Tendencyjnos´c´ i decyzje ryzykowne

Report
Heurystyki i tendencyjność
Tversky i Kahneman
Heurystyki i tendencyjność
(Kahneman, 1982)
•
•
•
•
•
•
•
•
•
Prawo małych liczb (próbek)
Prawo przypadkowych sekwencji
Kotwiczenie
Efekt ramy językowej
Dostępność
Regresja do średniej
Reprezentatywność
Lekceważenie małych prawdopodobieństw
Lekceważenie faktycznego prawdopodobieństwa
zdarzeń (base rate)
Tendencyjność w wydawaniu sądów
• Ludzie, w rozumowaniu codziennym, nie kierują się
racjonalnymi przesłankami i ścisłymi regułami
rozumowania, lecz heurystykami.
• Heurystyki to uproszczone zasady wnioskowania,
umożliwiające szybkie utworzenie sądu, któremu
towarzyszy przekonanie o jego słuszności.
• Kahneman D., Slovic P., Tversky A., Judgement under
uncertainity: Heuristics and biases. Cambridge:
Cambridge University Press.
Prawo małych liczb (próbek)
• Małe próbki powodują powstanie krańcowo
zmiennych wyników.
• W większości, ludzie jako próbkę odniesienia
wskazują w swoją rodzinę i znajomych, co
powoduje powstanie krańcowych wyników.
• Kahneman wskazuje, że w badaniach
psychologicznych próbki stosowane przez
psychologów są tak małe, że dają 50% ryzyko
odrzucenia prawdziwej hipotezy.
Małe próbki
• Powiaty, w których częstość nowotworów nerek jest niższa są w
większości wiejskie, rzadko zaludnione i umiejscowione w
tradycyjne głosujących na prawicę.
• System 1 automatycznie i bez wysiłku identyfikuje związek
przyczynowy między zdarzeniami  niska stopa nowotworów jest
zależna od wiejskiego stylu życia.
• Ale powiaty, w których stopa nowotworów nerek jest wyższa też
są zwykle wiejskie, rzadko zaludnione i umiejscowione w
województwach tradycyjnie głosujących na prawicę.
• System 1 automatycznie i bez wysiłku identyfikuje związek
przyczynowy wysoka stopa nowotworów nerek jest
spowodowana ubóstwem wiejskiego stylu życia.
• System 2  dwa sprzeczne sądy. Jaka jest wielkość populacji w
próbkach wiejskich i miejskich?
• Populacje miejskie - próbki duże, populacje wiejskie - próbki małe.
Kiedy małe próbki to występuje krańcowa zmienność wyników.
Prawo przypadkowych sekwencji
• Zupełnie przypadkowe sekwencje liczb
000000
101010
123456
• Przy dostatecznie wielkich liczbach prób te
sekwencje pojawiają się przypadkowo.
Próbka losowań Totolotka
Numer losowania
Liczby (w porządku rosnącym)
Data
3625
01-01-2000
3626
05-01-2000
3627
08-01-2000
3628
12-01-2000
3629
15-01-2000
3630
19-01-2000
3631
22-01-2000
3632
26-01-2000
3633
29-01-2000
3634
02-02-2000
9, 19, 22, 23, 34, 39
3, 5, 13, 23, 41, 42
4, 6, 26, 27, 42, 49
4, 22, 36, 39, 41, 45
15, 22, 24, 29, 37, 44
22, 23, 24, 29, 30, 45
1, 2, 16, 29, 33, 42
3, 9, 17, 23, 43, 44
5, 25, 32, 35, 42, 44
6, 7, 13, 17, 33, 49
« poprzedniekolejne »
Generator liczb losowych
• 10001011000101101100101100
1 1 1 0 11 1 0 1 0 0 1 0 1 1 0 0 1 0 1 0 0 1 1 1 1
0 0 1 0 1 0 0 0 1 11 1 0 1 0 0 1 1 0 0 0 1 1 1 1 1
0 0 1 1 1 1 0 0 1 0 1 1 0 1 10 0 0 0 1 1 0
Złudzenie hazardzisty
• Przecenianie prawdopodobieństwa tego wyniku losowania, który od
dawna nie wystąpił.
