Skip to content

CSlawyer1985/legal-skillhub / skills/anythingbutlaw

AnythingButLaw

Verified

法外功夫 — Non-legal business skills for lawyers. Decision analysis, game theory, contract design, accounting, finance, microeconomics, law & economics, statistics, and regression analysis distilled into deep, actionable frameworks for legal practice. Each domain includes formulas with LaTeX notation, worked examples, adversarial checklists, and book-aligned structure. | 律师必备的非法律商业技能深度参考:决策分析、博弈论、合同设计、会计、金融、微观经济学、法经济学、统计分析、多元回归。每章都包含完整公式推导、worked examples、对抗清单与经典判例。当用户涉及和解谈判、合同激励、财务尽调、企业估值、损害赔偿计算、反垄断分析、统计证据评估、歧视诉讼回归分析、hold-up、效率违约、Daubert 动议等场景时触发。

references/decision-analysis.md

View on GitHub
# 决策分析 Decision Analysis

> 律师的工作本质是帮客户在不确定性下做选择。决策分析把"我觉得应该这样"变成"在这些概率和收益下,最优选择是这个"。

## 为什么律师需要决策分析

法学院教你怎么打赢一个"事实确定"的案子:找先例、论证法律适用。但现实中的客户问题几乎总是这样的:

- **和解 vs 开庭**:对方开 110 万和解,该接吗?
- **要不要请专家证人**:20 万起步,值得吗?
- **要不要上诉**:上诉胜率 30%,继续打还是认输?
- **要不要追加调查**:再花 5 万能挖到什么?

这些问题都没有"法律答案" —— 它们是决策问题。决策分析就是把这些问题 **结构化** 的方法论。核心工具只有一个:决策树 (decision tree)。

## 1. 决策树 Decision Trees

### 1.1 三种节点

| 节点类型 | 符号 | 含义 | 律师例子 |
|---|---|---|---|
| **决策节点 (decision node)** | □ | 你能控制的选择 | 和解 / 开庭 |
| **机会节点 (chance node)** | ○ | 你无法控制的随机事件 | 胜诉、陪审团裁决 |
| **终端节点 (terminal node)** | • | 最终的收益或成本 | 净赔偿金额 |

### 1.2 构建顺序:从左到右,按时间

决策树的时间轴必须与真实世界一致。最左边是"现在要做的第一个决定";最右边是"所有事情尘埃落定后的结果"。决策节点和机会节点按时间交替出现。

**概率要求**:每个机会节点的所有分支概率之和必须等于 $1$(不漏事件、不重复)。

**数字要求**:每个终端节点必须写明 net payoff(通常是美元)。成本写负号、收益写正号。如果所有结果都是成本,可以统一省略负号、让决策者 **最小化总成本**。

### 1.3 求解顺序:从右到左(Rollback / Folding-back)

这是决策树的核心算法。口诀:**构建从左到右,求解从右到左**。

**第一步:折返机会节点**。从最右端开始,对每个机会节点计算期望值:

$$EV = \sum_{i=1}^{n} p_i \cdot x_i$$

**第二步:折返决策节点**。对每个决策节点,选 EV 最优的那一支,把其他支"折断"(画双横线 ╫)。被选中分支的 EV 写在决策节点旁边。

**第三步**:递归应用前两步,直到折返回最左端的初始决策。那条没被折断的路径 = 最优策略。

**为什么必须从右往左**?因为每个决策节点的"最优选择"取决于"未来每种可能性的价值"。只有知道下一步会发生什么、每种可能性值多少钱,你才能理性地选当下。

### 1.4 Worked Example:两阶段和解决策

客户 IMP 公司被起诉,面对原告 $\$1{,}100{,}000$ 的和解要约。如果拒绝进入审判:$50\%$ 概率被认定责任;若被认定责任,$90\%$ 概率判普通赔偿 $\$1{,}000{,}000$、$10\%$ 概率判惩罚性赔偿 $\$25{,}000{,}000$。无论输赢,律师费 $\$50{,}000$ 是确定支出。

