Nejutīgums pret izlases lielumu

Īsumā

1. Īss kopsavilkums

Mēs instinktīvi ticam, ka mazai datu izlasei vajadzētu izskatīties tieši tāpat kā lielākai populācijai, no kuras tā iegūta. Kad desmit monētas metieni neuzrāda perfektu 50/50 sadalījumu, mēs saskatām modeļus, sērijas vai netaisnību, nevis atzīstam mazu skaitļu dabisko mainīgumu. Tas liek mums izdarīt pārliecinošus secinājumus no ierobežotiem datiem, saskatīt nozīmīgas tendences nejaušā troksnī un noraidīt to izšķirošo lomu, kas kvantitātei ir statistikas uzticamībā.

2. Zinātne aiz tā

2.1. Atklāšana un vēsture

Formāla nejutīguma pret izlases lielumu identificēšana parādījās līdz ar kognitīvo revolūciju psiholoģijā 1970. gados. 1971. gadā Amoss Tverskis (Amos Tversky) un Daniels Kānemans (Daniel Kahneman) publicēja pētījumu "Belief in the Law of Small Numbers" žurnālā Psychological Bulletin, ierosinot, ka cilvēka intuīcija darbojas tā, it kā Lielo skaitļu likums attiektos arī uz maziem skaitļiem. Trīs gadus vēlāk, viņu nozīmīgajā 1974. gada Science rakstā "Judgment under Uncertainty: Heuristics and Biases", viņi formāli kodificēja šo fenomenu kā specifisku kognitīvo aizspriedumu plašākā reprezentativitātes heiristikas ietvarā.

Intelektuālās saknes meklējamas matemātiskajā varbūtību teorijā, īpaši Džirolamo Kardāno (Gerolamo Cardano) un Jākoba Bernulli (Jacob Bernoulli) agrīnajos Lielo skaitļu likuma formulējumos. Tomēr psiholoģisko izpēti par to, kāpēc cilvēki sistemātiski pārkāpj šo matemātisko principu, aizsāka Kānemana un Tverska sadarbība.

Kopš 1970. gadiem mūsu izpratne ir ievērojami attīstījusies. "Ekoloģiskās racionalitātes" skola, ko vadīja Gerds Gigerencers (Gerd Gigerenzer) Maksa Planka institūtā, ir apstrīdējusi sākotnējo interpretāciju, apgalvojot, ka šis aizspriedums daļēji var būt artefakts, ko izraisa problēmu pasniegšanas veids. Kad statistiskā informācija tiek pārveidota kā dabisks biežums (natural frequencies), nevis abstraktas varbūtības, sniegums dramatiski uzlabojas.

2.2. Galvenie pētnieki

2.3. Nozīmīgākie pētījumi

Slimnīcas problēma (The Hospital Problem) (Tverskis un Kānemans, 1974)

Šajā klasiskajā eksperimentā dalībnieki lasīja: "Kādu pilsētu apkalpo divas slimnīcas. Lielākajā slimnīcā katru dienu piedzimst apmēram 45 mazuļi, bet mazākajā slimnīcā - apmēram 15. Kā jūs zināt, aptuveni 50% no visiem mazuļiem ir zēni. Tomēr precīzs procents katru dienu atšķiras. Viena gada laikā katra slimnīca reģistrēja dienas, kurās vairāk nekā 60% piedzimušo mazuļu bija zēni. Kura slimnīca, jūsuprāt, reģistrēja vairāk šādu dienu?"

Rezultāti bija pārsteidzoši: 56% bakalaura studentu izvēlējās "Apmēram vienādi", 22% izvēlējās lielāko slimnīcu, un tikai aptuveni 22% pareizi identificēja mazāko slimnīcu. Pareizā atbilde ir mazākā slimnīca, jo mazākas izlases ir svārstīgākas un visticamāk radīs galējas novirzes no vidējā rādītāja. Subjekti uztvēra izlases lielumu kā nenozīmīgu, gaidot, ka 50% attiecība darbosies vienādi neatkarīgi no tā, vai izlase ir 15 vai 45.

Auguma novērtēšanas eksperiments (The Height Estimation Experiment) (Tverskis un Kānemans, 1974)

Dalībnieki novērtēja varbūtību iegūt vidējo augumu virs 6 pēdām (183 cm) 10, 100 un 1000 vīriešu izlasēs, kas ņemtas no vispārējās populācijas. Loģiski, ka atrast 1000 vīriešus, kuru vidējais augums ir virs 6 pēdām, ir praktiski neiespējami, savukārt 10 vīrieši ar šādu vidējo augumu ir vienkārši mazticami. Tomēr subjekti piešķīra vienādu varbūtību visiem trim izlases lielumiem. Vērtējot izlases tikai pēc to apraksta ("vīrieši"), dalībnieki pilnībā ignorēja lielo skaitļu stabilizējošo spēku.

Mamogrāfijas problēma (The Mammography Problem) (Gigerencers u.c., 1995)

Kad ārstiem lūdza novērtēt krūts vēža varbūtību, ņemot vērā pozitīvu mamogrammu un izmantojot procentus (Jutība=90%, Viltus pozitīvs=9%, Izplatība=1%), tikai 10-15% atbildēja pareizi. Kad tā pati problēma tika pasniegta kā dabiskais biežums ("10 no katrām 1000 sievietēm ir vēzis..."), precizitāte pieauga līdz 46-67%. Tas pierādīja, ka izlases lieluma padarīšana par skaidru saucējā dramatiski uzlaboja statistisko domāšanu.

Karstās rokas pētījums (The Hot Hand Study) (Gilovičs, Vallone un Tverskis, 1985)

Analizējot Filadelfijas "76ers" un Bostonas "Celtics" metienu rekordus, pētnieki neatrada nekādus statistiskus pierādījumus "karstajām" (hot) sērijām ārpus tā, kas ir sagaidāms nejaušības dēļ. Spēlētāja metienu rekords bija matemātiski neatšķirams no monētas metienu sērijas. Universālā ticība "karstajai rokai" starp spēlētājiem, treneriem un līdzjutējiem atklājās kā kognitīva ilūzija, ko rada modeļu saskatīšana nejaušās, mazās izlasēs.

2.4. Neiroloģiskais pamats

Aizspriedums darbojas caur to, ko psihologi Kīts Stanovičs, Ričards Vests un Daniels Kānemans nosauca par "1. sistēmas" (System 1) domāšanu - ātrie, automātiskie, intuitīvie kognitīvie procesi, kas piešķir prioritāti ātrumam un saskaņotībai, nevis matemātiskai precizitātei. Novērtējot statistiskos pierādījumus, 1. sistēma apstrādā līdzību un modeļu atpazīšanu, nevis iesaista lēnākos, piepūli prasošākos 2. sistēmas procesus, kas nepieciešami pareizai statistiskai domāšanai.

Smadzeņu modeļu atpazīšanas shēmas, kas attīstījušās ātrai draudu novērtēšanai un cēloņsakarību secinājumiem, automātiski meklē jēgpilnu struktūru datos. Šīs shēmas neatšķir lielas un mazas izlases; tās reaģē uz informācijas virspusējām iezīmēm (proporcijām, acīmredzamiem modeļiem), nevis uz metainformāciju par uzticamību (izlases lielumu, dispersiju).

