Wikipedia 决策科学核心概念 (Wikipedia Decision Science Concepts)

来源: Wikipedia (英文维基百科)
编译时间: 2026-06-01
状态: 中英对照编译
基于: 多个 Wikipedia 相关条目

---

📚 目录 (Table of Contents)

1. 决策理论
2. 前景理论
3. 期望效用理论
4. 行为经济学
5. 因果推断
6. 机器学习
7. 数据科学

---

1. 决策理论 (Decision Theory)

英文定义 (English Definition):

Decision theory is the study of an agent's choices. It can be broken into two branches: normative decision theory, which gives a theory of how to make rational decisions, and descriptive decision theory, which analyzes how existing agents actually make decisions.

中文翻译 (Chinese Translation):

决策理论是研究智能体（agent）选择的学科。它可以分为两个分支：规范决策理论，提供如何做出理性决策的理论；描述决策理论，分析现有智能体实际上如何做出决策。

核心概念 (Key Concepts):

英文	中文	说明
Normative decision theory	规范决策理论	研究"应该"如何决策
Descriptive decision theory	描述决策理论	研究"实际"如何决策
Prescriptive decision theory	规定决策理论	帮助人们做出更好决策
Rational choice	理性选择	基于偏好的最优化选择
Utility	效用	决策结果的满意度度量

数学框架 (Mathematical Framework):

决策问题的基本要素： - Actions (行动): 可选择的选项集合 A = {a₁, a₂, ..., aₙ} - States (状态): 可能的世界状态 S = {s₁, s₂, ..., sₘ} - Outcomes (结果): 每个行动 - 状态对的结果 O(a, s) - Preferences (偏好): 对结果的重要性排序

决策规则 (Decision Rules):

规则	英文	适用场景
最大化期望效用	Maximize expected utility	风险已知
最大化最小值	Maximin	极端保守
最大化最大值	Maximax	极端乐观
最小化遗憾	Minimax regret	避免后悔

相关领域 (Related Fields): - Game theory (博弈论) - Behavioral economics (行为经济学) - Psychology (心理学) - Economics (经济学) - Statistics (统计学)

---

2. 前景理论 (Prospect Theory)

英文定义:

Prospect theory is a theory of behavioral economics and judgment and decision making under risk. It was developed by Daniel Kahneman and Amos Tversky in 1979. The theory describes how individuals evaluate their options in decision making, and it demonstrates that the way a problem is framed (or described) can significantly affect decisions and judgments.

中文翻译:

前景理论是一种行为经济学理论，研究风险下的判断和决策。由 Daniel Kahneman 和 Amos Tversky 于 1979 年提出。该理论描述了个体在决策中如何评估选项，并表明问题的框架（或描述）方式会显著影响决策和判断。

核心发现 (Key Findings):

1. Reference Dependence (参考点依赖)
2. 人们根据相对于参考点的变化来评估结果

3. People evaluate outcomes relative to a reference point

4. Loss Aversion (损失厌恶)

5. 损失带来的痛苦约为同等收益带来快乐的 2-2.5 倍

6. Losses hurt about 2-2.5 times more than equivalent gains please

7. Diminishing Sensitivity (敏感度递减)

8. 人们对收益和损失的敏感度随金额增加而降低

9. Sensitivity decreases as magnitude increases

10. Probability Weighting (概率权重)

11. 人们倾向于高估小概率，低估中大概率
12. People overweight small probabilities and underweight moderate to high probabilities

价值函数 (Value Function):

v(x) = { x^α           if x ≥ 0 (gains)
       { -λ(-x)^β      if x < 0 (losses)

参数 (Parameters):
- α, β ≈ 0.88 (敏感度递减参数)
- λ ≈ 2.25 (损失厌恶系数)

四重模式 (Fourfold Pattern):

概率	收益域 (Gains)	损失域 (Losses)
高概率 (High)	风险规避 (Risk averse)	风险寻求 (Risk seeking)
低概率 (Low)	风险寻求 (Risk seeking)	风险规避 (Risk averse)

实际应用 (Real-world Applications): - Marketing and pricing (营销和定价) - Investment decisions (投资决策) - Insurance choices (保险选择) - Public policy (公共政策)

---

3. 期望效用理论 (Expected Utility Theory)

英文定义:

Expected utility theory is a general theory of rational decision making. It has been used to explain and prescribe how people should behave when confronted with decisions involving uncertain outcomes. The theory states that an individual's preference among gambles (lotteries) can be represented by a utility function.

