Думай медленно... Решай быстро - читать онлайн книгу. Автор: Дэниел Канеман cтр.№ 121

Суждения в условиях неопределенности: эвристические методы и ошибки [4 - Статья впервые опубликована в журнале Science (1974. Vol. 185), на русском языке вышла под названием «Принятие решений в условиях неопределенности: правила и предубеждения». (Харьков: Гуманитарный центр, 2005) (примеч. перев.).]

Амос Тверски и Даниэль Канеман

Многие решения опираются на представления о вероятности неопределенных событий, таких как победа на выборах, признание подсудимого виновным или будущий курс доллара. Эти представления обычно выражаются в таких заявлениях: «думаю, что…», «есть вероятность…», «маловероятно, что…» и так далее. Иногда представления о неопределенных событиях выражаются в численной форме – как шансы или субъективная вероятность. Чем определяются такие представления? Как оценивают вероятность неопределенных событий или значение неопределенной величины? Эта статья показывает, что люди полагаются на ограниченный набор эвристических принципов, сводящих сложную задачу оценки вероятности и прогноза значений к более простым операциям суждений. Часто эти эвристические методы приносят пользу, но иногда ведут к грубым и систематическим ошибкам.

Субъективная оценка вероятности напоминает субъективную оценку физических величин, таких как расстояние и размер. Подобные суждения основаны на данных ограниченной достоверности, которые обрабатываются по эвристическим правилам. Например, кажущееся расстояние до объекта частично определяется различимостью самого объекта. Чем отчетливее виден объект, тем ближе он кажется расположенным. Это правило обладает некоторой ценностью, потому что в конкретных обстоятельствах дальний объект выглядит менее четко, чем ближний. Однако вера в это правило приводит к систематическим ошибкам в оценке расстояния. В частности, расстояния переоцениваются в условиях плохой видимости, поскольку контуры объекта размыты. С другой стороны, расстояния недооцениваются в условиях прекрасной видимости, потому что объекты видны четко. Опора на четкость как на показатель расстояния приводит к частым ошибкам. Такие же искажения таятся и в интуитивных суждениях о вероятности. В этой статье описаны три эвристических метода, с помощью которых оцениваются вероятности и прогнозируются значения величин. Перечислены ошибки, вызванные этими эвристическими методами, и приведены практические и теоретические выводы из наблюдений.

Вопросы о вероятности, встающие перед людьми, как правило, относятся к одному из следующих типов: какова вероятность того, что объект А принадлежит классу Б? Какова вероятность того, что событие А – следствие процесса Б? Какова вероятность того, что процесс Б приведет к событию А? Отвечая на подобные вопросы, люди обычно опираются на эвристику репрезентативности (типичности): вероятности оцениваются по той степени, в которой А репрезентативно по отношению к Б, то есть по степени, в которой А напоминает Б. Например, если А очень репрезентативно по отношению к Б, вероятность того, что А – результат Б, оценивается как высокая. С другой стороны, если А не похоже на Б, вероятность того, что А – результат Б, оценивается как низкая.

Для иллюстрации суждения по репрезентативности представим человека, которого бывший сосед описывает следующим образом: «Стив – застенчивый и замкнутый, всегда готов помочь, но его мало интересуют люди и реальный мир. Кроткий и аккуратный, Стив во всем ищет порядок и структуру; он очень внимателен к мелочам». Как оценить вероятность того, что Стив выберет то или иное занятие из предложенного списка (например, фермер, продавец, летчик, библиотекарь или врач)? Как выстроить эти профессии от наиболее вероятной к наименее вероятной? В эвристике репрезентативности вероятность того, например, что Стив – библиотекарь, оценивается по степени его репрезентативности, то есть по соответствию стереотипу библиотекаря. Исследования показывают, что профессии выбираются в равной мере по принципу вероятности и по принципу схожести [1]. Такой подход к оценке вероятности приводит к серьезным ошибкам, потому что сходство или репрезентативность не учитывают нескольких факторов, которые должны влиять на оценку вероятности.