**决策树**:

```
                       ┌── p=0.90 ──→ -$1,050,000
           ┌─ 认定 ────○
           │  p=0.50   └── p=0.10 ──→ -$25,050,000
   ┌─ 开庭 ○
   │       │
□──┤       └── 不认定 (p=0.50) ──→ -$50,000
   │
   └─ 和解 ──→ -$1,100,000
```

**求解(从右往左)**:

认定责任后的机会节点:

$$EV_{\text{认定}} = 0.90 \times (-\$1{,}050{,}000) + 0.10 \times (-\$25{,}050{,}000) = -\$3{,}450{,}000$$

审判机会节点:

$$EV_{\text{开庭}} = 0.50 \times (-\$3{,}450{,}000) + 0.50 \times (-\$50{,}000) = -\$1{,}750{,}000$$

初始决策节点比较:

- 和解:$-\$1{,}100{,}000$
- 开庭:$-\$1{,}750{,}000$

**最优决策:和解**。差额 $\$650{,}000$。

**一个经典陷阱**:资深合伙人会说"最可能结果只是普通赔偿 100 万,50% 概率 × 100 万 = 50 万,加律师费也就 55 万,110 万和解要求太荒谬。"这个错误叫 **锚定最可能结果 (most-likely-outcome bias)**。正确做法是对所有分支按概率加权——$5\%$ 联合概率 $\times$ $\$25{,}000{,}000$ = $\$1{,}250{,}000$,仅这一个尾部事件的独立期望贡献就超过了整个和解金额。**低概率 ≠ 低重要性**。

## 2. 效用理论与风险态度

期望值假设决策者 **风险中性 (risk neutral)**:$\$100$ 和"50% 概率得 $\$200$, 50% 概率得 $\$0$"一样好。但现实中多数人(尤其是个人客户)是 **风险规避 (risk averse)** 的。

### 2.1 效用函数 Utility Function

用效用函数 $u(w)$ 衡量财富 $w$ 对一个人的真实价值。风险规避意味着 $u$ 是凹的(二阶导 $u''(w) < 0$):多一万块对穷人比对富人更重要(**边际效用递减**)。

**常见的效用函数**:

- **对数效用 (log utility)**:$u(w) = \ln(w)$。常用于家庭金融决策。
- **CRRA (constant relative risk aversion)**:$u(w) = \dfrac{w^{1-\gamma}}{1-\gamma}$,$\gamma > 0$ 是相对风险规避系数。$\gamma = 0$ 风险中性;$\gamma = 1$ 等价于对数效用;$\gamma = 2$ 是多数零售投资者的粗略估计。
- **CARA (constant absolute risk aversion)**:$u(w) = -e^{-\alpha w}$。数学上好用,但不符合"越有钱越不在乎"的直觉。

### 2.2 确定性等价 Certainty Equivalent

风险规避者愿意用多少 **确定金额** 换一个风险赌局?这就是确定性等价 $CE$:

$$u(CE) = E[u(w)]$$

**例**:客户当前财富 $\$1{,}000{,}000$。诉讼有 $50\%$ 概率赢 $\$1{,}000{,}000$、$50\%$ 概率赢 $\$0$。采用对数效用 $u(w) = \ln(w)$:

$$E[u] = 0.5 \ln(2{,}000{,}000) + 0.5 \ln(1{,}000{,}000) = 0.5 \times 14.509 + 0.5 \times 13.816 = 14.162$$

$$CE = e^{14.162} - 1{,}000{,}000 \approx \$414{,}214$$

这个赌局的期望价值是 $\$500{,}000$,但客户只愿意接受约 **$\$414{,}214$ 的确定和解**。

$$\text{风险溢价 (risk premium)} = E[w] - CE = \$500{,}000 - \$414{,}214 = \$85{,}786$$