中文翻译:

期望效用理论是理性决策的一般理论。它被用来解释和规定人们在面临涉及不确定结果的决策时应如何行为。该理论指出，个体对赌博（彩票）的偏好可以用效用函数来表示。

基本公式 (Basic Formula):

\[ EU(A) = \sum_{i=1}^{n} p_i \cdot u(x_i) \]

其中 (Where): - EU(A): Action A 的期望效用 (Expected utility of action A) - pᵢ: 结果 i 发生的概率 (Probability of outcome i) - u(xᵢ): 结果 i 的效用值 (Utility value of outcome i)

公理体系 (Axiomatic Foundation):

公理	英文	中文	含义
Completeness	Completeness	完备性	任何两个选项都可比较
Transitivity	Transitivity	传递性	偏好关系可传递
Continuity	Continuity	连续性	偏好不会因概率微小变化而反转
Independence	Independence	独立性	无关选项不影响原有偏好

冯·诺依曼 - 摩根斯坦定理 (von Neumann-Morgenstern Theorem):

If a person's preferences satisfy the four axioms above, then there exists a utility function u such that the person will choose one gamble over another if and only if the expected utility of the first is higher than that of the second.

如果一个人的偏好满足上述四个公理，那么存在一个效用函数 u，使得这个人会选择期望效用更高的赌博。

局限性 (Limitations): 1. Allais Paradox (阿莱悖论) - 违反独立性公理 2. Ellsberg Paradox (埃尔斯伯格悖论) - 模糊性厌恶 3. Framing Effects (框架效应) - 表述方式影响选择 4. Loss Aversion (损失厌恶) - 对损失更敏感

---

4. 行为经济学 (Behavioral Economics)

英文定义:

Behavioral economics studies the effects of psychological, cognitive, emotional, cultural and social factors on the decisions of individuals or institutions, such as how those decisions vary from those implied by classical economic theory.

中文翻译:

行为经济学研究心理、认知、情感、文化和社会因素对个人或机构决策的影响，例如这些决策如何偏离古典经济理论的预测。

主要研究领域 (Main Research Areas):

4.1 启发式与偏差 (Heuristics and Biases)

启发法	英文	中文	说明
Availability	Availability heuristic	可得性启发法	依据容易想起的例子判断
Representativeness	Representativeness heuristic	代表性启发法	依据相似度判断类别
Anchoring	Anchoring and adjustment	锚定与调整	过度依赖初始信息

4.2 常见认知偏差 (Common Cognitive Biases)

偏差	英文	中文	表现
Confirmation bias	Confirmation bias	确认偏误	只寻找支持性证据
Overconfidence	Overconfidence bias	过度自信	高估自己的判断
Hindsight bias	Hindsight bias	后见之明	"我早就知道"
Endowment effect	Endowment effect	禀赋效应	拥有后估值更高
Status quo bias	Status quo bias	现状偏差	偏好维持现状
Sunk cost fallacy	Sunk cost fallacy	沉没成本谬误	因已投入而继续

4.3 双系统理论 (Dual Process Theory)

System 1 (系统 1): - Fast (快速) - Automatic (自动) - Intuitive (直觉) - Emotional (情绪化)

System 2 (系统 2): - Slow (缓慢) - Deliberate (审慎) - Logical (逻辑) - Effortful (费力)

应用 (Applications):

┌─────────────────────────────────────┐
│  Nudge Theory (助推理论)             │
├─────────────────────────────────────┤
│  • Default options (默认选项)       │
│  • Social norms (社会规范)          │
│  • Framing (框架)                   │
│  • Simplification (简化)            │
└─────────────────────────────────────┘

---

5. 因果推断 (Causal Inference)

英文定义:

Causal inference is the process of drawing a conclusion about a causal connection based on the conditions of the occurrence of an effect. It differs from methods of statistical inference that assess association, as it aims to determine whether one variable causes another.

中文翻译:

因果推断是基于效果发生条件得出因果联系结论的过程。它与评估关联性的统计推断方法不同，因为它旨在确定一个变量是否导致另一个变量。

核心概念 (Core Concepts):

概念	英文	中文	说明
Causality	Causality	因果关系	原因导致结果的关系
Correlation	Correlation	相关性	变量间的统计关联
Confounding	Confounding	混淆	第三变量影响因果判断
Counterfactual	Counterfactual	反事实	"如果...会怎样"
Treatment effect	Treatment effect	处理效应	干预的因果效应

因果推断框架 (Causal Inference Frameworks):

5.1 反事实框架 (Counterfactual Framework / Rubin Model)

基本思想:

To estimate the causal effect of a treatment, we need to compare what happened with the treatment to what would have happened without the treatment (the counterfactual).