Prefrontālā garoza, kas atbild par izpildfunkcijām un matemātisko domāšanu, var ignorēt 1. sistēmas spriedumus, bet tas prasa apzinātu piepūli, statistisko apmācību un kognitīvos resursus. Laika spiediena, kognitīvās slodzes vai emocionāla uzbudinājuma apstākļos 1. sistēmas noklusējumi dominē, un izlases lielums tiek atstāts novārtā.

3. Evolucionārā izcelsme

Cilvēka prāts ir attīstījies, lai orientētos sarežģītā, trokšņainā un bīstamā pasaulē, kur datu bija maz un kavēšanās cena bija nāve. Pleistocēna vidē mūsu senčiem bija nepieciešams ātri vispārināt no ierobežotiem novērojumiem: viena tikšanās ar plēsēju vai indīga oga garantēja universālu izvairīšanās likumu.

Šis evolucionārais rīku komplekts piešķīra prioritāti modeļu atpazīšanai un ātriem secinājumiem pār matemātisko precizitāti. Spēja izdarīt plašus secinājumus no mazām izlasēm bija izteikta adaptīva priekšrocība - gaidīt "statistiski nozīmīgas" plēsēju sastapšanās izlases uzkrāšanos, pirms izlemt bēgt, būtu liktenīgi.

Tomēr šī pati kognitīvā adaptācija, kas nodrošināja izdzīvošanu ar datiem nabadzīgā senču vidē, izpaužas kā dziļš trūkums mūsu mūsdienu ar datiem bagātajā pasaulē. Tagad mēs dzīvojam pasaulē, kuru pārvalda stohastiski procesi, varbūtēji iznākumi un masīvas datu kopas, tomēr mūsu intuīcija joprojām stūrgalvīgi turas pie mazās izlases loģikas.

Aizspriedumu var uzskatīt par evolucionāru īpašību, nevis kļūdu: tas tika kalibrēts vidēm, kur (1) izlases bija dabiski mazas, (2) viltus pozitīvie rezultāti (redzot modeļus, kas nepastāv) bija mazāk dārgi nekā viltus negatīvie rezultāti (palaižot garām reālus draudus), un (3) tūlītēja rīcība bija svarīgāka par statistisko precizitāti.

4. Kā šis aizspriedums izpaužas

4.1. Ikdienas dzīvē

Ikdienas lēmumos mēs pastāvīgi pārspīlēti interpretējam mazas izlases. Pēc viena apmeklējuma jaunā restorānā un viduvējas maltītes, mēs secinām: "Tā vieta ir slikta", nevis atzīstam, ka esam nobaudījuši vienu ēdienu vienā vakarā. Tikšanās ar kādu personu no konkrētas pilsētas vai profesijas izraisa vispārinājumus, kas balstīti uz šo vienu saskarsmi.

Mēs vērtējam apkaimju drošību pēc nedaudziem stāstiem, veidojam viedokli par produktiem no trim Amazon atsauksmēm un secinām, ka mūsu mehāniķis ir negodīgs, pamatojoties uz vienu neskaidru remontu. Mēs redzam drauga panākumus ar diētu un pieņemam, ka tas darbosies arī mums, ignorējot tūkstošiem individuālu variāciju, kas nosaka rezultātus.

Attiecībās partnera uzvedība dažu dienu laikā veido mūsu spriedumu par viņa raksturu. Bērna vājais sniegums vienā pārbaudījumā liek vecākiem secināt, ka viņam "slikti padodas matemātika". Dažas veiksmīgas prognozes liek mums noticēt, ka mēs labi spējam paredzēt nākotni.

4.2. Darbavietā

Profesionālā vide pastiprina izlases lieluma ignorēšanas izmaksas. Vadītāji novērtē darbinieku sniegumu, pamatojoties uz dažiem novērotiem incidentiem, nevis sistemātiskiem datiem. Lēmumi par pieņemšanu darbā balstās uz īsām intervijām - mazu uzvedības izlasi - tomēr pret tiem izturas kā pret galīgiem vērtējumiem.

Ceturkšņa rezultāti, kas atspoguļo tikai trīs mēnešus (maza uzņēmuma trajektorijas izlase), virza lielus stratēģiskos lēmumus. Jauna iniciatīva, kas divus mēnešus nedod gaidītos rezultātus, tiek atcelta, pirms dispersija varēja stabilizēties. Līderi, kuriem sākumā veicas, tiek uzskatīti par "vizionāriem", bet tie, kas agrīni saskaras ar neveiksmēm, tiek saukti par neveiksminiekiem neatkarīgi no faktiskā rezultātu sadalījuma.

Snieguma pārskati bieži vien nesamērīgi izceļ nesenus notikumus, uzskatot pēdējās nedēļas par reprezentatīvām visam gadam. Apmācību programmas tiek vērtētas kā efektīvas vai neefektīvas, pamatojoties uz pirmo grupu (kohortu), ignorējot dabisko variāciju starp grupām.

4.3. Biznesā un mārketingā

"New Coke" katastrofa ir lielisks piemērs tam, kā uzņēmumi krīt par upuri šim aizspriedumam. Coca-Cola veica gandrīz 200 000 aklo garšas testu, atklājot, ka priekšroka pārliecinoši tiek dota viņu saldākajai jaunajai formulai. Tomēr tie bija "malkošanas testi" - maza izlase no dzēriena patērēšanas pieredzes. Malkā smadzenes pozitīvi reaģē uz izteiktu saldumu. Pilnā skārdenē tas pats saldums kļūst salkans. "Coke" vadītāji pieņēma, ka malkošanas izlase atspoguļo visas skārdenes pieredzi, kas izraisīja masveida patērētāju sašutumu.

"Ford Edsel" neveiksme demonstrē īslaicīgu izlases lieluma ignorēšanu. 1955.–1956. gadā "Ford" veica plašus pētījumus, parādot, ka amerikāņi vēlējās lielas, spilgtas automašīnas. Viņi pret šo laika ziņā ierobežoto izlasi izturējās kā pret paliekošu patiesību. Līdz automašīnas izlaišanai 1958. gadā tirgus bija pavirzījies uz mazākiem auto, un "Edsel" kļuva par mārketinga neveiksmes sinonīmu.

Uzņēmumi regulāri laiž klajā produktus, pamatojoties uz fokusa grupām ar 8-12 cilvēkiem, A/B testiem, kas ilgst dienas, nevis nedēļas, un pilotprogrammām nereprezentatīvos tirgos. Mārketinga kampaņas tiek mērogotas, pamatojoties uz sākotnējiem reakcijas rādītājiem, kas vēl nav stabilizējušies.

4.4. Politikā un medijos

1936. gada žurnāla "Literary Digest" aptaujas katastrofa ilustrē, kā masīvas, bet neobjektīvas izlases cieš neveiksmi. Žurnāls aptaujāja 2,4 miljonus cilvēku un prognozēja, ka Alfrēds Landons pieveiks Franklinu Rūzveltu. Viņi pieņēma, ka kvantitāte garantē precizitāti, ignorējot, ka viņu izlase (iegūta no automašīnu reģistrācijas un tālruņu grāmatām) sistemātiski izslēdza Depresijas ēras vēlētājus bez šīm bagātības pazīmēm. Džordžs Gelaps pareizi prognozēja rezultātu, izmantojot reprezentatīvu izlasi ar tikai 50 000 respondentiem.

Mūsdienu aptaujas turpina cīnīties ar izlases lieluma interpretāciju. Mediji aizrautīgi ziņo par aptauju svārstībām kļūdas robežās kā par nozīmīgām pārmaiņām. Analītiķi ekstrapolē agrīnās balsošanas rezultātus, uztverot mazas izlases kā prognozējošas. Neizlēmušo vēlētāju fokusa grupas kļūst par naratīvu definējošiem brīžiem, neskatoties uz to, ka tās pārstāv statistisku troksni.

Politiskie uzskati veidojas, pamatojoties uz nedaudzām anekdotēm par imigrantiem, labklājības saņēmējiem vai policistiem, un katrs stāsts tiek uztverts kā miljoniem dažādu indivīdu pārstāvis.

4.5. Veselības aprūpē

Nieru vēža karte piedāvā spilgtu medicīnas piemēru. Statistiķi Hovards Vainers un Heriss Cverlings parādīja, ka apgabali ar viszemākajiem nieru vēža rādītājiem ir pārsvarā lauku un mazapdzīvoti. Intuitīvais naratīvs: lauku dzīve novērš vēzi caur svaigu gaisu un tīru dzīvesveidu. Tad viņi atklāja, ka apgabali ar visaugstākajiem rādītājiem arī ir pārsvarā lauku un mazapdzīvoti. Kopējais faktors nav dzīvesveids, bet gan mazs iedzīvotāju skaits - apgabalā ar 500 iedzīvotājiem viena diagnoze paceļ rādītāju līdz nacionālām galējībām, savukārt neviena gadījuma trūkums to nomet pašā apakšā.

Ārsti pārāk interpretē pozitīvus testu rezultātus retām slimībām, neņemot vērā bāzes rādītājus un izlases lielumus. Pacientam ar trīs paaugstinātiem rādījumiem tiek diagnosticēts hronisks stāvoklis, kas var vienkārši atspoguļot mērījumu dispersiju. Ārstēšanas efektivitāte tiek vērtēta pēc nedaudziem pacientiem, nevis randomizētiem kontrolētiem pētījumiem.

Sabiedrības veselības amatpersonas dzenas pakaļ "vēža klasteriem" un "veselīgām zonām", kas ir vienkārši statistiski artefakti mazām populācijām. Resursi tiek nepareizi sadalīti, pamatojoties uz ekstremālām vērtībām, kas ar lielākām izlasēm atgrieztos pie vidējā rādītāja.

4.6. Finansēs un ieguldījumos

Izdzīvošanas kļūda (Survivorship Bias) ir kaitīga izlases lieluma ignorēšanas forma finanšu tirgos. Kad investori analizē ieguldījumu fondu sniegumu pēdējos 10 gados, viņi pēta tikai tos fondus, kas vēl joprojām pastāv - izdzīvojušos. Neizdevušies un likvidēti fondi nav iekļauti izlasē, mākslīgi palielinot šķietamo vidējo peļņu. Investors var redzēt 8% vidējo ienesīgumu un secināt, ka aktīva pārvaldība darbojas, savukārt iekļaujot "mirušos" fondus, atklātos, ka atdeve ir 4% vai zemāka.

Investori meklē fondus, pamatojoties uz 3-5 gadu rezultātiem, uztverot šo mazo laika izlasi kā pierādījumu pastāvīgai prasmei. Ričarda Tālera pētījumi rāda, ka investori pārāk ekstrapolē no mazām peļņas ziņu izlasēm: trīs ceturkšņi, kas pārspēj aplēses, tiek uztverti kā strukturāls izcilības rādītājs, dzenot cenas līdz neracionāliem līmeņiem.

Roberts Šilers dokumentēja, ka tirgus cenas svārstās daudz vairāk, nekā to attaisnotu pamata rādītāji. Šī "pārmērīgā nepastāvība" rodas no tā, ka investori uztver īstermiņa ziņas - mazas izlases par uzņēmuma ilgtermiņa nākotni - kā galīgu informāciju par tā pastāvīgo vērtību.

5. Reāli gadījumu pētījumi

1. gadījuma pētījums: Replikācijas krīze psiholoģijā

• Konteksts: Desmitgadēm psiholoģiskie pētījumi strādāja ar maziem izlases lielumiem (bieži N=20 vai N=40 vienā nosacījumā). Pētījums par "varas pozu" (Power Posing) (Kārnijs, Kadija un Japs, 2010) apgalvoja, ka stāvēšana "augstas varas" pozā divas minūtes izraisīja hormonālas izmaiņas un palielināja riska uzņemšanos. Izlases lielums bija 42 dalībnieki.

• Kas notika: Pētījums tika publicēts prestižā žurnālā, radīja milzīgu mediju uzmanību un radīja TED runu, kas skatīta miljoniem reižu. Zinātniskā kopiena pieņēma N=42 kā pietiekamu, lai atklātu smalkus hormonālos efektus.

• Aizspriedums darbībā: Pētnieki, redaktori un recenzenti — ciešot no tā paša aizsprieduma, ko aprakstīja Tverskis un Kānemans — uzskatīja, ka mazas izlases ir pietiekami stabilas, lai atklātu smalkus efektus. Viņi redzēja modeli troksnī.

• Sekas: Kad vēlāk tika mēģināts veikt liela mēroga replikācijas ar N=200+, hormonālie efekti pilnībā izzuda. Atvērtās zinātnes sadarbība (Open Science Collaboration, 2015) atkārtoja 100 psiholoģijas pētījumus un atklāja, ka mazāk nekā pusi no tiem iespējams veiksmīgi reproducēt. Galvenais vaininieks bija paļaušanās uz pētījumiem ar nepietiekamu datu apjomu.

• Gūtās mācības: "Uzvarētāja lāsts" zinātniskajā publicēšanā nozīmē, ka publicēti tiek pētījumi ar pārspīlētiem efektu lielumiem, kas nejauši pārsnieguši statistiskā nozīmīguma sliekšņus. Patiesie efekti parādās tikai ar lielām izlasēm. Kopš tā laika psiholoģijā ir ieviestas reformas, pieprasot lielākas izlases un pētījumu iepriekšēju reģistrāciju.

2. gadījuma pētījums: "New Coke" katastrofa

• Konteksts: 1985. gadā Coca-Cola saskārās ar pieaugošu tirgus spiedienu no Pepsi "Pepsi Challenge" aklajiem garšas testiem. Iekšējie pētījumi parādīja, ka saldākais Pepsi uzvarēja malkošanas salīdzinājumos.

• Kas notika: Coca-Cola veica gandrīz 200 000 aklo garšas testu, atrodot pārliecinošu atbalstu saldākai jaunajai formulai. Pamatojoties uz šiem datiem, viņi aizstāja savu gadsimtu veco formulu ar "New Coke".

• Aizspriedums darbībā: Tie bija "malkošanas testi" — maza izlase no visa dzēriena patērēšanas pieredzes. Vadītāji pieņēma, ka šī mikro izlase atspoguļo pilnu patēriņa pieredzi. Malkā saldums ir patīkams; veselā skārdenē tas kļūst nomācošs.

• Sekas: Patērētāju sašutums bija tūlītējs un nikns. 79 dienu laikā Coca-Cola atgrieza oriģinālo formulu kā "Coca-Cola Classic". Uzņēmums zaudēja miljonus un cieta ilgstošu zīmola kaitējumu.

• Gūtās mācības: "Izlasei" ir jāatbilst "populācijai", ko tā pārstāv. Malks nav skārdene, tāpat kā viens veikala apmeklējums nav klientu lojalitāte. Analīzes vienībai jāatbilst reālās pasaules uzvedībai.

