代表性偏差（Representativeness Heuristic）是认知心理学与行为决策理论中的一个核心概念，由诺贝尔经济学奖得主丹尼尔·卡尼曼与阿莫斯·特沃斯基在1970年代的系统研究中首次提出。它描述的是人们在判断某一事件或个体属于特定类别的概率时，往往会过度依赖该事件与典型原型的相似程度，而忽略了基础概率、样本规模等统计信息。这种启发式思维虽然能帮助人们快速做出决策，却容易导致系统性错误。例如，当人们看到一个内向、注重细节的人时，可能会因其特征与“图书馆管理员”的刻板印象高度匹配，而忽视现实中程序员职业基数远大于图书馆管理员的事实，从而错误地高估其从事前者的概率。
代表性偏差的深层机制源于人类认知的“认知捷径”特性——我们的大脑倾向于通过直观的相似性比较来简化复杂的概率评估，而非进行耗时的统计计算。这种偏差在金融投资、医疗诊断、法律判决等多个领域都有显著体现：投资者可能因为某公司的产品符合“创新企业”的形象而盲目投资，却无视行业整体成功率；医生可能因症状与典型疾病高度吻合而仓促确诊，忽略了其他可能性。要克服代表性偏差，决策者需要主动引入基础概率思考，培养统计素养，并通过结构化决策工具来平衡直觉与理性分析。
若希望深入探索这一主题，推荐阅读卡尼曼的著作《思考，快与慢》（中信出版社，2012年译本），书中通过大量实验案例揭示了代表性偏差与其他认知偏差的交互作用；同时可参考特沃斯基与卡尼曼的经典论文《Judgment under Uncertainty: Heuristics and Biases》（Science, 1974），该研究为行为经济学奠定了理论基础。