Întrebările despre probabilitățile cu care se confruntă oamenii tind să cadă într-unul din următoarele tipuri: care este probabilitatea ca obiectul A să aparțină clasei B? Care este probabilitatea ca evenimentul A să fie o consecință a procesului B? Care este probabilitatea ca procesul B să conducă la evenimentul A? Răspunzând la întrebări ca acestea, oamenii tind să se bazeze pe euristica de reprezentativitate (tipic): probabilitatea de a fi apreciat în măsura în care A este reprezentativ în ceea ce privește B, adică, în măsura în care A seamănă B. De exemplu, în cazul în care A este foarte reprezentativ în raport cu B, probabilitatea ca A să fie rezultatul lui B este estimată ca fiind ridicată. Pe de altă parte, dacă A nu seamănă cu B, probabilitatea ca A să fie rezultatul lui B este estimată ca scăzută.
Pentru a ilustra judecata reprezentativității imagina un om a cărui vecin a fost creditat cu următorul text: „Steve - timid și rezervat, mereu gata să ajute, dar au un interes scăzut în oameni și lumea reală. Meeky și îngrijit, Steve se uită în ordine și structură; el este foarte atent la lucrurile mici ". Cum de a evalua probabilitatea ca Steve va alege o anumită activitate din listă (de exemplu, fermierul, vânzătorul, un pilot, un bibliotecar sau un medic)? Cum să construiți aceste profesii de la cel mai probabil la cel mai puțin probabil? Probabilitatea euristic reprezentativitate, de exemplu, Steve - bibliotecarul, este estimat de gradul de reprezentativitate sale, adică se potrivesc stereotipul bibliotecarului. Studiile arată că profesiile sunt alese în egală măsură de principiul probabilității și de principiul asemănării [1]. Această abordare a estimării probabilității duce la erori grave, deoarece similitudinea sau reprezentativitatea nu ia în considerare mai mulți factori care ar trebui să influențeze estimarea probabilității.
Ignorarea dimensiunilor eșantioanelor. Pentru a estima probabilitatea unui anumit rezultat într-un eșantion de o anumită populație aplică de obicei reprezentare euristică, adică estimarea rezultat probabilitate într-o probă (de exemplu, că creșterea medie într-un eșantion aleatoriu de zece oameni vor fi de 6 picioare) pentru similaritatea acestui rezultat cu parametrul corespunzător (adică, cu înălțimea medie pentru toți bărbații). Similitudinea statisticilor în eșantion și în întreaga populație nu depinde de mărimea eșantionului. Prin urmare, dacă probabilitatea este estimată prin reprezentativitate, atunci probabilitatea estimată pentru eșantionare nu va depinde complet de mărimea eșantionului. Când participanții au evaluat distribuția creșterii medii în eșantioane de mărimi diferite, distribuția a fost aceeași. De exemplu, probabilitatea obținerii unei creșteri medii de peste 6 picioare a primit aceleași valori pentru o probă de 1000, 100 și 10 bărbați [4]. Mai mult decât atât, participanții nu au luat în considerare importanța mărimii eșantionului, chiar dacă au fost schițate în mod special în formularea problemei. Luați în considerare următorul exemplu.
În oraș există două spitale. Într-un spital mare, în fiecare zi se nasc aproximativ 45 de copii, într-un mic spital în fiecare zi, se nasc aproximativ 15 copii. După cum se știe, aproximativ 50% din toate nou-născuții sunt băieți. Cu toate acestea, raportul exact variază de la o zi la alta.
Uneori băieții sunt mai mult de 50%, uneori mai puțin.
Pe parcursul anului, fiecare spital marchează zilele în care se nasc mai mult de 60% din toate nou-născuții. În spitalul în care credeți că există mai multe astfel de zile?
În spațiul mare (21)
În micul (21)
Aproximativ aceeași (adică o diferență mai mică de 5%) (53)
Cifrele din paranteze indică numărul de studenți care au ales răspunsul.
Majoritatea participanților au decis că probabilitatea de a avea mai mult de 60% dintre băieții născuți va fi aceeași pentru un spital mic și mare. probabil pentru că aceste evenimente sunt descrise de aceleași statistici și, astfel, reprezintă în mod egal populația generală. Cu toate acestea, teoria eșantionării afirmă că zilele în care băieții se nasc cu mai mult de 60% se așteaptă să fie mult mai mari într-un spital mic decât într-unul mai mare, deoarece distribuția în eșantioane mari va fi mai puțin probabil să se abată de la 50%. Evident, acest concept fundamental al statisticilor nu face parte dintr-un set de abilități intuitive.