Vēsturisks piemērs: 1936. gada "Literary Digest" aptauja

Žurnāls "Literary Digest" veica šķietami aptauju zelta standartu: tika izsūtīti 10 miljoni aptauju, atgriezās 2,4 miljoni. Viņi prognozēja, ka Landons uzvarēs Rūzveltu ar 57% balsu. Rūzvelts uzvarēja ar 61%.

"Digest" redaktori uzskatīja, ka masīvais izlases lielums garantē precizitāti. Viņi nespēja saprast, ka viņu izlases rāmis - tālruņu grāmatas un automašīnu reģistrācijas saraksti - sistemātiski izslēdza vēlētājus ar zemākiem ienākumiem, kuri pārliecinoši atbalstītu Rūzvelta Jaunā kursa (New Deal) politiku. Džordžs Gelaps, izmantojot pareizu varbūtības izlasi ar tikai 50 000 respondentiem, pareizi prognozēja iznākumu.

Šis gadījums māca, ka maza, reprezentatīva izlase (n=3000) ir bezgalīgi uzticamāka par masīvu, neobjektīvu izlasi (N=2,4 miljoni). "Digest" pārtrauca iznākt divus gadus vēlāk, kļūstot par upuri savai nespējai izprast attiecības starp izlases kvalitāti un izlases lielumu.

6. Šī aizsprieduma izmaksas

6.1. Personīgās izmaksas

Attiecības cieš, kad mēs vērtējam partnerus, pamatojoties uz mazām uzvedības izlasēm — dažas sliktas dienas kļūst par pierādījumu fundamentāliem rakstura trūkumiem. Personīgā izaugsme apstājas, kad mēs pēc ierobežotiem mēģinājumiem secinām, ka mēs "nevaram" kaut ko izdarīt. Karjeras maiņas tiek pamestas pēc sākotnējām neveiksmēm, kas vienkārši atspoguļo dabisku dispersiju.

Lēmumi par veselību kļūst nepareizi, ja mēs vērtējam ārstēšanas efektivitāti no mūsu pašu vienas pieredzes vai dažiem draugu stāstiem. Ieguldījumu portfeļi tiek nepareizi pārvaldīti, kad mēs dzenamies pēc neseniem uzvarētājiem vai bēgam no neseniem zaudētājiem. Mēs attīstām māņticību, ticot, ka modeļi pastāv tur, kur ir tīra nejaušība.

Psiholoģiskās izmaksas ietver nepamatotu pārliecību par nestabiliem secinājumiem, kam seko apjukums, kad prognozes nepiepildās. Mēs konstruējam sarežģītus cēloņsakarību skaidrojumus mainīgumam, kas ir pilnīgi nejaušs, veidojot realitātes mentālos modeļus, kas neatbilst faktiskajām tendencēm.

6.2. Profesionālās izmaksas

Karjeras virzība cieš, kad vadītāji nepareizi novērtē mūsu spējas, pamatojoties uz ierobežotiem novērojumiem. Labi darbinieki tiek nepamanīti, jo agrīnie iespaidi (mazas uzvedības izlases) neatbilda panākumu stereotipiem. Slikti lēmumi par darbā pieņemšanu izšķērdē organizācijas resursus un bojā komandas dinamiku.

Biznesa stratēģijas cieš neveiksmi, ja tās ir pielāgotas agrīniem rezultātiem, nevis ilgtermiņa tendencēm. Produkti tiek palaisti priekšlaicīgi vai iznīcināti agri, pamatojoties uz trokšņainiem datiem. Tirgus pētījumi noved uzņēmumus nepareizā virzienā, ja mazas izlases tiek uztvertas kā reprezentatīvas.

Finanšu zaudējumi pieaug, jo ieguldījumu lēmumi dzenas pakaļ neseniem rezultātiem. Fondu pārvaldnieki, kuri trīs gadu laikā uzrādījuši labus rezultātus, piesaista milzīgu naudas plūsmu, tikai lai atgrieztos pie vidējā rādītāja un pieviltu investorus, kuri uzskatīja, ka maza izlase paredz nākotnes atdevi.

6.3. Sabiedrības izmaksas

Replikācijas krīze ir maksājusi miljardus pētījumu finansējumam pētījumiem, kurus nevar reproducēt. Medicīniskās procedūras tiek pieņemtas, pamatojoties uz maziem pētījumiem, tikai lai parādītu, ka tām nav ieguvumu lielākās populācijās. Sabiedrības veselības resursi tiek nepareizi sadalīti, lai risinātu statistiskus artefaktus mazās populācijās.

Politiskais diskurss tiek saindēts, kad stāsti par atsevišķiem gadījumiem veido politikas debates par miljoniem cilvēku. Krimināltiesību sistēmas tiek izkropļotas, kad augsta profila gadījumi (mazas izlases) virza tiesību aktus. Sabiedrības uzticēšanās zinātnei mazinās, kad atklājumi mainās uz pretējo, palielinoties izlases lielumam.

Tirgi kļūst nepastāvīgāki nekā pamata rādītāji attaisno, radot uzplaukuma un krituma ciklus, kas iznīcina bagātību un ekonomikas stabilitāti. Sabiedriskā politika svārstās starp galējībām, jo politiķi reaģē uz mazām sabiedriskās domas izlasēm, nevis stabilām vēlmēm.

6.4. Statistiskā ietekme

Pētījumu atklājumi liecina, ka pētījumiem ar izlases lielumu zem N=50 ir stipri uzpūsti efektu lielumi, bieži vien par 100% vai vairāk. Atvērtās zinātnes sadarbība (Open Science Collaboration) atklāja, ka tikai 36% psiholoģijas pētījumu varēja veiksmīgi atkārtot, turklāt galvenais virzītājspēks bija pētījumi ar nepietiekamu datu apjomu.

Finansēs izdzīvošanas kļūda (Survivorship Bias) palielina šķietamo kopfondu peļņu par aptuveni 1-2% gadā — atšķirība, kas sasummējas līdz miljoniem dolāru nepareizi sadalītu pensijas uzkrājumu miljoniem investoru.

Tiek lēsts, ka medicīniskās diagnostikas kļūdas, ko izraisa bāzes rādītāju ignorēšana un nejutīgums pret izlases lielumu, katru gadu ietekmē 12 miljonus amerikāņu, no kuriem aptuveni pusei tiek nodarīts kaitējums.

7. Slēptie ieguvumi

Aizspriedums nav tikai kaitīgs - tas atspoguļo kompromisu starp ātrumu un precizitāti, kas tika optimizēts senču vidēm, kur datu bija maz un tūlītēja rīcība bija nepieciešama.

Ātra mācīšanās no ierobežotiem datiem: Patiesi bīstamās vidēs spēja vispārināt no atsevišķiem gadījumiem (viena sastapšanās ar plēsēju, viena indīga oga) nodrošina acīmredzamu izdzīvošanas vērtību. Gaidīt "statistiski nozīmīgus" pierādījumus varētu būt letāli.

Kognitīvā ekonomija: Pareiza pārliecības kalibrēšana atbilstoši izlases lielumam prasa 2. sistēmas iesaisti - lēnu, piepūli prasošu un metaboliski dārgu. Situācijās ar zemām likmēm 1. sistēmas mentālie īsceļi nodrošina "pietiekami labus" spriedumus ar minimālām kognitīvām izmaksām.

Orientācija uz rīcību: Aizspriedums veicina izlēmīgu rīcību, nevis paralizējošu nenoteiktību. Daudzās reālās pasaules situācijās rīcība, pamatojoties uz nepilnīgu informāciju, ir labāka nekā gaidīt pārliecību, kas nekad nepienāk.