要估计处理的因果效应，我们需要比较接受处理后的结果与未接受处理会发生的结果（反事实）。

潜在结果模型 (Potential Outcomes Model): - Yᵢ(1): 个体 i 接受处理的结果 - Yᵢ(0): 个体 i 未接受处理的结果 - 因果效应：τᵢ = Yᵢ(1) - Yᵢ(0)

平均处理效应 (Average Treatment Effect, ATE): $$ ATE = E[Y(1) - Y(0)] $$

5.2 因果图框架 (Causal Diagram Framework / Pearl's DAGs)

有向无环图 (Directed Acyclic Graph, DAG):

    X → Y
    ↓   ↑
    Z ──┘

X: 处理变量 (Treatment)
Y: 结果变量 (Outcome)
Z: 混淆变量 (Confounder)

do-算子 (do-calculus): - P(Y | do(X)): 干预 X 后 Y 的概率分布 - 区别于 P(Y | X): 观察到 X 时 Y 的条件概率

后门准则 (Back-door Criterion):

A set of variables Z satisfies the back-door criterion if: 1. No node in Z is a descendant of X 2. Z blocks all back-door paths from X to Y

变量集 Z 满足后门准则，如果： 1. Z 中没有节点是 X 的后代 2. Z 阻断了从 X 到 Y 的所有后门路径

主要方法 (Main Methods):

方法	英文	中文	适用场景
RCT	Randomized Controlled Trial	随机对照试验	黄金标准
PSM	Propensity Score Matching	倾向得分匹配	观察性研究
DID	Difference-in-Differences	双重差分	面板数据
IV	Instrumental Variables	工具变量	内生性问题
RDD	Regression Discontinuity Design	断点回归	阈值分配
SCM	Synthetic Control Method	合成控制法	单一处理单元

---

6. 机器学习 (Machine Learning)

英文定义:

Machine learning is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen situations. Under the umbrella of machine learning, there are several different approaches and tasks.

中文翻译:

机器学习是人工智能领域的一个分支，关注可以从数据中学习并泛化到未见情况的统计算法的开发和研究。在机器学习的范畴下，有几种不同的方法和任务。

学习范式 (Learning Paradigms):

6.1 监督学习 (Supervised Learning)

定义:

Learning a mapping from inputs to outputs based on labeled training data.

中文:

基于有标签的训练数据，学习从输入到输出的映射。

任务类型: - Classification (分类): 预测离散类别 - Regression (回归): 预测连续值

常用算法: | 算法 | 英文 | 中文 | |------|------|------| | Linear Regression | Linear Regression | 线性回归 | | Logistic Regression | Logistic Regression | 逻辑回归 | | Decision Trees | Decision Trees | 决策树 | | Random Forest | Random Forest | 随机森林 | | Support Vector Machine | Support Vector Machine | 支持向量机 | | Neural Networks | Neural Networks | 神经网络 |

6.2 无监督学习 (Unsupervised Learning)

定义:

Finding patterns in data without pre-existing labels.

中文:

在没有预先存在的标签的情况下发现数据中的模式。

任务类型: - Clustering (聚类): 将相似样本分组 - Dimensionality Reduction (降维): 减少特征数量 - Anomaly Detection (异常检测): 识别异常样本

常用算法: | 算法 | 英文 | 中文 | |------|------|------| | K-means | K-means | K 均值聚类 | | Hierarchical Clustering | Hierarchical Clustering | 层次聚类 | | PCA | Principal Component Analysis | 主成分分析 | | t-SNE | t-Distributed Stochastic Neighbor Embedding | t-SNE 降维 | | Autoencoder | Autoencoder | 自编码器 |

6.3 强化学习 (Reinforcement Learning)

定义:

Learning to make decisions by interacting with an environment to maximize cumulative reward.

中文:

通过与环境交互来学习做出决策，以最大化累积奖励。

核心要素: - Agent (智能体): 学习者 - Environment (环境): 交互对象 - Action (行动): 智能体的选择 - Reward (奖励): 反馈信号 - Policy (策略): 行动规则 - Value Function (价值函数): 长期回报估计

---

7. 数据科学 (Data Science)

英文定义:

Data science is an interdisciplinary field that uses scientific methods, processes, algorithms and systems to extract knowledge and insights from noisy, structured and unstructured data, and apply knowledge and actionable insights from data across a broad range of application domains.

