Думай медленно... Решай быстро - читать онлайн книгу. Автор: Дэниел Канеман cтр.№ 44

Правильный ответ на вопрос о Томе В. состоит в том, что следует оставаться очень близко к первоначальным убеждениям, слегка уменьшая изначально высокие вероятности попадания Тома В. в распространенные специальности (гуманитарные науки и образование, общественные науки и социальная работа) и чуть увеличивая низкие вероятности редких специальностей (библиотечное дело, компьютерные науки). Вы не совсем в тех же условиях, как если бы вообще ничего не знали о Томе В., но скудным данным нельзя доверять, так что в оценках должна доминировать априорная вероятность.

Ваша предположение, что завтра будет дождь, – это субъективная уверенность, но не следует позволять себе верить всему, что приходит в голову. Чтобы быть полезными, ваши убеждения должны ограничиваться логикой вероятности. Если вы считаете, что вероятность дождя завтра 40%, также следует верить, что вероятность того, что дождя не будет, составляет 60%, и не следует верить, что вероятность дождя завтра утром 50%. А если вы верите, что кандидат Х. станет президентом с вероятностью 30% и, в случае избрания, будет переизбран с вероятностью 80%, то вы должны верить, что он будет избран дважды с вероятностью 24%.

Правила, важные для случаев вроде задачи о Томе В., предлагаются байесовской статистикой. Этот важный современный подход к статистике назван в честь преподобного Томаса Байеса, английского священника XVIII века, сделавшего первый крупный вклад в решение серьезной задачи: логику того, как следует менять свое мнение в присутствии фактов. Правило Байеса определяет, как сочетать существующие убеждения (априорные вероятности) с диагностической ценностью информации, то есть насколько гипотезу следует предпочитать альтернативе. Например, если вы считаете, что 3% студентов-магистров занимаются компьютерными науками (априорная вероятность), и также считаете, что, судя по описанию, Том В. в четыре раз а вероятнее изучает именно их, чем другие науки, то по формуле Байеса следует считать, что вероятность того, что Том В. – компьютерщик, составляет 11%. Если априорная вероятность составляла 80%, то новая степень уверенности будет 94,1%, и так далее.

Математические подробности в этой книге не важны. Необходимо помнить два важных положения о ходе байесовских рассуждений и о том, как мы его обычно нарушаем. Во-первых, априорные вероятности важны даже при наличии информации о рассматриваемом случае. Часто это интуитивно не очевидно. Во-вторых, интуитивные впечатления о диагностической ценности информации часто преувеличены. WYSIATI и ассоциативная когерентность заставляют нас верить в истории, которые мы сами для себя сочиняем. Ключевые правила упорядоченных байесовских рассуждений формулируются очень просто:

• Оценку вероятности результата следует основывать на достоверной априорной вероятности.

• Необходимо сомневаться в диагностической ценности вашей информации.

Оба правила просты и ясны. Как ни странно, меня никогда не учили, как ими пользоваться, и даже сейчас следование им кажется мне неестественным.

«Газон ухожен, секретарь в приемной выглядит профессионалом, мебель красива, но из этого не следует, что компанией хорошо управляют. Надеюсь, совет директоров не пойдет на поводу у репрезентативности».

«Эта новая компания выглядит многообещающе, но априорная вероятность успеха в этой отрасли очень низкая. Откуда мы знаем, что в данном случае все будет по-другому?»

«Они постоянно делают одну и ту же ошибку: предсказывают маловероятные события на основании недостаточных данных. При недостатке информации всегда лучше придерживаться априорных вероятностей».

«Я понимаю, что этот изобличительный отчет, возможно, основывается на веских доказательствах, но уверены ли мы в этом? При его рассмотрении следует учитывать сомнительность данных».

В нашем самом известном эксперименте, вызвавшем больше всего споров, речь шла о вымышленной женщине по имени Линда. Мы с Амосом придумали ее, чтобы убедительно показать роль эвристики в суждениях и несовместимость эвристических методов с логикой. Линду мы описывали так:

Линде 31 год, она не замужем, откровенная и очень умная. В университете изучала философию. Будучи студенткой, она уделяла много внимания вопросам дискриминации и социальной справедливости, а также участвовала в демонстрациях против использования ядерного оружия.

В 1980-е годы, услышав это описание, все смеялись, потому что немедленно понимали, что Линда училась в Калифорнийском университете в Беркли, который в то время славился своими радикальными, политически активными студентами. В одном из экспериментов мы предоставили испытуемым список из восьми сценариев развития событий, возможных для Линды. Как и в задаче про Тома В., некоторые располагали их по репрезентативности, другие – по вероятности. Задача про Линду напоминает задачу про Тома В., но с некоторыми важными изменениями.

Линда – учительница начальной школы.

Линда работает в книжном магазине и занимается йогой.

Линда – активистка феминистского движения.

Линда – социальный работник в психиатрии.

Линда – член Лиги женщин-избирательниц.

Линда – кассир в банке.

Линда – страховой агент.

Линда – кассир в банке и активистка феминистского движения.

По многим признакам видно, что это старое задание. Лига женщин-избирательниц уже не играет такой роли, ка к раньше, а мысль о феминистском «движении» кажется странной из-за изменений в статусе женщин, произошедших за последние тридцать лет. И все-таки даже в эпоху «Фейсбука» легко угадать почти единодушное мнение: Линда хорошо подходит на роль активной феминистки, неплохо – на роль сотрудницы книжного магазина, занимающейся йогой, и вряд ли подходит на роль страхового агента или банковского кассира.

Теперь обратите внимание на важный момент: похожа ли она больше на кассира или на кассира – активистку феминистического движения? Все сходятся во мнении, что Линда больше подходит под образ «кассира-феминистки», чем под стереотипное представление о кассирах. Обычные кассиры – не феминистки, добавление этой подробности делает историю более когерентной.

Важное изменение содержится в оценках вероятности, поскольку между этими двумя сценариями существует логическое отношение. Представьте себе диаграмму Венна. Множество кассиров-феминисток полностью включено во множество кассиров, поскольку каждая кассир-феминистка – кассир. Следовательно, вероятность того, что Линда – кассир-феминистка, обязана быть меньше вероятности того, что она – кассир. Чем больше подробностей возможного события вы упоминаете, тем меньше его вероятность. Таким образом, задание порождает конфликт между предчувствием репрезентативности и логикой вероятности.

Первый эксперимент был межкатегориальный (between-subject). Каждый участник знакомился с семью вариантами, среди которых был только один важный пункт («кассир» или «кассир-феминистка»). Некоторые располагали ответы по сходству, другие – по вероятности. Как и в случае с Томом В., «кассир-феминистка» в обоих случаях оказалась в среднем выше расположенной, чем просто «кассир».