这是客户愿意为"去除风险"支付的价格。

### 2.3 律师实务意义

- **和解的真实底线** 是确定性等价,不是期望值。个人客户的 CE 往往远低于 EV,所以他们比公司客户更愿意接受"低于期望值"的和解。
- **公司客户** 在小额诉讼中接近风险中性(几百万对大公司是四舍五入),但在可能触发债务加速条款、影响股价、引发监管调查的"致命案件"中会突然变成极度风险规避。
- **双方风险规避的非对称** 决定了谁在谈判中会先让步——风险规避方是"弱者",哪怕他的案件本身更强。
- **保险的存在** 本质上就是因为 CE < EV:双方都从交易中获益(被保险人去风险、保险人赚保费差)。

## 3. 贝叶斯更新 Bayesian Updating

证据会改变胜诉概率。贝叶斯定理是把"新证据"转化为"新概率"的正确工具。

### 3.1 贝叶斯定理

$$P(H \mid E) = \frac{P(E \mid H) \cdot P(H)}{P(E)}$$

- $P(H)$ = 先验概率 (prior):看到证据前对假设 H 的信念
- $P(E \mid H)$ = 似然 (likelihood):如果 H 真,看到 E 的概率
- $P(H \mid E)$ = 后验概率 (posterior):看到 E 后更新的信念
- $P(E) = P(E \mid H) \cdot P(H) + P(E \mid \neg H) \cdot P(\neg H)$ = 证据的全概率

### 3.2 律师场景:新证据如何改变胜诉概率

**例**:你最初估计本案胜诉概率 $60\%$。发现一份邮件——如果你的事实理论正确,邮件像这样的概率是 $80\%$;如果你的事实理论错误,邮件"偶然"看起来像这样的概率是 $30\%$。看到这份邮件后,胜诉概率是多少?

- 先验 $P(\text{胜}) = 0.60$
- $P(\text{邮件} \mid \text{胜}) = 0.80$
- $P(\text{邮件} \mid \text{败}) = 0.30$
- $P(\text{邮件}) = 0.80 \times 0.60 + 0.30 \times 0.40 = 0.60$

$$P(\text{胜} \mid \text{邮件}) = \frac{0.80 \times 0.60}{0.60} = 0.80$$

胜诉概率从 $60\%$ 上升到 $\mathbf{80\%}$。

### 3.3 检察官谬误 Prosecutor's Fallacy

最危险的贝叶斯错误:**把 $P(E \mid H)$ 当成 $P(H \mid E)$**。

**例**:某 DNA 检测"匹配率 $1/1{,}000{,}000$"。检察官说"被告无罪的概率只有百万分之一"——错。

真正的含义是:$P(\text{DNA 匹配} \mid \text{无罪}) = 10^{-6}$。但我们要的是 $P(\text{无罪} \mid \text{DNA 匹配})$。两者通过贝叶斯连接,还需要 **先验** —— 犯罪嫌疑池的大小。

若犯罪现场附近有 $500{,}000$ 个可能嫌疑人,先验 $P(\text{有罪}) = 1/500{,}000$:

$$P(\text{有罪} \mid \text{匹配}) = \frac{1 \times 1/500{,}000}{1 \times 1/500{,}000 + 10^{-6} \times (1 - 1/500{,}000)} \approx \frac{2 \times 10^{-6}}{2 \times 10^{-6} + 10^{-6}} \approx 0.67$$

后验概率 **只有 $67\%$**,不是"百万分之一的无辜率"。如果没有其他证据,这离"排除合理怀疑"还差得很远。参见 `statistics.md` 的贝叶斯证据章节。

## 4. 信息价值 Value of Information (VOI)

律师要不要花钱请专家证人?做模拟陪审团?雇独立估值师?这些都是"信息采购"决策。VOI 提供了一个严格的买 / 不买标准。

### 4.1 完美信息的期望价值 EVPI

假设你能在决策前 **完美预知** 案件结果。这份完美信息值多少钱?