Modeļu atklāšana: Tendence saskatīt modeļus mazās izlasēs, lai gan bieži vien kļūdaina, reizēm atklāj reālus signālus, kurus tīri statistiskas pieejas palaistu garām. Viltus pozitīvu rezultātu (modeļu saskatīšana, kas nepastāv) izmaksas noteiktās jomās var būt zemākas nekā viltus negatīvo (reālu modeļu palaišana garām) izmaksas.

Pilnīga aizsprieduma likvidēšana prasītu pastāvīgus statistiskus aprēķinus, kas pārslogotu kognitīvos resursus. Mērķis nav izskaušana, bet gan atbilstoša kalibrēšana - statistiskās domāšanas izmantošana augstu likmju situācijās, vienlaikus ļaujot heiristikai darboties zemu likmju kontekstos.

8. Pašnovērtējums: Vai jums ir šis aizspriedums?

8.1. Brīdinājuma zīmju kontrolsaraksts

• Es veidoju stingrus uzskatus par restorāniem, produktiem vai pakalpojumiem pēc vienas pieredzes
• Es ticu "veiksmīgām sērijām" un "neveiksmīgiem periodiem" sportā, azartspēlēs vai ieguldījumos
• Man šķiet pārsteidzoši, ja monēta nokrīt uz vienu un to pašu pusi trīs vai vairāk reizes pēc kārtas
• Es sagaidu, ka īstermiņa ieguldījumu peļņa turpināsies ilgtermiņā
• Es uztveru draugu stāstus tikpat nopietni kā statistiskos pierādījumus
• Esmu mainījis viedokli par kāda cilvēka raksturu, pamatojoties uz vienu atgadījumu
• Es vairāk uzticos klientu atsauksmēm, kad tās ir vienprātīgas, neatkarīgi no tā, cik to ir maz
• Man šķiet, ka mazai, labi izvēlētai izlasei jādod tāds pats rezultāts kā lielai
• Es kļūstu pārliecināts par modeļiem pēc tam, kad esmu tos redzējis tikai divas vai trīs reizes
• Es bieži saku "man tā vienmēr notiek", pamatojoties uz dažiem gadījumiem

Vērtējums:

• Atzīmēti 0-2: Zema uzņēmība
• Atzīmēti 3-5: Mērena uzņēmība
• Atzīmēti 6-8: Augsta uzņēmība
• Atzīmēti 9-10: Ļoti augsta uzņēmība

8.2. Pašrefleksijas jautājumi

1. Kad lasāt, ka jaunas zāles klīniskajā pētījumā ir "80% efektīvas", vai jūs instinktīvi iedomājaties pajautāt, cik pacientu piedalījās pētījumā?

2. Vai esat kādreiz pametis jaunu ieradumu, diētu vai rutīnu pirmo divu nedēļu laikā, jo tā "nedarbojās", neapsverot, vai esat devis pietiekami daudz laika, lai parādītos rezultāti?

3. Kad draugs iesaka ārstu, restorānu vai produktu, pamatojoties uz savu vienīgo pieredzi, cik daudz svara jūs piešķirat šim ieteikumam salīdzinājumā ar apkopotām atsauksmēm?

4. Vai esat kādreiz jutis, ka nejauši notikumi jums ir "parādā" atšķirīgu rezultātu pēc sērijas (piemēram, spēļu automātam ir "laiks" uzvarēt)?

5. Vai kāds jums kādreiz ir norādījis, ka izdarāt secinājumus no pārāk maz informācijas?

8.3. Ātrs diagnostikas scenārijs

Scenārijs: Jūs pētāt divus ieguldījumu fondus saviem pensijas iekrājumiem. Fonds A ir ienesis 15% gadā pēdējo 3 gadu laikā ar zvaigžņu pārvaldnieku. Fonds B ir ienesis 9% gadā pēdējo 15 gadu laikā ar viduvēju vadību. Kuru fondu jūs izvēlētos?

• A) Fondu A, jo 15% ir daudz labāk par 9% un pārvaldnieks ir acīmredzami prasmīgs → Augsta uzņēmība
• B) Fondu A, bet es vēlētos redzēt vairāk vēstures pirms pilnīgas apņemšanās → Mērena uzņēmība
• C) Fondu B, jo 15 gadu dati ir uzticamāki par 3 gadiem, un atšķirība var būt tikai veiksme → Zema uzņēmība

9. Kā identificēt šo aizspriedumu citos

9.1. Uzvedības indikatori

Novērojiet lēmumu pieņemšanas modeļus: Vai viņi uzņemas stingras saistības, pamatojoties uz ierobežotiem pierādījumiem? Vai viņi strauji maina kursu, pamatojoties uz neseniem rezultātiem? Vai viņi pauž augstu pārliecību pēc tikai dažiem datu punktiem?

Skatieties, kā viņi apspriež varbūtību un nejaušību: Vai viņi sagaida, ka nejaušība "līdzsvarosies" īstermiņā? Vai viņi redz nozīmīgus modeļus tajā, kas šķiet troksnis? Vai viņi noraida rezultātus kā "nejaušības", ja tie neatbilst gaidām?

Ievērojiet reakcijas uz stāstiem (anekdotēm) pretstatā statistikai: Vai viņi spilgtam personīgam stāstam piešķir lielāku nozīmi nekā apkopotiem datiem? Vai viņi vispārina no atsevišķiem piemēriem līdz universāliem noteikumiem?

9.2. Sarunu brīdinājuma signāli

Frāzes, ko cilvēki saka, esot šī aizsprieduma ietekmē:

• "Tas ir noticis trīs reizes pēc kārtas — te noteikti ir kāds modelis"
• "Es to izmēģināju vienreiz un tas nedarbojās, tāpēc..."
• "Izredzēm galu galā ir jāizlīdzinās"
• "Manam draugam bija briesmīga pieredze ar to, tāpēc es nekad to nemēģinātu"
• "Pēdējie divi ceturkšņi bija lieliski, tāpēc šis uzņēmums ir acīmredzami labi pārvaldīts"

Argumentu veidi, ko viņi izmanto:

• Izmanto saujiņu piemēru kā pierādījumu tendencei
• Sagaida, ka mazas izlases lieliski atspoguļos populācijas īpašības

Jautājumi, no kuriem viņi izvairās:

• "Uz cik novērojumiem tas ir balstīts?"
• "Kāds ir izlases lielums?"
• "Vai tas nevarētu būt vienkārši nejaušas svārstības?"

9.3. Situācijas izraisītāji

Apstākļi, kas aktivizē šo aizspriedumu:

• Laika spiediens, kas liek pieņemt ātrus lēmumus
• Emocionāli uzlādētas situācijas, kur spilgti piemēri ir pamanāmāki
• Sarežģīta statistiskā informācija, kas pasniegta procentos, nevis biežuma formātos
• Jomas, kurās atgriezeniskā saite ir aizkavēta (ieguldījumi, darbā pieņemšana, veselības izvēles)
• Konteksti, kur stāsti ir pieejamāki nekā dati

Vides faktori:

• Informācijas pārslodze, kas liedz rūpīgu statistisko novērtēšanu
• Atbalss kameras, kas parāda neobjektīvus viedokļu paraugus
• Mediji, kas izceļ stāstus pār statistiku

Emocionālie stāvokļi, kas palielina ievainojamību:

• Trauksme, meklējot pārliecību jebkuros pieejamos pierādījumos
• Uztraukums, kas veicina pārmērīgu pašpārliecinātību par agrīniem pozitīviem signāliem
• Neapmierinātība, kas veicina modeļu meklēšanu neviennozīmīgās situācijās

10. Kognitīvās novirzes novēršanas stratēģijas

10.1. Tūlītējas tehnikas

Jautājums par "N": Pirms izdarāt kādu secinājumu, pajautājiet: "Cik liela ir izlase, uz kuru tas balstās?" Padariet izlases lielumu pamanāmu, pirms interpretējat rezultātus.