• Niech Orzeł – 1 , reszka – 0,
• Jak zmienia się poczucie prawdopodobieństwo wylosowania Orła- 1, w
trakcie kolejnych losowań?
0, 0, 0
0, 0, 0, 0
0, 0, 0, 0, 0
0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0
0, 0, 0, 0, 0, 0, 0, 0
0, 0, 0, 0, 0, 0, 0, 0, 0
• Gracz jest przekonany, że wraz z kolejną losowaną Reszką – 0, wzrasta
prawdopodobieństwo wyrzucenia Orła - 1,
• Tymczasem, prawdopodobieństwo losowania Orła w każdym losowaniu
jest jednakowe, wynosi p= 0.5.
„Szczęśliwa ręka”
• Gracz ma „szczęśliwą rękę,” kiedy trafia do kosza z
kolei trzy czy cztery rzuty.
• System 1 automatycznie i bez wysiłku identyfikuje
istnienie związku przyczynowego pomiędzy
zdarzeniami  3 - 4 trafnymi rzutami i chwilową
„szczęśliwą ręką” gracza.
• System 2  analiza tysięcy sekwencji rzutów
prowadzi do konkluzji : sekwencja trafnych i
nietrafnych rzutów spełnia wszystkie testy
przypadkowości tych zdarzeń.
Kotwiczenie
• Kotwiczenie albo koncentracja na czymś, jest
tendencją poznawczą, która opisuje powszechną
skłonność do zbytniego polegania na „kotwicy”,
jednej cesze albo informacji w trakcie podejmowania
decyzji.
• Podstawowy wynik badań nad kotwiczeniem to, że
zupełnie przypadkowe kotwice są równie skutecznie
wpływają na myśli i zachowanie, jak kotwice oparte
o rzetelne informacje (Kahneman).
• Oszacuj wielkość sumy szeregu liczb
• 1, 2, 3, 4, 5, 6, 7, 8, 8, 10, 11, 12, 13, 14, 15.
kotwiczenie
• Oszacuj wielkość sumy szeregu liczb
• 15, 15, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1.
Sosna (Pinus silvestris L.)
• Pień
• Przeciętnie osiąga wysokość 30 m, wyjątkowo
rośnie do 40 m. Średnica pnia 0,5–1,2 m.
Sugestia zakotwiczenia
•
•
•
Grupa A :
Jaka jest twoja ocena najwyższej sosny?
Czy wysokość największej sosny jest większa albo mniejsza niż 36.5 metrów
Grupa B:
Jaka jest twoja ocena najwyższej sosny?
Czy wysokość największej sosny jest większa albo mniejsza niż 365 metrów
•
•
•
•
•
•
Grupa B, System 1  85.9 metra
Grupa A, System 1  257,2 metra
•
Indeks zakotwiczenia to proporcja tych dwóch różnic wyrażona w procentach
(171,9 /328.5) = 52.3 %.
•
Ci którzy maja 100% ślepo ulegają iluzji zakotwiczenia, ci którzy mają 0% ignorują
kotwicę
przypadkowa kotwica
Różnica między dwiema kotwicami wynosiła 328.5 metra
Różnica między odpowiedziami wynosi 171,9 metra
Wykorzystanie kotwiczenia w marketingu.
Efekt ramy językowej
• Prezentacja tej samej opcji w różnych ujęciach
językowych sprawia, że ludzie podejmują
odmienne decyzje; jedna z tendencji
poznawczych .
• Dokładniej, ludzie dokonują sprzecznych
wyborów, zależnie od tego, czy zależnie od
formy językowej alternatyw koncentrują się na
stratach albo zyskach.
Efekt ramy - zyski
Tversky and Kahneman (1981) pytali prosili, by
wyobrazić sobie wybuch epidemii groźnej choroby,
która może zabić 600 ludzi. Przygotowano dwa
alternatywne programy zwalczenia tej choroby:
Jeżeli przyjmiemy program A, uratujemy 200 ludzi.
Jeżeli przyjmiemy program B, istnieje
prawdopodobieństwo 1 na 3, ze uratujemy 600
ludzi i prawdopodobieństwo 2 na 3, że nikt nie
przeżyje.
c.d.
Wyniki:
72 % respondentów wybrało program A, a 28% program
B.
Pewne uratowanie 200 ludzi jest widziane jako bardziej
atrakcyjne niż 1/3 szansy uratowania 600 ludzi.
Jak pamiętamy pewne zyski są bardziej atrakcyjne niż
zakład z równie wielką wartością oczekiwaną.
Warto dostrzec, że opcje opisywane są w kategoriach
zysku – tj. liczby uratowanych ludzi.
Efekt ramy - straty
Drugiej grupie badanych prezentowano te same
wybory w innej postaci językowej .
Jeśli przyjmiemy program C, umrze 400 osób
Jeśli przyjmiemy program D, istnieje
prawdopodobieństwo 1 na 3 , że nikt nie umrze i
Szans 2 na 3, ze umrze 600 osób.
Wyniki:
w tym przypadku, tylko 22% respondentów
wybrało program C, a 75% - program D.
Oczywiście, programy A i B są identyczne z
programami B i C, z tym wyjątkiem, że teraz wyniki
oddziaływania programów ujęte są w kategorii
liczby osób, które zemrą.
Ta sama ryzykowna opcja, ujęta jako strata, staje
się bardziej popularna, niż opcja pozbawiona
ryzyka.
Heurystyka dostępności
• Kiedy masz ocenić wielkość kategorii albo
częstość jakiegoś wydarzenia, kierujesz się
łatwością z jaką przypadki kategorii albo
wydarzeń przychodzą na myśl.
• Podstawiani jednego pytania pod drugi stale
prowadzi do systematycznych błędów.
Jakie jest prawdopodobieństwo
zgonu?
z powodu choroby serca:
z powodu choroby
nowotworowej:
System 1  przypominanie często eksponowanych obrazów
zdarzeń
System 2  kieruje się ocenmi Systemu 1
z powodu choroby serca:
• 1/5
• Jeden na pięć zgonów= 20%
z powodu choroby
nowotworowej:
• 1/7
• Jeden na 7 zgonów = 14%
Studia niestacjonarne
odsiew 2010-2011
•
kotwica?
Rok I
Rok II
skreślenia
rezygnacje
Razem 100%
• Podaj w %
Skreślenia
Rezygnacje
Studia niestacjonarne
odsiew 2010-2011
•
kotwica?
Rok I
Rok II
skreślenia
rezygnacje
Razem 100%
• Podaj w %
Analiza i ocena przyczyn odsiewu
2010-2011
Dostępność a afekt
• Oceny prawdopodobieństwa zgonów porównywano a
statystykami zgonów dla danych odcinków czasu. Oto
próbka tych porównań:
• Strokes cause almost twice as many deaths as all accidents
combined, but 80% of respondents judged accidental death to
be more likely.
• Zgon z powodu choroby jest 18 razy bardziej prawdopodobny
niż zgon z powodu wypadku, lecz te dwie przyczny uznawane
są za równie prawdopodobne.
• Zgon z powodu wypadku uznawana jest za 300 razy bardziej
prawdopodobny niż zgon z powodu cukrzcy, kiedy prawdziwa
częstość wynosi 1:4.
Skrypt kaskady dostępności
•
Czasami opis ryzykownego zdarzenia w mediach
•
 przykuwa uwagę jakiegoś segmentu społeczeństwa wzbudzając niepokój i troskę.
Ta reakcja emocjonalna staje się narracją sama w sobie, więc
•
prowokuje dodatkowe pokrycie w mediach, które z kolei wytwarzają jeszcze
większe zainteresowanie i zaangażowanie tym tematem.
•
 Ten cykl czasami umyślnie przyśpieszają osoby i instytucje, których pracę stanowi
dostarczane dopływu sensacyjnych i zatrważających informacji.
•
 Kiedy media walczą o uwagę jaskrawością nagłówków, dalej wzrasta przesada w
ocenie niebezpieczeństwa.
•
System 2  naukowcy i inne osoby, które próbują zmniejszyć narastanie niepokoju
przyciągają mało uwagi widzów TV: każdy, to twierdzi że przesadzona jest ocena
niebezpieczeństwa, podejrzany jest o „ haniebne tuszowanie” wydarzenia.
