信息正交性

一句话定义

信息正交性（Orthogonal Information Structures，正交信息结构）是一种多来源证据结构的审查工具：对于同一待判断的状态，识别信号是否来自共同上游、互相引用或共有系统性偏差，避免把相关证据重复计数成“多方独立证实”；再选择能够提供条件性新增信息的证据来检验假设。正交≠角度多≠意见不同≠绝对真实，不能把这种应用性工作法说成原论文的固定四步模型。

资产类型与证据状态

成熟论文支撑的信息经济学结构模型 + 本库的经营诊断应用化操作法。 Niv Ahituv 与 Boaz Ronen 于1986年提出NYU工作论文 Orthogonal Information Structures: A Model to Evaluate the Information Provided by a Second Opinion，1988年正式发表于 Decision Sciences 19(2):255–268，DOI:10.1111/j.1540-5915.1988.tb00265.x。原研究在关于共同自然状态的多信息源框架下，通过“正交积”（orthogonal product）表示信息结构的独立性，研究第二份意见的信息价值，并在附录讨论部分依赖信号。本卡“来源谱系—依赖审计—条件增量—取证实验”是我们对原理论的应用性整理，不是Ahituv、Ronen发明的统一命名操作流程。 原始数学证明不等于现实企业利润或诊断效果已通过验证。

提出背景与原本问题

成本估算等商业决策常向不同专家取得第二意见，但表面上有多份报告，并不能仅凭数量断定信息获得了实质增加。原作者研究独立信息源在同一潜在状态上的信号如何组合；在其决策与信息结构假设下，忽略成本时增加第二份信息具有非负信息价值。现实中如来源相互引用、同一底层数据、模型有共同偏差，独立条件被破坏，必须先查来源依赖，不能机械叠加置信度。

它解决什么问题

• 多位专家、Agent、媒体或报告都一致，却可能都引用同一份底层资料，制造虚假的“多方证实”。
• 经营调研里同一套客户说法经过销售、管理层和咨询报告反复转述，无法区分真实独立信号和重复描述。
• 要决定下一轮取证对象，希望获得对现有判断的条件新增证据，而不是继续堆高度同源信息。
• 需要在证据聚合前识别共同方法偏差、相互引用、抽样重叠和依赖关系，降低重复计数风险。

它不解决什么问题

• 不是第086号信息价值理论：086判断值得获取的信息是否改变决策、收益是否超过成本；本卡先问多条证据能否视为不同信息增量，以及依赖在哪里。来源独立本身不保证决策价值。
• 不是第002号MECE原则或第108号战略切分法：分类维度不重不漏、经营变量正交，不代表证据源在统计上独立。
• 不是第130号群体智慧：群体智慧关注独立判断、认知多样性和适当聚合等条件及集体结果；本卡聚焦任何多来源证据的谱系和信号依赖。
• 不是第179号弱关系/第157号结构洞：跨圈层可能带来新信息，但弱关系不保证信息准确或独立。
• 不证明不同方向的信息一定独立，也不证明同一方向的独立重复实验没有价值；重复测量可以帮助降低随机误差、复现结果。
• 不替代因果识别、数据真实性核验、样本代表性、专业判断，也不保证避免系统性错误。

适用问题对象

• 企业经营诊断中的客户/流程/财务/市场多源事实交叉验证；S'FOCUS的S1要素取证与S2实际运行证据核验。
• AI Agent或多智能体决策的引用溯源、共享上下文与同一模型偏差审计。
• 媒体调查、投资研究及技术评估中的“多个来源其实同一源头”识别。

关键假设与失效处理

原论文的正交积属于特定信息经济结构假设，不能自动迁移为任意“维度互不相似”或“判断一定正确”；来源独立和统计条件独立要分开。若信息源有关联但独立成分仍包含新信息，不能全盘丢弃；若独立新来源误差更大或成本不可承受，应用086权衡；若所有资料均不可溯源，产出“证据不足”及最小核验，不得输出伪精确独立性分数；若重复实验证明结果稳健，不可因“冗余”而否定复现价值。

易混淆模型与可替代模型

• 第086号信息价值理论：是否值得花成本获取、是否改变决策；本模型审查多条信息的依赖结构。
• 第130号群体智慧：何时多人独立判断的聚合有助于准确；本模型先判断多人是否真的带来了独立信号。
• 第002号MECE原则：不重不漏地分类问题；不代表证据独立。
• 第108号王慧文战略切分法：用尽量正交的变量切分经营逻辑；不是审核证据来源独立性。
• 第191号来源可信度模型：来源是否专业可信；本模型聚焦跨来源相依和重复计数。
• 第179号弱关系理论：跨圈层接触非冗余信息；本模型聚焦证据谱系。
• 可替代模型：单份资料是否值得看优先086；分类错误优先002；群体汇聚机制优先130；要验证因果转第140号假设与验证/第209号关键变量思维。

正例问题

• 三家研究机构都说某行业需求快速增长，但发现它们引用同一份底层调查；还能把三份报告当三条独立证据吗？下一步该找什么？
• 三个不同AI Agent都支持同一项投资判断，却共用一套材料和同一个基础模型；怎样识别假共识并设计独立反证？

反例问题

• 只有一份用户访谈材料，想问它是否值得继续搜、搜完值不值成本。——选第086号信息价值理论。
• 客户分群维度交叉混乱，想把行业客群不重不漏地分类。——选第002号MECE原则或第108号战略切分法。
• 已有独立预测，想设计群体汇总权重与聚合结果的机制。——选第130号群体智慧。