Stabilitātes tests: Jautājiet "Vai es sagaidītu, ka šis rezultāts paliks nemainīgs, ja es dubultotu vai trīskāršotu izlasi?" Ja nē, atturieties no sprieduma.

Pārveidojiet par biežumu: Pārvērtiet procentus dabiskos biežumos ("80% efektīvs" kļūst par "8 no 10 cilvēkiem"). Tas dabiski iekļauj izlases lielumu saucējā.

Regresijas noteikums: Pieņemiet, ka ekstrēmi rezultāti atgriezīsies pie vidējā. Ja kaut kas šķiet neparasti labs vai slikts, sagaidiet, ka laika gaitā tas kļūs vidējāks.

Meklējiet bāzes rādītājus: Pirms konkrētu pierādījumu novērtēšanas nosakiet, kas parasti notiek populācijā. Izmantojiet to kā enkuru.

10.2. Ilgtermiņa stratēģijas

Statistiskā pratība: Ieguldiet pamata varbūtību un statistikas izglītībā. Izpratne par dispersiju, standarta kļūdu un ticamības intervāliem nodrošina konceptuālu ietvaru, lai atpazītu, kad izlases lielumam ir nozīme.

Attīstiet skepses ieradumu: Apmāciet sevi automātiski apšaubīt mazas izlases atklājumu uzticamību. Padariet "Vai šo datu ir pietiekami?" par refleksīvu jautājumu.

Izsekojiet savām prognozēm: Veiciet uzskaiti par secinājumiem, kas izdarīti no ierobežotiem datiem, un to, vai tie ir izturējuši laika pārbaudi. Tas nodrošina personīgu atgriezenisko saiti par kalibrēšanu.

Pētiet klasiskus piemērus: Iepazīstieties ar kanoniskiem gadījumiem (Slimnīcas problēma, Nieru vēža karte), lai tie nāktu prātā, vērtējot jaunas situācijas.

10.3. Vides dizains

Iestrādājiet izlases lielumu lēmumu pieņemšanas procesos: Izveidojiet organizācijas noteikumus, kas prasa minimālus izlases lielumus, pirms tiek izdarīti secinājumi. Ieviesiet nogaidīšanas periodus, pirms rīkojaties, pamatojoties uz agrīniem rezultātiem.

Izmantojiet vizuālos rīkus: Izveidojiet paneļus, kuros parādīts, kā ticamības intervāli paplašinās mazām izlasēm. Padariet nenoteiktību vizuāli pamanāmu.

Pieprasiet biežuma formātus: Organizācijas komunikācijā pieprasiet, lai varbūtības tiktu norādītas kā dabiski biežumi ar skaidriem saucējiem.

Izveidojiet "Velna advokātus": Uzdodiet komandas locekļiem īpaši apstrīdēt, vai izlases lielums attaisno pārliecības līmeni. Institucionalizējiet skepsi.

10.4. Kad meklēt ārēju viedokli

Augstu likmju lēmumi: Jebkura būtiska izvēle (lieli ieguldījumi, darbā pieņemšana, medicīniskā ārstēšana), kas balstās uz ierobežotiem datiem, prasa statistisku konsultāciju.

Kad jūtaties pārliecināts: Paradoksāli, bet spēcīgai pārliecībai no mazām izlasēm vajadzētu izraisīt ārēju pārskatīšanu. Jautājiet: "Vai mana pārliecība ir attaisnota ar datiem?"

Jomas eksperti: Statistiķi, datu zinātnieki un pētnieki var sniegt kalibrētus pierādījumu stipruma novērtējumus. Formulējiet pieprasījumus kā: "Ņemot vērā N=X, cik pārliecinātam man vajadzētu būt par šo atklājumu?"

Kad modeļi parādās ātri: Ja jūs redzat skaidru modeli pēc tikai dažiem novērojumiem, konsultējieties ar kādu, kas mazāk iesaistīts iznākumā, lai novērtētu, vai tas, visticamāk, turpināsies.

11. Praktiskie vingrinājumi

1. vingrinājums: Monētas metienu eksperiments

• Mērķis: Attīstīt intuīciju par mazu izlašu mainīgumu
• Nepieciešamais laiks: 20 minūtes
• Nepieciešamie materiāli: Monēta, papīrs, zīmulis
• Grūtības pakāpe: Iesācēju
• Instrukcijas:
  1. Metiet monētu 10 reizes un reģistrējiet cipara (heads) uzkrišanas procentu
  2. Atkārtojiet to 10 reizes, izveidojot 10 izlases pa 10 metieniem katrā
  3. Pierakstiet procentuālo diapazonu (visticamāk, no 20% līdz 80%)
  4. Tagad metiet monētu 100 reizes un reģistrējiet procentu
  5. Atkārtojiet to vēl 100 metienu sērijai
  6. Salīdziniet svārstības 10 metienu izlasēs pretstatā 100 metienu izlasēm
• Pārdomu jautājumi:
  • Cik pārsteigts jūs bijāt par mazu izlašu variācijām?
  • Vai kāda 10 metienu sērija šķita "viltota", lai gan jūs zinājāt, ka monēta ir godīga?
  • Kā 100 metienu procenti ir salīdzināmi viens ar otru?
• Biežums: Vienreiz, pēc tam atgriezieties, kad nepieciešams atgādinājums

2. vingrinājums: Atsauksmju analīze

• Mērķis: Praktizēt pārliecības kalibrēšanu atbilstoši izlases lielumam reālos lēmumos
• Nepieciešamais laiks: 30 minūtes
• Nepieciešamie materiāli: Piekļuve internetam
• Grūtības pakāpe: Vidēja
• Instrukcijas:
  1. Meklējiet produktu kategoriju, kuru varētu iegādāties (austiņas, grāmatas, restorāni)
  2. Atrodiet trīs preces: vienu ar 5 atsauksmēm, vienu ar 50 atsauksmēm, vienu ar 500 atsauksmēm
  3. Katrai pierakstiet vidējo vērtējumu un izlasiet vairākas atsauksmes
  4. Pierakstiet, cik pārliecināts jūtaties par katra vērtējuma precizitāti
  5. Padomājiet: cik daudz viena jauna ekstrēma atsauksme mainītu katru vidējo rādītāju?
• Pārdomu jautājumi:
  • Vai jūs dabiski jutāties pārliecinātāks par vērtējumiem ar vairāk atsauksmēm?
  • Kā atsauksmju sadalījums (viss 5 zvaigznes pret jauktām) ietekmēja jūsu pārliecību?
  • Kāds minimālais izlases lielums būtu nepieciešams, lai uzticētos vērtējumam?
• Biežums: Reizi mēnesī, izmantojot dažādas produktu kategorijas