A fost găsită o ignorare similară a mărimii eșantionului atunci când se evaluează probabilitatea a posteriori, adică probabilitatea ca proba să fie luată de la o anumită populație și nu de la o altă populație. Luați în considerare următorul exemplu.
Imaginați-vă un vas plin cu bile, din care # 8532; aceeași culoare și # 8531; - altul. O persoană, care a scos dintr-un vas de 5 bile, a găsit 4 roșii și una albă. Un alt om a scos 20 de mingi și a numărat 12 roșii și 8 alb. Care dintre cei doi participanți va fi mai încrezător că în navă # 8532; roșii și 531; - Alb, și nu invers? Care sunt șansele fiecărui participant?
În această problemă, șansele a posteriori corecte sunt 8 la 1 pentru un eșantion de 4: 1 și 16 la 1 pentru un eșantion de 12: 8, presupunând probabilități egale a priori. Cu toate acestea, se pare că majoritatea oamenilor consideră că primul eșantion reprezintă o dovadă mai puternică a ipotezei predominării bilelor roșii într-un vas, deoarece proporția bilelor roșii din primul eșantion este mai mare decât cea de-a doua. Din nou, alegerea intuitivă este influențată de raportul din eșantion și nu influențează deloc mărimea eșantionului, care joacă un rol crucial în determinarea probabilităților reale a posteriori [5]. În plus, evaluările intuitive ale șanselor posteriori nu sunt la fel de extreme ca valorile reale. Subestimarea influenței dovezilor este observată în mod constant în probleme de acest tip [6]. Acest fenomen a fost numit "conservatorism".
Provocări greșite despre șanse. Oamenii se așteaptă ca succesiunea evenimentelor generate de un proces aleatoriu să fie o caracteristică esențială a procesului, chiar dacă secvența este scurtă. De exemplu, aruncarea unei monede (capete sau cozi), persoana care consideră secvența finală G-P-O-P-P-O ca mai probabil decât secvența O-O-O-P-P-P, care cade rar și mai mult probabil decât secvența O-O-O-O-R-O, care nu reflectă rezultate la fel de probabile banul [7]. Astfel, oamenii se așteaptă ca caracteristicile esențiale ale procesului să fie prezentate nu numai la nivel global, ci și local, în fiecare parte. De fapt, o secvență reprezentativă local deviază sistematic de la probabilitățile așteptate: există prea multe alternări și prea puține repetări. O altă consecință a credinței în reprezentativitatea locală este greșeala cunoscută a jucătorului. De exemplu, văzând o secvență lungă de pierdere de roșu pe masa de ruleta, majoritatea oamenilor cred că este rândul de negru ca pierderea de negru da o secvență de mai reprezentativ decât altul de un roșu. Șansa este adesea văzută ca un proces de auto-reglementare în care o abatere de la o parte provoacă o abatere în direcția opusă - pentru a menține echilibrul. De fapt, abaterile nu sunt "corectate" pe măsură ce procesul se dezvoltă; ele sunt pur și simplu netezite.
Sugestii greșite despre șansele - mulțimea nu numai a oamenilor simpli. Studii intuiții statistice de cercetători cu experiență, psihologi [8] a relevat o concepție greșită persistente care ar putea fi numit „legea numerelor mici“, - potrivit acestuia, chiar și proba mic este foarte reprezentativ pentru populațiile lor. Răspunsurile cercetătorilor reflectă speranța că ipoteza valabilă despre populație va produce rezultate semnificative din punct de vedere statistic într-un eșantion de orice dimensiune. După cum sa dovedit, cercetătorii au avut încredere în rezultatele probelor mici și au supraestimat în mare măsură reproductibilitatea acestor rezultate. În condiții de cercetare reale, astfel de distorsiuni duc la eșantioane de dimensiuni inadecvate și interpretare exagerată a rezultatelor.
Ignorarea predictibilității. Oamenii trebuie uneori să facă previziuni numerice - de exemplu, să prezică prețul viitor al acțiunilor, cererea pentru un produs sau rezultatul unui meci de fotbal. Aceste previziuni sunt adesea făcute pe baza reprezentativității. De exemplu, imaginați-vă că cineva este oferit o descriere a companiei și este rugat să dea o previziune a profiturilor viitoare. Dacă descrierea companiei este foarte favorabilă, profiturile ridicate vor părea reprezentative pentru această descriere; dacă descrierea este medie, cifrele medii vor fi cele mai reprezentative. Avantajul descrierii nu este afectat de gradul de fiabilitate sau de măsura în care permite predicții exacte. Aceasta înseamnă că, dacă prognoza se face numai pe baza caracterului favorabil al descrierii, atunci previziunile ignoră fiabilitatea probelor și precizia preconizată a prognozei.
