Принятие решений в неопределенности стр.277

Можно быть систематичным в исследовании того, что может произойти при использовании такой программы, и где вероятнее всего можно натолкнуться на сложности. Мы уверены, что сейчас видны три такие сложности, и мы уверены, что попытки решения каждой из этих проблем принесут дивиденды в смысле улучшения понимания как того, как люди делают выводы, так и того, как им следует это делать.

1. Может быть очень сложно установить, что данный сомнительный вывод на самом деле ошибочен. В большинстве работ Канемана и Тверски, вероятностные модели, являющиеся основой предписанных выводов, являются стандартными статистическими моделями, и их применение к рассматриваемым событиям неоспоримо. В то время как социально-психологическая ра бота в этом русле продолжается, становится все более ясно, что может быть очень сложно точно знать, какая модель для событий является правильной и, таким образом, знать, для чего требуются процедуры вывода.

2.    Даже если можно быть достаточно уверенным, что произошла ошибка, очень не просто узнать, как она произошла. Трудно узнать, относится ли ошибка насчет ошибочного рассуждения, то есть, скудных процедур вывода, или насчет неправильных моделей, то есть, неверных предшествующих убеждений о природе рассматриваемых событий.

3.    Даже если мы достаточно уверены в соответствующих моделях, у нас может не быть очевидных полезных руководств по выводу. В настоящее время мы не имеем представления о том, как перевести некоторые из наиболее фундаментальных статистических размышлений в руководство по рассуждениям в повседневной жизни. Это выступает особенно явно в примере размышлений о предубеждении выборки. Люди склонны уделять слишком мало внимания возможности того, что свидетельство подверглось предубеждению, но еще далеко до понимания того, какая “статистическая эвристика” будет соответствующей для использования в большинстве проблем реального мира.

Модели и эвристика в индуктивном рассуждении

Давайте начнем наше обсуждение ошибочного индуктивного рассуждения с анализа примера, в котором отсутствуют сложности, на которые мы только что ссылались. Многие из примеров в этой книге подошли бы, но проблема родильного отделения в работе Канемана и Тверски (1972,3) особенно точна и поможет нам установить некоторые определения. Испытуемых попросили составить мнение о том, в большой или в маленькой больнице будет большее число дней в году, когда более 60/> новорожденных будут мальчиками. Большинство испытуемых отметило “примерно одинаковое”, из оставшихся около половины отметили “в большой” и около половины - “в маленькой”. Другими словами, как группа, испытуемые были уверены, что подобные отклоняющиеся дни, когда рождение мальчиков превысит 60%, будут в равной степени вероятны как в большой, так и в маленькой больнице.

Канеман и Тверски предположили на основе этого и многих других экспериментов, что преобладающий способ рассуждения, ведущий к этому результату, — это использование эвристики репрезентативности. Испытуемые, использующие эту эвристику, будут фокусироваться на различии отклоняющегося результата (60%) от предполагаемого типичного исхода (около 50% для этого случая). Поскольку на степень сходства, или “репрезентативность”, не влияет размер больницы, испытуемые будут считать вероятность отклоняющегося результата одинаковой для обеих больниц.

Однако, при правильном подходе к этой проблеме, мы обращаемся к действительным подгруппам “мужских” и “женских” исходов в любой из дней в одной больнице, как к случайной выборке из совокупности 50 - 50. Затем следует, из биноминальной формулы или закона больших чисел, что отклоняющийся процент выборки менее вероятен при большем размере выборки. Заключаем, исходя из применения вероятностной модели, что дни, когда рождается 60 или более процентов мальчиков менее вероятны в большой больнице.


⇐ назад к прежней странице | | перейти на следующую страницу ⇒