中文翻译:

数据科学是一个跨学科领域，使用科学方法、流程、算法和系统从有噪声、结构化和非结构化数据中提取知识和洞察，并将来自数据的可操作洞察应用于广泛的应用领域。

核心组成部分 (Core Components):

                    ┌─────────────────┐
                    │  Domain Knowledge │
                    │   (领域知识)     │
                    └────────┬────────┘
                             │
        ┌────────────────────┼────────────────────┐
        │                    │                    │
        ▼                    ▼                    ▼
┌───────────────┐   ┌───────────────┐   ┌───────────────┐
│    Statistics │   │   Computer    │   │  Mathematics  │
│   (统计学)    │   │    Science    │   │   (数学)     │
│               │   │  (计算机科学) │   │               │
└───────────────┘   └───────────────┘   └───────────────┘

数据科学流程 (Data Science Process):

1. Problem Definition (问题定义)
2. 理解业务目标

3. 定义成功指标

4. Data Collection (数据收集)

5. 从多个来源获取数据

6. 数据集成

7. Data Cleaning (数据清洗)

8. 处理缺失值
9. 处理异常值

10. 数据格式化

11. Exploratory Data Analysis (探索性数据分析)

12. 描述性统计
13. 可视化

14. 发现模式

15. Feature Engineering (特征工程)

16. 特征选择
17. 特征构造

18. 特征转换

19. Model Building (模型构建)

20. 选择算法
21. 训练模型

22. 调参优化

23. Model Evaluation (模型评估)

24. 交叉验证
25. 性能指标

26. 模型比较

27. Deployment (部署)

28. 模型上线
29. 监控

30. 维护

31. Communication (沟通)

32. 结果可视化
33. 报告撰写
34. 决策建议

关键技能 (Key Skills):

技能类别	英文	中文	工具/技术
编程	Programming	编程	Python, R, SQL
统计	Statistics	统计	假设检验，回归
机器学习	Machine Learning	机器学习	scikit-learn, TensorFlow
数据可视化	Data Visualization	数据可视化	Matplotlib, Tableau
大数据	Big Data	大数据	Spark, Hadoop
领域知识	Domain Knowledge	领域知识	行业理解

应用领域 (Application Domains): - Healthcare (医疗保健) - Finance (金融) - E-commerce (电子商务) - Marketing (市场营销) - Manufacturing (制造业) - Government (政府) - Education (教育)

---

📊 概念关系图 (Concept Relationship Map)

graph TB
    A[数据科学 Data Science] --> B[机器学习 Machine Learning]
    A --> C[统计学 Statistics]
    A --> D[领域知识 Domain Knowledge]

    B --> E[监督学习 Supervised Learning]
    B --> F[无监督学习 Unsupervised Learning]
    B --> G[强化学习 Reinforcement Learning]

    C --> H[因果推断 Causal Inference]
    C --> I[决策理论 Decision Theory]

    I --> J[规范理论 Normative Theory]
    I --> K[描述理论 Descriptive Theory]

    K --> L[行为经济学 Behavioral Economics]
    L --> M[前景理论 Prospect Theory]
    L --> N[启发式与偏差 Heuristics and Biases]

    H --> O[反事实框架 Counterfactual Framework]
    H --> P[因果图框架 Causal Diagram Framework]

    style A fill:#e3f2fd
    style L fill:#fff3e0
    style H fill:#f3e5f5

---

🔑 关键术语对照表 (Glossary)

英文	中文	首次出现章节
Decision theory	决策理论	1
Normative	规范的	1
Descriptive	描述的	1
Utility	效用	1
Prospect theory	前景理论	2
Loss aversion	损失厌恶	2
Expected utility	期望效用	3
Behavioral economics	行为经济学	4
Heuristics	启发法	4
Cognitive bias	认知偏差	4
Causal inference	因果推断	5
Counterfactual	反事实	5
Machine learning	机器学习	6
Supervised learning	监督学习	6
Data science	数据科学	7

---

编译完成时间: 2026-06-01
编译者: AI Assistant
数据来源: Wikipedia 多个相关条目

---

**Wikipedia 决策科学核心概念 | 中英对照版** [返回顶部](#目录-table-of-contents)