3. vingrinājums: Vēsturiskā atpakaļejošā pārbaude

• Mērķis: Pieredzēt, kā mazu izlašu secinājumi laika gaitā izgāžas
• Nepieciešamais laiks: 45 minūtes
• Nepieciešamie materiāli: Vēsturiskie akciju dati vai sporta statistika (brīvi pieejami tiešsaistē)
• Grūtības pakāpe: Uzlabota
• Instrukcijas:
  1. Izvēlieties 10 akcijas vai sportistus ar datiem, kas aptver vismaz 10 gadus
  2. Skatieties tikai pirmā gada datus. Identificējiet 3 labākos
  3. Prognozējiet, ka viņi būs labākie 2. gadā
  4. Pārbaudiet 2. gada rezultātus. Cik daudzi palika labāko trijniekā?
  5. Tagad apskatiet 5 gadu vidējos rādītājus. Identificējiet 3 labākos
  6. Pārbaudiet turpmāko 5 gadu sniegumu. Salīdziniet precizitāti
• Pārdomu jautājumi:
  • Kā īstermiņa sniegums paredzēja ilgtermiņa rezultātus?
  • Kas izskaidro novēroto regresiju uz vidējo?
  • Kā tas mainītu jūsu ieguldījumu vai derību stratēģiju?
• Biežums: Reizi ceturksnī

Ikdienas prakse

Katru dienu pamaniet vienu secinājumu, ko izdarāt no ierobežotiem datiem. Pirms to pieņemat, pajautājiet: "Uz cik novērojumiem tas ir balstīts?" un "Ko es secinātu, ja man būtu 10 reizes vairāk datu?" Ir pietiekami vienkārši atzīmēt izlases lieluma problēmu — jums nav jāmaina savs secinājums, tikai jāpamana ierobežojums.

• Ieteicamais ilgums: 2 minūtes
• Labākais dienas laiks: Vakara pārdomas
• Kā izsekot progresam: Veiciet ikdienas novērojumu uzskaiti mazā piezīmju grāmatiņā

Iknedēļas izaicinājums

Reizi nedēļā atrodiet ziņu rakstu vai sociālo mediju ierakstu, kurā citēta statistika. Izpētiet sākotnējo avotu un identificējiet izlases lielumu. Uzrakstiet īsu piezīmi par to, vai pierādījumu stiprums attaisno secinājumus.

• Sagaidāmie rezultāti pēc 4 nedēļām: Dabiska skepse pret paziņotajiem atklājumiem; automātiska uzmanība izlases lielumam
• Žurnāla uzvednes pārdomām:
  • Kāds bija vispārsteidzošākais izlases lielums, ko šonedēļ atklāju?
  • Kā izlases lieluma uzzināšana mainīja manu atklājuma interpretāciju?
  • Vai es kļūstu kalibrētāks savā sākotnējā skepsē?

12. Īpašām auditorijām

Līderiem un vadītājiem

Līderi regulāri pieņem lēmumus ar augstām likmēm, pamatojoties uz ierobežotiem datiem: ceturkšņa rezultātiem, agrīnām atsauksmēm par produktu, interviju iespaidiem, pilotprogrammu rezultātiem. Izlases lieluma ignorēšanas izmaksas organizatoriskā mērogā summējas.

Īpašas stratēģijas:

• Ieviesiet minimālos novērošanas periodus, pirms secināt, ka iniciatīvas izdodas vai neizdodas
• Pieprasiet izlases lieluma ziņošanu visos iekšējos pētījumos un analītikā
• Izveidojiet lēmumu pieņemšanas sistēmas, kas skaidri ietver nenoteiktību no mazām izlasēm
• Modelējiet statistisko pazemību: publiski pārskatiet secinājumus, kad vairāk datu maina ainu
• Veidojiet komandas ar statistikas pieredzi, kas var apstrīdēt pārmērīgi pārliecinātas interpretācijas

Komandas intervences:

• Nozīmējiet "izlases lieluma aizstāvja" lomu svarīgās sanāksmēs
• Izveidojiet normas attiecībā uz pārliecības kalibrēšanu: "Ņemot vērā šo N, cik pārliecinātiem mums vajadzētu būt?"
• Veiciet pagātnes lēmumu pēcanalīzi, kas tika pieņemti ar ierobežotiem datiem

Vecākiem un pedagogiem

Bērniem ir jāattīsta statistiskā intuīcija pirms formālās varbūtību izglītības. Mērķis ir veidot domāšanas ieradumus, kas apšauba pierādījumu stiprumu.

Vecumam atbilstoši skaidrojumi:

• Mazi bērni: "Kad mēs kaut ko esam izmēģinājuši tikai dažas reizes, mēs nevaram zināt, vai tā vienmēr notiks"
• Vecāki bērni: Izmantojiet spēles un eksperimentus (monētu metienus, kauliņu mešanu), lai demonstrētu, kā mazas izlases mainās
• Pusaudži: Pārrunājiet, kā sociālie mediji rada neobjektīvus vienaudžu uzvedības un viedokļu paraugus

Aktivitātes:

• Ģimenes eksperimenti ar kauliņiem un monētām, lai novērotu dispersiju
• Apspriediet, cik daudz mēģinājumu ir nepieciešams, pirms secināt, ka kaut kas ir "labs" vai "slikts"
• Kopā analizējiet reklāmas apgalvojumus: "Kā viņi to zina?"

Veselības aprūpes speciālistiem

Medicīnas lēmumiem ir dzīvības un nāves sekas, kas padara jutīgumu pret izlases lielumu kritisku. Mamogrāfijas problēma parāda, kā pat apmācīti ārsti cīnās ar statistisko domāšanu.

Klīniskās sekas:

• Atzīstiet, ka neparasti testu rezultāti atsevišķiem pacientiem var būt paraugu ņemšanas dispersija
• Esiet īpaši piesardzīgi attiecībā uz retām slimībām, kur bāzes rādītāji padara viltus pozitīvus rezultātus ticamus
• Izmantojiet biežuma formātus, paziņojot risku pacientiem

Pacientu komunikācijas stratēģijas:

• Paskaidrojiet, ka viena testa rezultāts ir viens datu punkts; uzraudzība laika gaitā sniedz ticamāku informāciju
• Sniedziet ārstēšanas efektivitātes datus ar skaidriem izlases lielumiem: "Pētījumā ar 500 pacientiem..."
• Palīdziet pacientiem saprast, ka viņu individuālā pieredze var neatbilst populācijas statistikai

Finanšu jomas speciālistiem

Tirgi bargi soda izlases lieluma ignorēšanu. Dzīšanās pēc trīs gadu rezultātiem, pārmērīga reakcija uz ceturkšņa peļņu un izdzīvošanas kļūdas ignorēšana investoriem ik gadu izmaksā miljardus.