Acest mod de a face judecăți contravine unei teorii statistice în care extremele și gama de previziuni sunt constrânse de considerente de previzibilitate. Atunci când predictibilitatea este zero, aceleași previziuni ar trebui să fie date în toate cazurile. De exemplu, dacă în descrierea companiilor nu există informații referitoare la profituri, atunci este corect să oferim aceeași previziune (de exemplu profitul mediu) pentru toate companiile. Dacă predictibilitatea este ideală, valorile prezise vor coincide, bineînțeles, cu cele reale, iar intervalul previziunilor va coincide cu intervalul totalurilor. În general, cu cât previzibilitatea este mai mare, cu atât mai mare este intervalul de valori estimate.
Unele studii ale prognozei numerice au arătat că predicții intuitive încalcă această regulă și că oamenii rareori ia în considerare - sau nu ia în considerare. - considerațiile previzibilitatea [9] Într-unul din studii, participanților li s-au oferit mai multe paragrafe, fiecare dintre acestea descriind acțiunile profesorului stagiar în timpul lecției. Unii participanți au fost rugați să evalueze (în procente) calitatea lecției descrise în text cu privire la o anumită populație. Alți participanți au fost rugați să prezică (și în puncte percentile) succesul acestui stagiar la cinci ani de la această lecție. Punctele de vedere exprimate în aceste condiții au fost identice, adică previziunile pentru criteriile de la distanță (profesori de succes în cinci ani) coincide cu evaluarea informațiilor pe care să se bazeze estimarea (calitate descrisă lecție). Elevii care au răspuns, desigur, știau că previzibilitatea competenței de predare pentru o singură lecție acum cinci ani este limitată; cu toate acestea, prognozele lor erau la fel de radicale ca estimările lor.
Iluzie de valabilitate. După cum am menționat deja, oamenii, dând o previziune, aleg rezultatul (de exemplu, profesia), cel mai reprezentativ pentru datele de intrare (de exemplu, descrierea persoanei). Încrederea în corectitudinea prognozei depinde în mod direct de gradul de reprezentativitate (adică de gradul de coincidență dintre rezultatul selectat și datele de intrare); în timp ce aproape (sau complet) nu iau în considerare factorii care limitează precizia prognozei. Astfel, oamenii cu mare încredere numesc profesia de bibliotecar, dacă descrierea propusă a persoanei corespunde stereotipului bibliotecarului, chiar dacă descrierea este slabă, nesigură sau depășită. Fidelitatea nerezonabilă cauzată de o bună coincidență între rezultatul prezis și datele de intrare poate fi numită o iluzie a valabilității. Această iluzie rămâne, chiar și atunci când persoana este conștientă de factorii care limitează precizia prognozei. Este binecunoscut faptul că psihologii care efectuează interviuri de locuri de muncă calificate sunt adesea foarte încrezători în previziunile lor, în ciuda familiarității cu literatura exhaustivă, care demonstrează fiabilitatea scăzută a interviurilor. Faptul că interviurile de selecție continuă să fie date, în ciuda numeroaselor exemple de inadecvare a acestora, confirmă forța acestui efect.
Coerența internă a structurii datelor de intrare reprezintă principala sursă de încredere în prognoza bazată pe aceste intrări. De exemplu, persoanele cu o mai mare încredere prezic calificativele finale ale elevului, care în primul an de formare a primit note continue de "B" decât studentul care a primit o mulțime de "A" și "C" în primul an. Structurile foarte coerente sunt cele mai des observate atunci când variabilele de intrare sunt redundante sau interconectate. Prin urmare, oamenii sunt mai încrezători în construirea predicțiilor pe variabilele de intrare redundante. Cu toate acestea, concluzia elementară din statisticile de corelare arată că, cu datele de intrare cu valabilitatea specificată, predicția bazată pe ele va fi mai precisă dacă datele sunt independente una de cealaltă decât dacă sunt corelate sau corelate. Astfel, relația dintre datele de intrare reduce precizia, deși crește încrederea; iar oamenii sunt adesea încrezători în predicțiile care au lovit ținta [10].
Articole similare
Trimiteți-le prietenilor: