Книга. Думай медленно, решай быстро.. Думай медленно решай быстро Даниэль Канеман аст Москва 2014 isbn 9785170800537
 Скачать 2.92 Mb.
|
|
(Неверное) утверждение «Родители Элвиса Пресли хотели, чтобы он стал стоматологом» немного смешно, поскольку автоматически определяется несоответствие между образом Пресли и стоматолога. Система 1 генерирует впечатление сходства без намерения это делать. Эвристика репрезентативности задействуется и в том случае, когда кто-то говорит: «Она победит на выборах, по ней это видно» или «Ученого из него не выйдет, слишком много татуировок». Оценивая потенциальные спосо бности политика по форме подбородка или по силе речей, мы полагаемся на репрезентативность. Предсказания по репрезентативности распространены, но неоптимальны со статистической точки зрения. Бестселлер Майкла Льюиса «Человек, который изменил все» – это история о неэффективности такого способа предсказаний. Профессиональные тренеры-селекционеры, как правило, предсказывают успех потенциальных игроков, учитывая их сложение и внешность. Герой книги Льюиса – Билли Бин, менеджер бейсбольной команды «Окленд Атлетикс», – принял непопулярное решение отклонить предложения своих селекционеров и отбирать игроков по статистике проведенных игр. «Атлетикс» набирал недорогих игроков, которых другие команды отвергали из-за внешнего вида. Вскоре команда достигла отличных результатов за небольшие деньги. Недостатки репрезентативности У оценки вероятности по репрезентативности есть важные преимущества: интуитивные впечатлени я почти всегда оказываются точнее случайных догадок. • В большинстве случаев люди, ведущие себя дружелюбно, и в самом деле дружелюбны. • Высокий худощавый спортсмен, скорее всего, баскетболист, а не футболист. • Люди с ученой степенью скорее подпишутся на The New York Times, чем те, у кого нет высшего образования. • Молодые парни – более агрессивные водители, чем пожилые женщины. Во всех этих – и во многих других – случаях стереотипы, определяющие оценки репрезентативности, в какой-то мере верны, и предсказания, основанные на этом эвристическом методе, могут быть правильными. В других ситуациях стереотипы лгут и эвристика репрезентативности сбивает с толку, особенно если из-за нее пренебрегают информацией об априорной вероятности, указывающей в другом направлении. Даже когда эвристический метод в определенной степени оправдан, доверие исключительно к нему сопряжено с се рьезными ошибками статистической логики. Один из «грехов» репрезентативности – чрезмерная склонность предсказывать появление событий с низкой априорной вероятностью. Рассмотрим пример: вы видите в нью-йоркском метро женщину, читающую The New York Times. Какое из следующих предположений о незнакомке более вероятно? У нее есть ученая степень. У нее нет высшего образования. Репрезентативность подскажет вам сделать ставку на степень, но это необязательно разумно. Второй вариант тоже нужно серьезно рассмотреть, поскольку в нью-йоркском метро ездит намного больше людей без высшего образования, чем тех, у кого есть степень. А если некую женщину описывают как «застенчивую любительницу поэзии» и вам нужно угадать, изучает ли она китайскую литературу или управление бизнесом, то стоит выбрать второй вариант. Даже если все девушки, изучающие китайскую литературу, застенчивы и любят поэзию, робких любите льниц поэзии почти наверняка больше среди студентов экономических специальностей. Люди, не изучавшие статистику, вполне способны при определенных условиях применять априорные вероятности для предсказаний. В первой версии задачи о Томе В., которая не сообщает о нем никаких сведений, очевидно, что вероятность того, что он изучает те или иные науки, равна частоте, с которой студенты выбирают эту специальность. Но априорные вероятности теряют значение, как только мы знакомимся с описанием личности Тома В. Исходя из первых результатов, мы с Амосом решили, что априорную вероятность при доступной информации о конкретном случае будут игнорировать всегда, но этот вывод оказался слишком строгим. Психологи проводили разные эксперименты, где априорные вероятности представлены как часть задания и влияют на многих испытуемых, но тем не менее информации о конкретном случае почти всегда придают большее значение, чем простой статистике. Норберт Шварц с коллег ами продемонстрировали, что указания «мыслить как статистик» увеличивают использование информации об априорной вероятности, а требование «мыслить как практикующий врач» производит противоположный эффект. Со студентами в Гарварде несколько лет назад провели эксперимент, который удивил меня своими результатами: дополнительная активизация Системы 2 давала значительное повышение точности предсказаний в задании про Тома В. В эксперименте старую задачу соединили с современной вариацией на тему когнитивных навыков. Половине студентов сказали надуть щеки во время выполнения задания, а другим – нахмуриться. Как известно, нахмуривание обычно усиливает бдительность Системы 2 и снижает уверенность и склонность полагаться на интуицию. Студенты, надувавшие щеки (эмоционально нейтральное выражение), повторили исходные результаты: они учитывали лишь репрезентативность и игнорировали априорную вероятность. Хмурившиеся участники продемонстрировали увеличение чувствительности к апри орным вероятностям, как и предсказывали авторы эксперимента. Это – полезный результат. В вынесении неправильного интуитивного суждения следует винить и Систему 1, и Систему 2: Система 1 предлагает неверную догадку, а Система 2 принимает ее и выражает в качестве суждения. У ошибки Системы 2 могут быть две причины: невежество или лень. Одни игнорируют априорную вероятность, потому что считают ее неважной при наличии индивидуальной информации. Другие делают ту же ошибку, потому что не сосредоточились на задании. Если разница появляется из-за нахмуренных бровей, то именно лень правильно объясняет пренебрежение априорной вероятностью – по крайней мере, среди студентов Гарварда. Их Система 2 «знает» о важности априорной вероятности, даже если она не упомянута, но для применения этого знания требуются дополнительные усилия. Второй недостаток репрезентативности – нечувствительность к качеству данных. Вспомните правило Системы 1: что ты видишь, то и е сть. В примере Тома В. его описание независимо от того, точное оно или нет, активизирует ваш ассоциативный механизм. Прочитав, что Том В. «плохо ощущает других и мало им сочувствует», вы, как и большинство читателей, вероятно, решили, что он вряд ли изучает общественные науки и социальную работу, несмотря на то что вас предупредили: этому описанию не стоит доверять! Скорее всего, вы понимаете, что ненадежная информация мало чем отличается от полного ее отсутствия, но из-за правила WYSIATI применять этот принцип довольно трудно. Если только вы сразу же не решите отбросить полученные сведения (к примеру, определив, что вам их сообщил лжец), ваша Система 1 автоматически обработает имеющуюся информацию как верную. Если вы сомневаетесь в качестве информации, следует оставить ваши оценки вероятности близкими к априорной вероятности. Подобное дисциплинированное поведение дается нелегко: оно требует самоконтроля и значительных усилий по наблюдению за собой. 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. Как тренировать интуицию 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, сост авляет 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 сомневат ься 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. Разговоры о репрезентативности «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, возм ожно, основывается на веских доказательствах, но уверены ли мы в этом? При его рассмотрении следует учитывать сомнительность данных». 15 Линда: лучше меньше 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 слав ился 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 включе но 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». Затем мы провели внутрикатегориальный (within-subject) эксперимент, представив испытуемым вышеприведенный список вопросов, где «кассир» располагался на шестом месте, а «кассир-феминистка» – на после днем. Мы были убеждены, что участники заметят отношение между двумя вариантами и поступят в соответствии с логикой, а потому не собирались проводить отдельный эксперимент. В лаборатории проходило еще одно исследование, и моя ассистентка попросила участников предыдущего эксперимента перед уходом заполнить анкету про Линду. В лотке на столе собрался десяток опросников. Я мельком проглядел их и обнаружил, что все участники сочли «кассира-феминистку» более вероятной, чем просто «кассира». Я тогда так удивился, что до сих пор помню и серый металлический стол, и где кто стоял в тот миг, когда я сделал свое открытие. Я позвонил Амосу и в большом волнении рассказал ему, что в столкновении логики с репрезентативностью победила репрезентативность! Выражаясь языком этой книги, наблюдается ошибка Системы 2: у испытуемых была возможность заметить, что уместно применить правила логики, поскольку в список были включены оба варианта. Они этой возможностью не воспользовались. Расширив эксперимент, мы обнаружили, что логику вероятности нарушили 89 % студентов из нашей выборки. Мы твердо считали, что респонденты, знающие статистику, справятся лучше, и потому задали те же вопросы аспирантам программы изучения принятия решений Стэнфордской высшей школы бизнеса, прослушавшим курсы по теории вероятностей, статистике и теории принятия решений. Мы снова удивились: 85 % этих |