常见误用

• 把不同作者、不同Agent或不同媒体机构的转述当作独立证据。
• 因为渠道看起来不一样就认为抽样/测量误差相互独立。
• 把重复测量和独立复现一概视为“无用冗余”。
• 用正交性替代真实性、可靠性和相关性审计，忽略不独立但仍有条件增量的情况。
• 把条件互信息、线性代数的向量正交与原论文的正交积当作同一个算子。

来源与证据边界

• Ahituv, N. & Ronen, B. (1986), Orthogonal Information Structures: A Model to Evaluate the Information Provided by a Second Opinion, New York University Stern Working Paper IS-86-03, https://archive.nyu.edu/handle/2451/14499
• Ahituv, N. & Ronen, B. (1988), Orthogonal Information Structures—A Model to Evaluate the Information Provided by a Second Opinion, Decision Sciences 19(2):255–268, https://doi.org/10.1111/j.1540-5915.1988.tb00265.x
• 条件互信息是信息论中的相关工具，不是原论文正交积算子的同义词；本卡来源谱系、依赖矩阵及S'FOCUS应用流程为应用性综合，不把真实经营效果外推为已验证。

关键机制及可审查的数学表示

1. 共同状态 H 与多份信号 E1、E2：先固定究竟验证哪个主张和时间窗口，不拿不同任务的问题假装相互印证。
2. 来源谱系/依赖图：标出原始观察者、底层数据、传播/转述/模型加工链及相互引用；不同作者、不同Agent或不同机构不自动构成独立来源。
3. 条件信息增量：用条件互信息 I(H;E2|E1)=H(H|E1)-H(H|E1,E2) 表达在已知E1后，E2还对H提供多少信息。此处是信息论的关联性度量，不等同于原论文的正交积算子，也不直接等于货币价值。
4. 依赖审计与新证据选择：区分共享底层样本、共同偏差、共同激励、相同算法、报告互引；找可溯源、可复核、有不同误差结构的信号。
5. 校准而非崇拜独立：独立但质量差的信息也会误导；高质量重复测量可提供复现/降噪价值；当证据强相关时不可直接把“3人同意”当成三个独立似然因子的乘积。

标准使用流程（本库应用性设计）

1. 定主张：写出一个可证伪的具体判断 H、范围、时间及决定采取什么动作。
2. 画来源图：逐项记录 E1…En 是一手观察、同一数据库转述，还是独立取样/独立测量；拆出共同源与依赖。
3. 区分新增与重复：不是数信息条数，而是确认当前信息池尚缺哪类误差来源不同、与判断相关的证据；必要时标置信度不可计算。
4. 设计反证：找能够推翻现有结论的独立测量或新样本，而不只是换专家/换提示词重复问。
5. 小规模验证：先取得一条可追溯新信号，复核其真实性及对判断的改变；由第086号信息价值理论进一步比较收益与取证成本。

诊断问题

• 这三份意见真正有几个原始来源？是否相互引用或使用同一份样本？
• 哪些信号与假设H相关，但有不同的采集路径或误差结构？
• 即使意见一致，它们是否受同一种激励、制度、模型或报告影响？
• 加一条新证据后，条件上新增了什么、减少了哪一种不确定性？
• 有没有明确反证、独立抽样/交易行为/第三方测量能推翻当前结论？
• 新证据可靠、及时且与行动相关吗？如果不相关就返回第086号。
• 哪些重复观测对复现结果有用，不应被误当作无价值噪音？

交付物

• 核心判断H与证据清单（时间/来源/方法/取样范围/可靠性）。
• 信息源谱系图和依赖矩阵（同源、互引、样本重叠、共同激励）。
• 有效独立来源数的保守标注（不强行计算精确整数）、未覆盖视角/反证列表。
• 下一条独立取证行动卡：需要哪条新信号、谁获取、如何复核、什么结果会改判。

白纸测试与证伪门（尚无独立盲测）

• 正例A（隐藏模型名）：同源行业报告反复转载，任务是绘制底层数据引用链、重新计算有效证据数量并设计未共源的客户行为信号。
• 正例B（隐藏模型名）：多个AI分析员共享检索语料及同一语言模型，任务是查共享输入、同构偏差，再寻求异源数据或真实事件核验。
• 反例C（隐藏模型名）：一份准确报告是否值得花一小时阅读，应由第086号信息价值理论主刀，不抢路由。
• 失效D：若来源虽高度相关，但额外独立抽样能够稳定提高校准准确度，应承认有增量，不能断言“重复就一定没价值”；若引入所谓新源后不改变校准/判断，独立性不是收益证明。
• 验收状态：内部题型和预期已列出；自动路由回归通过与否待同步验证；独立盲测与真实经营成效均未完成，不得写已证明改善决策。

2016年美国总统选举州级民调的共同误差

美国民意研究协会（AAPOR）复盘2016年美国总统大选民调后指出：全国民调整体较准确，但部分关键州民调低估了特朗普支持率。一个重要原因是州级调查未充分按照受教育程度加权，较低学历选民的回应率偏低。不同机构的预测结果看起来彼此印证，却可能受到相似的方法偏差影响。

公开事实

• AAPOR 2016年报告指出全国民调较准确，而关键州级民调的结果存在偏差。
• 州级调查按教育程度加权不足是重要因素，临近投票时支持变化也有影响。

模型解释

这说明机构彼此不同，不代表统计误差彼此独立。进行证据汇总时，应检查样本、加权方法及共同偏差，并从不同数据途径寻找可以反证的信号；这是信息正交性的应用解读，并非AAPOR把该选举研究称为‘信息正交性模型’。

证据边界

公开复盘支持的是州级民调存在相似的方法性误差，不是说所有民调机构使用了同一份样本，也不能据此证明独立证据必然正确。

公开来源

• AAPOR
• Pew Research Center