Принятие решений в неопределенности стр.315

В общем, положительный анализ ошибки наиболее полезен тогда, когда одна эвристика объясняет суждения в разнящемся наборе проблем, где нарушаются различные нормативные правила. Соответственно, отрицательный анализ будет наиболее показательным, когда люди последовательно нарушают правило в различных проблемах, но совершают ошибки, которые нельзя отнести к одной эвристике. Тогда становится уместным вопрос, почему люди не могут выучить правило, если рутинные наблюдения повседневных событий предлагает достаточно возможностей для этого. Также становится уместным вопрос, почему люди сопротивляются правилу, если их не убеждают простые валидные доводы. Сложности изучения статистических принципов на повседневном опыте обсуждались несколькими авторами, наиболее полно Айнхорном, Хогартом (Einhomn Hogart, 1978), JI.P.Голдбергом (L. R. Goldberg, 1968b), Нисбеттом и Россом (Nisbett и Ross, 1980). Неудачи научения обычно исходят из недоступности необходимого кодирования релевантных примеров или к отсутствию корректирующей обратной связи по ошибочным суждениям. Сопротивление принятию правила обычно приписывается его не-интуитивной природе. В качестве примера мы обратимся теперь к анализу причин сопротивления правилу регрессивного прогнозирования.

Исследования интуитивного прогнозирования обеспечили много свидетельств преобладания тенденции делать прогнозы, которые являются радикальными или недостаточно регрессивными. (Недавний обзор этой литературы см. в Главе 15). В более ранних статьях мы предлагали положительный анализ этого эффекта как проявление репрезентативной эвристики (Kahneman & Tversky, 1973,4; 1979а, 30). Однако, как мы увидим, есть основания для того, чтобы обратиться к отрицательному анализу для более понятной трактовки.

Отрицательный анализ представляет особый интерес в случае с ошибками понимания, при которых люди находят правильное правило не-интуи-тивным или даже контр-интуитивным. Как засвидетельствует большинство преподавателей элементарной статистики, студенты находят концепцию регрессии очень сложной для понимания и применения, несмотря на жизненный опыт, в котором крайние прогнозы было часто слишком крайними. Спортивные тренеры и учителя, например, знакомы с проявлениями регрессии к среднему: за исключительными достижениями чаще идет разочарование, а за неудачами - улучшение.

Более того, когда регрессия критериальной переменной по предсказывающей переменной в действительности линейна, и когда условное распреде ление критерия (для фиксированных значений предсказывающей переменной) симметрично, правило регрессивного прогнозирования может быть защищено непреодолимым доводом: имеет смысл сделать одинаковый прогноз для всех случаев, которые имеют одинаковое значение предсказывающей переменной, и имеет смысл выбрать этот прогноз так, чтобы средняя величина и медиана критериального значения, для всех случаев, которые делят одинаковое предсказанное значение Y, равнялось У. Это правило, однако, противостоит другим видам интуиции, некоторые из которых обсуждаются в следующих абзацах.

1.    “Оптимальное правило прогнозирования должно, по крайней мере, позволять, если не гарантирован», совершенно точное прогнозирование для целого набора случаев”. Принцип регрессивного прогнозирования нарушает это, по-видимому, благоразумное требование. Он выдает набор предсказанных значений, который имеет меньшее различие, чем соответствующий набор действительных значений критерия и, таким образом, исключает возможность набора совершенно точных прогнозов. В самом деле, правило регрессии гарантирует, что ошибка будет допускаться в каждой паре коррелирующих наблюдений: мы никогда не сможем найти сына, чей рост был правильно предсказан по росту его отца, и также позволял точное прогнозирование роста отца, за исключением, когда оба значения находятся в середине распределения роста. Странно, что правило прогнозирования, гарантирующее ошибку, должно превратитьс т. в оптимальное.


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