Игнорирование априорной вероятности. Одним из факторов, которые не влияют на репрезентативность, но от которых сильно зависит вероятность, является априорная вероятность, или исходный частотный уровень событий. В случае со Стивом то, что фермеры составляют гораздо большую часть населения, чем библиотекари, должно влиять на любую разумную оценку вероятности того, что Стив – библиотекарь, а не фермер. Однако соображения априорной вероятности не влияют на схожесть Стива со стереотипами библиотекарей и фермеров. Если вероятность оценивают по репрезентативности, значит, априорные вероятности игнорируются. Эта гипотеза была проверена в эксперименте с подтасовкой априорных вероятностей [2]. Участникам предлагали краткие описания нескольких лиц, якобы отобранные наугад из выборки 100 профессионалов – инженеров и юристов. Для каждого описания участников просили оценить вероятность того, что данный человек – инженер, а не юрист. Половине испытуемых говорили, что в группе, из которой отобраны описания, 70 инженеров и 30 юристов; а оставши мся – что в группе 30 инженеров и 70 юристов. Вероятность того, что описанный человек – инженер, а не юрист, должна быть выше в первом случае, где инженеров – большинство, чем во втором, где большинство – юристы. Применение формулы Байеса показывает, что соотношение вероятностей должно быть (0,7/0,3)2, или 5,44 для каждого описания. Грубо нарушая формулу Байеса, участники в обоих случаях выдавали практически одинаковые суждения о вероятности. Очевидно, что участники оценивали вероятность принадлежности описанного человека к инженерам, а не к юристам по степени схожести описания с двумя стереотипами, почти или совсем не учитывая априорной вероятности категорий.

Данные об априорной вероятности использовались правильно, когда отсутствовала другая информация. Если персональные описания не предлагались, участники соответственно оценивали вероятность того, что человек – инженер, как 0,7 и 0,3 в двух сессиях. Однако априорные вероятности решительно игнорировались, когда предлагалось описание, даже если оно не несло в себе никакой информации. Следующие ответы иллюстрируют это явление.

«Дику 30 лет. Он женат, детей нет. Очень способный и упорный, он наверняка добьется успеха в своей области. Он пользуется признанием коллег».

Такое описание не несет в себе никакой информации относительно того, является ли Дик инженером или юристом. Соответственно, вероятность того, что Дик – инженер, должна равняться доле инженеров в общей выборке, как и в случае отсутствия описания. Однако участники оценивали вероятность того, что Дик – инженер, как 0,5, независимо от того, составляла ли доля инженеров в группе 0,7 или 0,3. Получается, что при отсутствии данных люди отвечают иначе, чем при предоставлении бесполезных данных. Когда конкретных данных нет, априорная вероятность используется правильно; когда есть бесполезные данные, априорная вероятность игнорируется [3].

Игнорирование размеров выборки. Для оценки вероятности получения конкретного результата в выборке из некой популяции обычно применяют эвристику репрезентативности, то есть оценивают вероятность результата в выборке (например, что средний рост в случайной выборке из десяти мужчин составит 6 футов) по схожести этого результата с соответствующим параметром (то есть со средним ростом для всех мужчин). Схожесть статистики в выборке и во всей популяции не зависит от размера выборки. Следовательно, если вероятность оценивается по репрезентативности, тогда оцениваемая вероятность для выборки совершенно не будет зависеть от размера выборки. Когда участники оценивали распределение среднего роста в выборках различного размера, распределение получалось одинаковым. Например, вероятность получения среднего роста выше 6 футов получала одинаковые значения для выборки в 1000, 100 и 10 мужчин [4]. Более того, участники не учитывали важность размера выборки, даже когда она особо подчеркивалась в формулировке задачи. Рассмотрим следующий пример.