Думай медленно... решай быстро

Канеман Даниэль

Ошибки оценки сложных событий особенно важны в контексте планирования. Успешное выполнение задуманного – скажем, разработки нового продукта – обычно носит конъюнктивный характер: для успешного завершения проекта должны произойти все события в цепочке. Даже если каждое отдельное событие весьма вероятно, вероятность общего успеха может оказаться довольно низкой, е сли отдельных событий много. Общая тенденция к переоценке вероятности конъюнктивных событий ведет к неоправданному оптимизму при оценке вероятности того, что план принесет успех или проект будет закончен в срок. И наоборот, дизъюнктивные структуры часто оцениваются как рискованные. Работа сложных систем, вроде ядерного реактора или человеческого тела, нарушается при отказе любого из важнейших компонентов. Даже если вероятность отказа каждого компонента мала, вероятность отказа системы может оказаться высокой,

если в работу вовлечено множество компонентов. Из-за эффекта привязки люди недооценивают вероятность отказа в сложных системах. Таким образом, направление ошибки, вызванной эффектом привязки, иногда можно определить по структуре события. Цепочечная структура конъюнктивных событий ведет к переоценке, воронкообразная структура дизъюнктивного события ведет к недооценке.

Эффект привязки при оценке распределения субъективных вероятностей. При принятии решений экспертам часто требуется высказать мнение о некоторой величине, например об индексе Доу-Джонса в определенный день, в форме распределения вероятностей. Обычно для построения такого распределения человека просят выбрать значения величины, которые соответствуют конкретным процентилям его распределения вероятностей. Например, эксперта просят выбрать число, X, таким образом, чтобы субъективная вероятность того, что это число будет больше значения индекса Доу-Джонса, составляла 0,90. То есть эксперт должен выбрать значение X так, чтобы принять ставки 9:1 на то, что индекс Доу-Джонса не превзойдет его. Распределение субъективных вероятностей для значения индекса Доу-Джонса можно построить на основе нескольких таких суждений для разных процентилей.

Собрав распределения субъективных вероятностей для многих разных величин, можно проверить правильность оценок эксперта. Эксперт считается должным образом калиброванным в определенном наборе задач, если ровно П% верных значений оцененных величин оказываются ниже его заявленных значений XП. Например, истинные значения должны быть ниже X для 1% значений и выше X для 1% значений. Следовательно, истинные значения должны попасть в доверительный интервал между X и X в 98% случаев.

Некоторые исследователи [21] проанализировали нарушения в оценке вероятности для многих количественных величин для большого числа экспертов. Эти распределения показывают значительные и систематические отклонения от надлежащих оценок. В большинстве исследований реальные значения оцениваемых величин или меньше, чем X , или больше, чем X , примерно для 30% задач. То есть эксперты выбирают слишком узкие строгие интервалы, говорящие об уверенности большей, чем позволяют их знания об оцениваемой величине. Эта ошибка присуща и неискушенным испытуемым, и умудренным экспертам; ее нельзя снять введением четких правил оценки, которые обеспечивают стимулы для внешней калибровки. Этот эффект связан, по крайней мере частично, с эффектом привязки.

Например, чтобы выбрать X для индекса Доу-Джонса , естественно начать с лучшей оценки и корректировать ее, двигаясь вверх. Если этой корректировки – как обычно и бывает – окажется недостаточно, то X окажется недостаточно экстремальным. Такой же эффект привязки возникнет при выборе числа X , которое будет получено корректировкой от лучшей оценки вниз. Следовательно, доверительный интервал между X и X получится слишком узким и граничное распределение вероятностей окажется слишком жестким. В поддержку этого объяснения можно показать, что субъективные вероятности систематически меняются с помощью процедуры, в которой наилучшая оценка не служи т привязкой.

Распределения субъективных вероятностей для данной величины (индекс Доу-Джонса) можно получить двумя способами: (а) предложить эксперту выбрать значения индекса Доу-Джонса, соответствующие определенному процентилю его распределения вероятностей, или (б) предложить оценить вероятность того, что истинное значение индекса Доу-Джонса превзойдет некоторые указанные числа. Две процедуры формально эквивалентны и должны дать одинаковые распределения. Однако они подразумевают разные режимы корректировки от разных привязок. В процедуре (а) естественной точкой отсчета становится лучшая оценка величины. В процедуре (б), с другой стороны, эксперт может «привязаться» к величине, указанной в вопросе. Или же привязкой могут стать равные шансы – 50:50, что является естественной точкой отсчета при оценке вероятности. В любом случае процедура (б) даст менее экстремальные оценки, чем процедура (а).

Чтобы выявить различия между этими процедурами, испытуемым предложили набор из 24 количественных измерений (например, расстояние по воздуху от Нью-Дели

до Пекина). Участники эксперимента оценивали X и X для каждой величины. Другая группа испытуемых получила средние результаты первой группы по каждой из 24 величин. Их попросили оценить шансы на то, что каждое из представленных чисел превосходит истинное значение соответствующей величины. При отсутствии отклоняющих факторов вторая группа должна была принять шансы, указанные первой группой, то есть 9:1. Однако если привязкой послужат равные шансы или указанные величины, вторая группа должна указать шансы менее экстремальные, то есть ближе к 1:1. В самом деле, в среднем вторая группа указала по всем вопросам шансы 3:1. Когда результаты двух групп были проверены на внешнюю калибровку, оказало сь, что участники в первой группе были излишне экстремальны, в соответствии с предыдущими исследованиями. События, для которых была указана вероятность 0,10, в действительности происходили в 24% случаев. Наоборот, участники во второй группе оказались излишне консервативны. События, для которых они называли вероятность 0,34, в реальности происходили в 26% случаев. Результаты иллюстрируют, каким образом степень правильности оценки зависит от процедуры оценки.

Обсуждение

В данной статье рассматривались когнитивные искажения, вызванные излишним доверием к эвристическим методам и процедурам. Эти искажения не связаны с эффектами мотивации, такими как принятие желаемого за действительное или искажения, внесенные поощрениями и наказаниями. Некоторые из описанных ранее грубых ошибок в суждениях появляются, несмотря на призывы к точности и вознаграждение за правильный ответ [22].

Излишнее доверие к эвристическим методам и частые ошибки – удел не только дилетантов. Опытные исследователи подвержены тем же ошибкам, когда мыслят интуитивно. Например, тенденция прогнозировать результат, который наиболее соответствует входным данным, в сочетании с невниманием к априорной вероятности, наблюдается в интуитивных суждениях у людей, которые специально изучали статистику [23]. Хотя изучавшие статистику избегают элементарных ошибок, вроде «ошибки игрока», их интуитивные суждения подвержены сходным ошибкам в более запутанных и менее прозрачных ситуациях.

Неудивительно, что полезные эвристические методы, такие как репрезентативность и доступность, используются, хотя и приводят иногда к ошибкам в прогнозах и оценках. Удивительно, пожалуй, то, что люди не усваивают таких фундаментальных статистических правил, как регрессия к среднему или влияние размера выборки на изменчивость выборки. Хотя в жизни каждый постоянно сталкивается с примерами, из которых можно вывести эти правила, очень немногие самостоятельно открывают принципы выборки и регрессии. Статистические принципы не усваиваются из повседневного опыта, потому что соответствующие примеры не кодируются должным образом. Например, люди не осознают, что соседние строки в тексте больше отличаются по средней длине слов, чем соседние страницы, просто потому, что не обращают внимания на среднюю длину слов в строке или на странице. То есть связь между размером выборки и изменчивостью выборки не усваивается, хотя примеров вокруг – в изобилии.

Недостаток правильных инструкций объясняет и то, почему люди обычно не замечают искажений в своих суждениях о вероятности. Возможно, человек узнал бы, прошли ли его суждения внешнюю калибровку, ведя строгий учет: какая доля событий произошла из тех, для которых он предсказал ту же вероятность. Однако для людей неестественно группировать события по их прогнозируемой вероятности. Без такого группирования человек не в состоянии узнать, например, что всего лишь 50% событий, которым он приписал вероятность 0,9 и выше, произошли в действительности.

Эмпирический анализ когнитивных искажений много дает для оценки прогноза вероятности в теории и на практике. Современная теория принятия решений [24] рассматривает субъективную вероятность как выраженное в цифрах мнение идеального человека. Конкретно субъективная вероятность данного события определяется набором ставок по поводу этого события, на которые согласен человек. Внутренне согласованную, или когерентную, оценку субъективной вероятности можно вывести, если выбор ставок человека удовлетворяет определенным принципам – аксиомам теории. Полученная вероятность будет субъективной в том смысле, что у разных людей может быть разная вероятность для одного и того же события. Главный плюс такого подхода – строгая субъективная интерпретация вероятности, применимая к уникальным событиям и включенная в общую теорию рационального принятия решений.