$$EVPI = E\bigl[\max_{a} x(a, s)\bigr] - \max_{a} E[x(a, s)]$$

即"每种未来下选最优行动的期望"减去"不知未来时的 EV 最优"。

**IMP 案续**:当前最优是和解,EV = $-\$1{,}100{,}000$。

有了完美信息:
- $50\%$ 概率"会被认定" → 提前选和解 → 成本 $\$1{,}100{,}000$
- $50\%$ 概率"不会被认定" → 选开庭 → 成本 $\$50{,}000$(只付律师费)

$$E[\text{有完美信息}] = 0.50 \times (-1{,}100{,}000) + 0.50 \times (-50{,}000) = -\$575{,}000$$

$$EVPI = (-\$575{,}000) - (-\$1{,}100{,}000) = \$525{,}000$$

**完美预言家对这个案子最多值 $\$525{,}000$**。任何调查成本超过这个数都不值得。

### 4.2 不完美信息的期望价值 EVSI

现实中没有完美信息,但有"带信号的调查"(比如请专家估计某个事实、做证人访谈)。EVSI 通过贝叶斯更新后重新求解决策树:

$$EVSI = E_{\text{posterior}}\bigl[\max_{a} x\bigr] - \max_{a} E[x]$$

决策规则:**只要 $EVSI > $ 调查成本,就应该做调查**。$EVSI \leq EVPI$ 恒成立(不完美信息不可能比完美信息更值钱)。

**实务含义**:
- 律师"多多益善地调查"常常不理性——很多调查的 EVSI 其实很低,因为即使结果出来,最优决策也不会变。
- 一个调查值不值得做,取决于它 **能不能翻转决策**,不是"能不能给我更多信心"。

## 5. 多阶段决策树 Multi-Stage Trees

现实案件很少是一次决策,而是 **决策 → 新信息 → 再决策** 的序列:

1. 决定要不要起诉
2. 看到对方答辩后,决定要不要追加调查
3. 看到对方专家证词后,决定要不要和解
4. 如果和解谈崩,决定要不要上诉

多阶段树的处理方法完全相同:**从最远的未来往回折**。每个后续决策节点的"价值"通过折返计算,然后嵌入到前一个节点的收益。

**常见错误**:把多阶段决策简化为"一次性大决策"——会错过 **等待期权 (option to wait)** 的价值。律师最核心的技能之一就是识别"不必现在决定,可以先收集信息再决定"的机会。这类似于金融中的实物期权 (real option),参见 `finance.md`。

## 6. 非期望值决策规则 Non-EV Decision Rules

EV 不是唯一标准。在某些情境下,律师应考虑:

### 6.1 Maximin
选择 **"最坏情况下收益最大"** 的选项:
$$a^* = \arg\max_{a} \min_{s} x(a, s)$$

高度风险规避。适合"输不起"场景——涉及品牌毁灭、刑事责任、公司存亡的案件。

### 6.2 Minimax Regret
先计算每个 $(a, s)$ 组合的后悔值:
$$\text{regret}(a, s) = \max_{a'} x(a', s) - x(a, s)$$

然后选 **最大后悔值最小** 的行动:
$$a^* = \arg\min_{a} \max_{s} \text{regret}(a, s)$$

适合"事后要复盘"的场景——上市公司董事会、机构客户。

### 6.3 Hurwicz α 准则
乐观与悲观的加权平均:
$$V(a) = \alpha \cdot \max_{s} x(a, s) + (1 - \alpha) \cdot \min_{s} x(a, s)$$

$\alpha = 1$ 是纯乐观(maximax),$\alpha = 0$ 是 maximin。

**使用场景**:这些准则很少单独使用,主要在 **无法估计概率** 的极端情形(新兴市场监管风险、全新类型诉讼)作为 EV 的补充。

## 7. 敏感性分析 Sensitivity Analysis

### 7.1 一元敏感性 / 交叉点 Crossover Point

改变一个变量,看最优决策何时翻转。

**IMP 案**:惩罚性赔偿概率 $p$ 是多少时,开庭 = 和解?设:
$$0.50 \times [(1-p) \times 1{,}050{,}000 + p \times 25{,}050{,}000] + 50{,}000 = 1{,}100{,}000$$

解得 $p \approx 4.58\%$。Bill 估计的 $10\%$ 已远超交叉点。**交叉点的距离告诉你决策的稳健性**——如果要让你的概率估计错到 $4.58\%$ 以下才翻案,你可以很有信心地坚持和解建议。

### 7.2 龙卷风图 Tornado Diagram

把所有输入变量按"敏感度"排序,画成从宽到窄的横条(形似龙卷风)。最宽的条 = 对最终决策影响最大的变量——调查资源应该优先放在那里。

### 7.3 蒙特卡洛模拟 Monte Carlo Simulation

当有多个不确定变量时,手算敏感性不可行。用 @RISK、Crystal Ball 或 Python 跑 $10{,}000$ 次随机模拟,得到决策结果的 **完整分布**(不只是 EV,还有方差、$5\%$ VaR 等)。在复杂企业估值、损害赔偿计算中是标配。

## 8. 认知偏误 Cognitive Biases

理性决策分析必须对抗系统性偏误。律师(和客户)最常见的:

### 8.1 乐观偏误 Optimism Bias

律师普遍高估本方胜诉概率(实证研究显示平均 $+15$ 到 $+20$ 个百分点)。对方律师也一样。**双方都乐观 → 和解空间消失**(因为双方对"开庭期望值"的估计差距太大)。

**对策**:
- 强制用具体数字表达概率,禁用"很可能"、"应该没问题"
- 请独立律师做 devil's advocate review
- 对照同类案件的历史胜率基准(base rate)

### 8.2 锚定效应 Anchoring

第一个出现的数字(对方开价、某个先例赔偿额)会扭曲后续所有判断。**对策**:在看到对方数字前,先独立做决策树并写下你的数字;谈判时主动抛出你的锚。

### 8.3 可得性偏误 Availability Heuristic

最近发生的、情绪强烈的案例被过度加权。你上周见证的一个 $\$25M$ 判决会让你在所有案件中高估惩罚性赔偿概率。**对策**:用统计基础率,不要靠回忆。

### 8.4 框架效应 Framing Effect

同一事实描述成"$80\%$ 存活率"和"$20\%$ 死亡率"会得到不同决策。法律实务中最常见的是 **损失厌恶 (loss aversion)**:Kahneman & Tversky 发现,人对"失去已到手的 100 万"的痛苦,是"得不到本应有的 100 万"的约 $2$–$2.5$ 倍。谈判时把你的方案框架为"避免损失"比"获得收益"更有说服力。

### 8.5 沉没成本谬误 Sunk Cost Fallacy

"我们已经在这个案子上花了 50 万了,不能就这样放弃"——错。理性决策只看 **未来的期望值**。已经花的钱不可收回,与当下决策无关。

### 8.6 合取谬误 Conjunction Fallacy

Linda 问题:直觉会认为"Linda 是银行出纳员 **且** 女权主义者"比"Linda 是银行出纳员"概率更高——不可能(AND 永远小于单条件)。律师在构建理论时常犯这个错:一个依赖 5 个独立事实都成立的理论,即使每个事实 $80\%$ 可信,总概率也只有 $0.8^5 \approx 33\%$。

## 9. 破产与支付能力 Solvency

决策树一个常被忽视的维度:**你赢了,对方付得起吗**?

**例**:胜诉概率 $70\%$,判决金额 $\$10M$,但被告净资产只有 $\$3M$。真正的期望值不是 $0.70 \times 10M = 7M$,而是:

$$EV = 0.70 \times \min(10M, 3M) - \text{诉讼成本} = 0.70 \times 3M - \text{成本} = 2.1M - \text{成本}$$