•
 Ponieważ demokratyczny system polityczny kieruje się intensywnością publicznych
sentymentów, odczuć -
•
Kaskada dostępności sprawia, że politycy dokonują zmiany priorytetów.
Reprezentatywność
• Reprezentatywność to “stopień w którym jakieś zdarzenie
jest 1/ podobne jest do podstawowych cech populacji z
której pochodzi 2/ stopień w jakim odbija wyraziste cechy
procesu, który go generuje (Kahneman & Tversky, 1982, p.
33).
• Kiedy ludzie opierają się na reprezentatywności, aby
formułować osądy, zwykle popełniają błąd, gdyż
reprezentatywność zdarzenia nie ma związku z
prawdopodobieństwem zdarzenia.
• Konieczne jest odniesienie częstości zdarzenia do proporcji
podstawowej ( base-rate).
Przykład 1: Reprezentatywność
• Widzisz osobę czytającą The New York Times w warszawskim metrze.
• Która z opinii jest bardziej prawdopodobnym domysłem, co do osoby
czytającej?
• 1/ On/ona ma magisterium. System 1  kierowanie się
reprezentatywnością
• System 1 sugeruje nietrafną intuicję, i
• System 2 przychyla się do niej i wyraża ją słownie.
• albo
• 2/ On/ona nie ma magisterium
• System 2  odrzuca nietrafną intuicję ( odniesienie do proporcji
podstawowej: proporcja osób z magisterium do wszystkich osób
jeżdżących metrem).
Rozproszenie odpowiedzialności
• Jak zachowają się ludzie w grupie, kiedy zobaczą
osobę, która upadła na ulicy?
• a/ Nikt nie udzieli pomocy ( obojętność
przechodniów)  System 1
• b/ wszyscy ludzie podejmą akcję pomocy 
system 1
• System 2  liczb osób taka jak w proporcji
podstawowej.
Fałszywa koniunkcja
• Kiedy ludzie w bezpośrednim porównywaniu
sądzą, że koniunkcja dwóch zdarzeń jest
bardziej prawdopodobna niż
prawdopodobieństwo jednego zdarzenia.
Przykład: Fałszywa koniunkcja
• a/ Wielka powódź w następnym roku, w
trakcie której utonie co najmniej 10 osób
• b/ Wielka powódź we Wrocławiu w
następnym roku w trakcie której utonie co
najmniej 10 osób.
• System 1  b/ bardziej prawdopodobne niż a/
Regresja do średniej
• W statystyce, regresja ku średniej jest takim
zjawiskiem, kiedy wartość zmiennej przy
pierwszym pomiarze jest ekstremalna, to w
drugim pomiarze ma tendencje zbliżania się
do przeciętnej.
• Jeśli w drugim pomiarze jest ekstremalna, to
będzie bliższa średniej w pierwszym pomiarze.
Przykład 1/ Regresja do średniej
• Badanie „Dzieci w stanie depresji, którym
podawano napój energetyzujący ulegają
poprawie po trzech miesiącach leczenia”.
• System 1  Wynik badań: Napój
energetyzujący łagodzi depresję
• Kształcony System 2  poziom depresji w
ciągu trzech miesięcy zbliżył się do średniej
niezależnie od działania napojów
energetyzujących.
Przykład 2/ Regresja do średniej
• Lekkoatleci przygotowują się do drugiego skoku:
• “Norweg oddał wspaniały pierwszy skok.”
• System 1  Norweg będzie napięty, ma nadzieję utrzymać
przewagę, i prawdopodobnie pójdzie mu gorzej.
• “Szwed oddał marny pierwszy skok.”
• System 1  teraz nic nie ma do stracenia, będzie
rozluźniony, to mu pomoże oddać lepszy skok”
•
• Kształcony System 2  „To tylko zwykłe fluktuacje poziomu
wykonania. Wymyślasz narracje przyczynowo- skutkowe
pozbawione podstaw. Ale umiesz nawijać.”
Przykład 3/ Regresja do średniej
• nasty/ nice behaviour is a result of fluctuation:
• People are nice to us  System 1 we tend to
be nice to other people, when they please us (
next time they will behave nasty!!!).
• People are nasty to us System 1 we tend to
be nasty ( next time they wil behave nice!!!)
• Skilled System 2  Because nasty/ nice
behaviour is a result of fluctuation, we are
statistically punished for being nice and
rewarded for being nasty!
Lekceważenie małych
prawdopodobieństw
• Zasadnicze ograniczenie umysłu co do
kierowania się zdarzeniami o małym ryzyku
(Cass Sunstein)
Lekceważenie prawdopodobieństwa
• System 1  albo ignoruje je całkowicie
albo
• System 1  nadaje mu zbyt wielką wagę – nic
pośrodku;
• Wielkość niepokoju i troski nie jest adekwatnie
dostosowana do prawdopodobieństwa szkody/
zysku.
• System 1  przecenia prawdopodobieństwo ataku
terrorystycznego czy wygranej w Totolotka
Przecenianie prawdopodobieństwa
zdarzeń
• Lęk człowieka, który widzi błysk a potem oczekuje
odgłosu uderzenia pioruna
• jest nieracjonalny, gdyż powinien zwracać uwagę
nie tylko na skutek – rażenie piorunem, ale także
na prawdopodobieństwo śmierci od pioruna
1/ 79 746 zgonów,
• coś między <śmiercią podczas trzęsienia ziemi> a
<śmiercią na krześle elektrycznym>.
Niedocenianie prawdopodobieństwa
zdarzenia
• Ludzie powinni bać się wsiadając do
samochodu, gdyż prawdopodobieństwo zgonu
w wypadku wynosi
• 1/84 zgony
• Tj. między zgonem na udar mózgu ( 1/24) a
zgonem od upadku z wysokości (1/218)
Proporcja podstawowa
• Np: nosicielem HIV jest 15 osób na 10 tys.
heteroseksualnych mężczyzn.
• Prawdopodobieństwo znalezienia się w grupie
nosicieli wirusa to 15/10 000 = 0.0015 .
• To proporcja podstawowa.
Proporcja podstawowa a
faktyczne nosicielstwo HIV
Mężczyzna zrobił dwa kolejne test na wykrycie HIV i uzyskał wyniki +
• Czy mężczyzna jest chory, czy nie? Inaczej,
• Jakie jest prawdopodobieństwo, że jest zdrowy albo chory?
• Nosicielem HIV jest co 15 osoba z 10 tys. heteroseksualnych
mężczyzn.
• Prawdopodobieństwo znalezienia się w grupie nosicieli wirusa to
15/10 000 = 0.0015 .To proporcja podstawowa.
• Czułość testów HIV jest wysoka 99%, więc
• Prawdopodobieństwo nie posiadania wirusa mimo testu HIV+
wynosi 0.01.
• Jakie jest prawdopodobieństwo, że ten mężczyzna z wynikiem
HIV+ jest faktycznie nosicielem HIV.
Reguła Bayesa
w formacie prawdopodobieństwa
p(HIV/test+)= p(HIV) x p(test+ /HIV+)
----------------------------p(test+/HIV-) x p(test+/HIV+)
p(HIV/test+)= 0.0015 x 0.99
-----------------0.01 x 0.99
P(HIV/test+)= 0.0015 : 0.01 = 0.15 tj.
Faktyczne prawdopodobieństwo zarażenia wirusem,
kiedy wynik testu jest + równa się
prawdopodobieństwo zarażenia wirusem w populacji
dzielone przez prawdopodobieństwo otrzymania
wyniku testu + , kiedy nie ma wirusa
Przy wyniku + i czułości testu HIV 0.99 faktyczne
prawdopodobieństwo nosicielstwa HIV wynosi
0.15
•
p(HIV/test+) – prawdopodobieństwo, zarażenia
wirusem, jeśli wynik testu jest +
•
p(HIV) – prawdopodobieństwo zarażenia wirusem
w populacji (0.0015)
•
p(test+ /HIV+) – prawdopodobieństwo, że test da
wynik pozytywny, jeśli w organizmie jest wirus
HIV (0.99)
•
p(test+/HIV-) – prawdopodobieństwo, że test da
wynik pozytywny, jeśli w organizmie nie ma
wirusa HIV (0.01)
Proporcja podstawowa a
faktyczne diagnoza narkomanii
Twierdzenia Bayesa można użyć do interpretacji rezultatów badania przy użyciu testów
wykrywających narkotyki.
