尔德·吉仁泽在普朗克协会的团队就发现了单一理由决策的重要性。
为了测试多条线索是否比单条线索好，他们收集了57所学校有关辍学率的18条线索。根据富兰克林法则，所有18条线索都要考虑进去并给予认真衡量，然后才做出预测。富兰克林法则的现代版本叫做多元回归，其中的多元就是代表多条线索。
那么，与这种复杂的策略相比，简单的选择最佳策略准确性如何呢？
普朗克协会的研究者进行了一个计算机模拟，将半数学校的信息输入进去——18条线索和学校实际辍学率。根据这些信息，用复杂策略判断“最优”价值，用选择最佳法给这些线索排序。然后，他们再拿剩下的学校进行测验，用上这些线索，但不直接采用与辍学率相关的信息。
结果，如上图所示，如果已知所有中学的信息（后见之明），那么，复杂的策略（多元回归）更加有效；可如果预测未知的辍学率，那么，简单的经验法则（选择最佳）就更准确。这就好比金融顾问能很好地理解昨天的股票结果一样，复杂的策略能够衡量多种原因，使结果的等式与我们已知的东西相符。但是，金融顾问对未来的预测却经常很糟糕。
因此，如果你的直觉是选择最佳，那么，比起用复杂的电脑程序认真衡量后再综合所有有效线索作出决定，你根据单条理由更可能作出正确的选择。
总之，当我们要预测未来，并且未来很难预测，而我们掌握的信息又很有限的情况下，基于一个好理由的直觉往往更加准确。它们在时间和信息的使用上也更有效率。相反，当我们需要解释过去，当将来很容易预测，当拥有足够的信息，复杂的分析更有用。
了解培养读书习惯的方法，请点击 如何养成读书的习惯？