**律师实务**:开庭前做 **资产调查 (asset search)**——UCC 备案、不动产登记、工商登记、通过发现程序查银行账户、域外资产追查。一个判决如果不能执行,等于没打。这是新手律师最常忽视的一步。

## 10. 律师的决策分析对抗清单

### 当对方律师给你抛出一个"简单"的期望值

1. **所有重要分支列了吗**?尤其是尾部(低概率高金额)事件
2. **概率怎么估计的**?基于几个案例?样本够大吗?还是"感觉上"?
3. **用了风险中性假设吗**?个人客户应该用确定性等价
4. **时间折现了吗**?未来的 $\$100M$ $\neq$ 今天的 $\$100M$(见 `finance.md`)
5. **考虑了支付能力吗**?
6. **做了敏感性分析吗**?交叉点在哪?决策多稳健?
7. **包含了沉没成本吗**?(不应该包含)
8. **忽略了等待期权吗**?真的必须现在决定吗?

### 当你自己在做决策分析

9. 把所有概率写成数字,不许用"很可能"
10. 每个机会节点的分支概率加起来必须 = 1
11. 严格从右到左折返
12. 用敏感性分析测试稳健性
13. 对抗自己的乐观偏误——请同事做 peer review
14. 把客户财富和风险态度显式化

## 11. 书中经典案例

- **Dirty Works Audit 问题**:审计合伙人发现客户造假后的决策树——报告 vs 不报告的期望值。教训:**监管者的宽大处理条款 (leniency program) 本质上是在重塑被监管者的决策树**。
- **IMP v. Paula**:上面 §1.4 的数值例子。
- **Powerball 一次性 vs 年金**:$20$ 年年金在适当折现率下往往远低于看似的面值——见 `finance.md`。
- **Eskimo Pie 估值案**:并购估值的决策树 + 多方法交叉验证——见 `finance.md`。

## 12. 常见陷阱速查表

| 陷阱 | 症状 | 修正 |
|---|---|---|
| 锚定最可能结果 | 只用 modal outcome 算期望 | 所有分支加权求和 |
| 忽略尾部事件 | "$5\%$ 概率太低不用管" | 乘以金额看贡献 |
| 风险中性错用 | 对个人客户用 EV | 改用 $CE$ |
| 忽略支付能力 | 胜诉 = 拿到钱 | 乘以执行率 |
| 沉没成本干扰 | "都投入这么多了" | 只看未来 EV |
| 不做敏感性 | 报一个数字就完事 | 给交叉点和范围 |
| 双重折扣混淆 | 联合概率概念不清 | 显式写 $p_1 \times p_2$ |
| 不做 VOI 分析 | "调查越多越好" | 对比 $EVSI$ vs 成本 |
| 乐观偏误 | 胜诉率估 $80\%$ | 用历史基率校准 |
| 合取谬误 | 5 事实理论全部成立 | $0.8^5 \approx 33\%$ |

---

**进阶阅读**:Raiffa & Schlaifer, *Applied Statistical Decision Theory*;Howard & Abbas, *Foundations of Decision Analysis*;Kahneman, *Thinking, Fast and Slow*。

**相关参考文件**:
- `game-theory.md` — 当对手也在做决策时
- `finance.md` — 如何折现未来现金流、风险-收益关系
- `statistics.md` — 概率如何从数据中估计
- `examples/settlement-decision-analysis.md` — 完整 worked example
brainstormingobra/superpowersYou MUST use this before any creative work - creating features, building components, adding functionality, modifying behavior, or planning anything new, in software or out of it (a talk, a business, a renovation).Stars: 323kUpdated Claude CodeCodexVerifiedInstall
brand-guidelinesanthropics/skillsApplies Anthropic's official brand colors and typography to any sort of artifact that may benefit from having Anthropic's look-and-feel. Use it when brand colors or style guidelines, visual formatting, or company design standards apply.Stars: 198kUpdated Claude CodeCodexVerifiedInstall
frontend-designanthropics/skillsGuidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults.Stars: 198kUpdated Claude CodeCodexVerifiedInstall
mcp-builderanthropics/skillsGuide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate external APIs or services, whether in Python (FastMCP) or Node/TypeScript (MCP SDK).Stars: 198kUpdated Claude CodeCodexVerifiedInstall