9-6　结论因模型的设定自身而发生变化

那么，在蒙蒂霍尔问题中，“应该改变最初的选择”这一结论，似乎已经是板上钉钉的结论了。但实际上，笔者并不这样认为。因为“A帘的后验概率为1/3，C帘的后验概率为2/3”的结果，毫无疑问依存于模型的设定 。

当然，将A、B、C的先验概率都设定为1/3，这一点是没有异议的。问题在于，关于主持人会打开帘子的条件概率的设定存在恣意性。 如果“恣意性”一词听起来略具批判性的话，也可以用“如何对模型进行设定”来表达。

在上一节的模型中，在A帘后面藏有汽车的情况下，我们设定：主持人以打开B帘或C帘的概率各占一半。但其实并没有证据表明，必须做出这样的判断。实际上，在C帘后面藏有汽车的情况下，主持人除了打开B帘之外，并没有其他的选择，所以他会立刻打开B帘。但是，在A帘后面藏有汽车的情况下，由于有B帘和C帘两个选项，主持人可能会有一瞬间的犹豫，来思考究竟要打开B帘和C帘哪一个为好。如果聪明的游戏参加者看穿了主持人那一瞬间的犹豫，便能以此为线索来推算汽车究竟藏在哪个帘子后面。而主持人为了避免这种情况的发生，可以采取“事先准备好根据汽车的所在位置来决定打开哪一个帘子，并预先进行练习”的策略。

例如，事先准备好“在游戏参加者选择了A帘，并且A帘后面的确藏有汽车的情况下，便打开B帘”。这样一来，图表9-2就需要进行相应的调整，如图表9-4 所示。

图表9-4　条件概率的设定

像这样，在使用考虑到分配条件概率的模型时，结论会有所不同，如图表9-5 所示。

图表9-5　排除不可能发生的情况

通过图表9-5我们可以了解到，A和C的后验概率会变为相等，各为1/2。这与想法1的结论相一致。

然而，该模型可能会受到如下批判。应该再设定“在游戏参加者选择了A帘，并且A帘后面的确藏有汽车的情况下，便打开C帘”这样的模型。这种情况下，反而会得出“一定要改选C帘”的结论。然而，如果对该批判进行深入思考的话，结论会是这样的：由于不能判断汽车的确切位置，或许还是应该对等地处理B和C会更好一些。然而，这是将“理由不充分原理”扩展到条件概率的思路， 超出了通常的贝叶斯推理范围。

总之，说到底，概率性推论依存于“主观”因素——对概率现象结构的想象，因此结论会根据模型的构建方式而不同。 因此可以说，概率性推论并不存在“正确的答案”，至多是“妥当的推论”罢了。这一点在贝叶斯统计学和标准统计学（内曼－皮尔逊统计学）中是相同的。