Ar ieguldījumiem saistīti pielietojumi:

• Pieprasiet ilgāku snieguma vēsturi, pirms secināt, ka pārvaldniekam ir prasmes
• Ņemiet vērā izdzīvošanas kļūdu, analizējot fondu kategorijas
• Atzīstiet, ka īstermiņa pārākums ir atbilstošs nejaušai variācijai

Klientu komunikācijas stratēģijas:

• Izglītojiet klientus par īstermiņa snieguma neuzticamību
• Uzrādiet vēsturiskos datus ar atbilstošiem ticamības intervāliem
• Izskaidrojiet regresiju uz vidējo: ekstrēmi rezultāti laika gaitā parasti mērenojas

Riska pārvaldības sekas:

• Veidojiet portfeļus, pieņemot, ka nesenie uzvarētāji regresēs
• Pieprasiet ilgākus novērtēšanas periodus jaunām stratēģijām
• Iekļaujiet riska modeļos nenoteiktību, kas izriet no mazām izlasēm

13. Mijiedarbība ar citiem aizspriedumiem

Aizspriedumi, kas pastiprina šo

Aizspriedumi, kas darbojas pret šo

Biežākās aizspriedumu ķēdes

Reprezentativitātes heiristika → Nejutīgums pret izlases lielumu → Spēlmaņa kļūda → Neatgūstamo izmaksu kļūda (Sunk Cost Fallacy)

Skaidrojums: Mēs sākam, novērtējot varbūtību, pamatojoties uz līdzību, nevis izlases uzticamību. Kad mazas izlases novirzās no gaidītajiem modeļiem, mēs sagaidām, ka tās "izlabosies", kas noved pie Spēlmaņa kļūdas. Kad tās neizlabojas, mēs varam turpināt ieguldīt (Neatgūstamās izmaksas), ticot, ka "pavērsiens" ir tuvu.

Kā to pārtraukt: Apšaubiet izlases lielumu pirmajā solī. Pirms sākas jebkāda cēloņsakarību interpretācija, pajautājiet: "Vai šie dati ir pietiekami, lai uzticētos?"

14. Kultūras perspektīvas

Pētījumi par kultūru atšķirībām šajā aizspriedumā joprojām ir ierobežoti, bet dažas tendences parādās no starpkultūru kognitīvās psiholoģijas.

Kultūras, kurās uzsver analītisko domāšanu (bieži saistītas ar Rietumu, individuālistiskām sabiedrībām), var uzrādīt atšķirīgus ievainojamības modeļus nekā kultūras, kurās uzsver holistisko domāšanu (bieži saistītas ar Austrumāzijas, kolektīvistiskām sabiedrībām). Holistiskie domātāji var būt uzmanīgāki pret kontekstu un situācijas faktoriem, iespējams, mazinot ekstrēmus secinājumus no mazām izlasēm.

Izglītības sistēmas, kas uzsver matemātisko aprēķinu iekalšanu, pretstatā konceptuālai statistiskai domāšanai, visticamāk, ietekmē aizspriedumu smagumu. Biežuma formāta hipotēze liecina, ka kultūras ar spēcīgākām konkrētas, pieredzē balstītas matemātikas tradīcijām var uzrādīt labākus rezultātus uzdevumos, kas jutīgi pret izlases lielumu.

Starpkultūru pētījumi no tādām iestādēm kā "Project Implicit" (iesaistot pētniekus no Ben-Guriona Universitātes Izraēlā un Hārvardas) parāda, ka lai gan aizspriedums ir universāls, paļaušanās uz heiristiku var atšķirties atkarībā no izglītības sistēmām un kultūras normām.

15. Mīti un maldīgi priekšstati

16. Ekspertu atziņas

"Cilvēkiem ir kļūdainas intuīcijas par nejaušības likumiem. Jo īpaši viņi uzskata no populācijas nejauši atlasītu izlasi par ļoti reprezentatīvu, proti, līdzīgu populācijai visās būtiskajās īpašībās." — Amoss Tverskis un Daniels Kānemans (Amos Tversky & Daniel Kahneman), Science (1974)

"Maza izlase, kas pēc sastāva ir ļoti reprezentatīva populācijai, nav obligāti reprezentatīva tādās statistiskās īpašībās kā vidējie rādītāji, dispersijas vai korelācijas." — Amoss Tverskis un Daniels Kānemans, "Belief in the Law of Small Numbers" (1971)

"Prāts nav radīts varbūtību aprēķināšanai procentuālā formā, bet tas var 'redzēt' dabiskos biežumus." — Gerds Gigerencers (Gerd Gigerenzer), Maksa Planka Cilvēka attīstības institūts

17. Galvenās atziņas

1. Dispersija samazinās līdz ar izlases lielumu: Šo matemātisko patiesību (σ/√n) cilvēka intuīcija pastāvīgi pārkāpj. Mazas izlases pēc būtības ir nepastāvīgas; lielas izlases ir stabilas.

2. Aizspriedums ir universāls: No vienkāršiem cilvēkiem līdz Nobela prēmijas laureātiem ikvienam piemīt šī tendence. Statistikas apmācība to samazina, bet nenovērš.

3. Mēs redzam modeļus troksnī: Prāta modeļu atpazīšanas sistēmas neņem vērā izlases uzticamību, liekot mums veidot cēloņsakarību stāstus par nejaušām svārstībām.

4. Formātam ir nozīme: Informācijas pasniegšana kā dabisks biežums ("10 no 1000"), nevis procenti, dramatiski uzlabo domāšanu, norādot, ka aizspriedums daļēji ir saistīts ar informācijas dizainu.

5. Izmaksas ir milzīgas: Replikācijas krīzi, medicīnas nepareizas diagnozes, finanšu burbuļus un mārketinga katastrofas var izsekot līdz šai vienai kļūdai.

6. Aizspriedums attīstījās pamatotu iemeslu dēļ: Datubāzēm nabadzīgās senču vidēs ātra vispārināšana no mazām izlasēm bija adaptīva. Neatbilstība mūsdienu ar datiem bagātajai videi rada problēmu.

7. Jautājiet "Kāds ir N?": Visefektīvākā iejaukšanās ir izlases lieluma padarīšana par redzamu pirms secinājumu izdarīšanas.

18. Papildu resursi

Akadēmiskie raksti

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. Psychological Bulletin, 76(2), 105-110.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314.
• Wainer, H., & Zwerling, H. L. (2006). Evidence that smaller schools do not improve student achievement. Phi Delta Kappan, 88(4), 300-303.

Grāmatas

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Gigerenzer, G. (2002). Calculated Risks: How to Know When Numbers Deceive You. Simon & Schuster.
• Thaler, R. H. (2015). Misbehaving: The Making of Behavioral Economics. W. W. Norton & Company.
• Stanovich, K. E. (2009). What Intelligence Tests Miss: The Psychology of Rational Thought. Yale University Press.

Grāmatu nodaļas

• Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. In Cognitive Psychology, 3(3), 430-454.

19. Kopsavilkuma karte

20. Izmantoto terminu glosārijs

21. Diskusiju jautājumi

Grāmatu klubiem, klasēm vai pašrefleksijai:

1. Padomājiet par kādu nesenu svarīgu lēmumu, ko pieņēmāt. Cik daudz datu bija pamatā šim lēmumam, un vai jūs izdarītu tādu pašu izvēli, ja jums būtu desmit reizes vairāk informācijas?

2. Kāpēc, jūsuprāt, statistikas apmācība pilnībā nenovērš šo aizspriedumu? Ko tas atklāj par cilvēka izziņas arhitektūru?

3. Nieru vēža karte parādīja, ka gan visaugstākie, GAN viszemākie vēža rādītāji sastopami mazos, lauku apgabalos. Kā statistikas jomā apmācīts sabiedrības veselības speciālists pieietu šim jautājumam atšķirīgi no tā, kurš nav apmācīts?

4. Gigerencers apgalvo, ka informācijas sniegšana kā dabisks biežums, nevis procenti, dramatiski uzlabo domāšanu. Kāpēc mūsu prāts ar "10 no 1000" varētu tikt galā labāk nekā ar "1%"?

5. Ja šis aizspriedums senču vidēs bija adaptīvs, ko tas liecina par to, kā mums pret to vajadzētu izturēties — kā pret kaut ko izskaužamu vai kaut ko atbilstoši virzāmu?