Załóżmy, że przy badaniu narkomana test wypada pozytywnie w 99% przypadków, zaś przy
badaniu osoby nie zażywającej narkotyków wypada negatywnie w 99% przypadków. Pewna
firma postanowiła przebadać swoich pracowników takim testem wiedząc, że 0,5% z nich to
narkomani. Chcemy obliczyć prawdopodobieństwo, że osoba u której test wypadł pozytywnie
rzeczywiście zażywa narkotyki. Oznaczmy następujące zdarzenia:
D - dana osoba jest narkomanem
N - dana osoba nie jest narkomanem
+ u danej osoby test dał wynik pozytywny
− u danej osoby test dał wynik negatywny
Wiemy, że:
P(D) = 0,005, gdyż 0,5% pracowników to narkomani
P(N) = 1 − P(D) = 0,995
P( + | D) = 0,99, gdyż taką skuteczność ma test przy badaniu narkomana
P( − | N) = 0,99, gdyż taką skuteczność ma test przy badaniu osoby nie będącej narkomanem
P( + | N) = 1 − P( − | N) = 0,01
Mając te dane chcemy obliczyć prawdopodobieństwo, że osoba u której test wypadł pozytywnie,
rzeczywiście jest narkomanem. Tak więc:
cd.
0.3322 = 33%
•
•
•
•
Mimo potencjalnie wysokiej skuteczności testu, prawdopodobieństwo, że narkomanem
jest badany pracownik, u którego test dał wynik pozytywny, jest równe około 33%, tj.
33/100, jest więc nawet bardziej prawdopodobnym, ze taka osoba nie zażywa
narkotyków.
Innymi słowy, pozorny paradoks polegający na dużej dokładności testu (99%
wykrywalności narkomanów wśród narkomanów i nieuzależnionych wśród
nieuzależnionych) i niskiej dokładności badania bierze się stąd, że w badanej próbie
tylko niewielka część osób to narkomani.
Przykładowo jeśli badamy 1000 osób, 0,5% z nich czyli 5 to narkomani, a 995 nie.
Natomiast test wskaże jako narkomanów 1% nieuzależnionych (995*1% ≈ 10), oraz 99%
uzależnionych (5*99% ≈ 5).
Ostatecznie test wypadł pozytywnie dla 15 osób, jednak tylko 5 z nich to narkomani.
Krócej:
Faktyczne prawdopodobieństwo zarażenia
wirusem, kiedy wynik testu jest + równa się
prawdopodobieństwo zarażenia wirusem w
populacji dzielone przez
prawdopodobieństwo otrzymania wyniku
testu + , kiedy nie ma wirusa:
P(HIV/test+)= 0.0015 : 0.01 = 0.15
Inny przykład na wykrywalność chorób
(d) Pewna choroba jest obecna w 0,01% populacji. Opracowano test, który daje wynik dodatni
u 90% chorych i u 5% zdrowych. Jakie jest prawdopodobieństwo tego, ze pacjent z wynikiem
dodatnim jest zdrowy? Czy ma on powody do obaw?
Wprowadzamy oznaczenia:
A - zdarzenie, że test daje wynik dodatni; B - zdarzenie, że pacjent jest chory. Szukamy P(Bc|A).
Ze wzoru Bayesa P(Bc|A) = (P(A|Bc) x P(Bc)) / P(A)
Mamy P(B) = 0, 0001 = 1 − P(Bc)
P(A|B) = 0, 9
P(A|Bc) = 0, 05
Zatem P(A) = P(A|B)P(B) + P(A|Bc)P(Bc) = 0, 050085 z tw. o prawdop. całkowitym.
oraz P(Bc|A) = 0, 05(1 − 0, 0001) / 0, 050085 ~ 0, 9982
Wniosek: Test w istocie nie wykrywa choroby, bo pacjent z wynikiem dodatnim jest zdrowy
na ponad 99%, i raczej nie ma powodów do obaw.
Reguła Bayesa w formacie
częstości
• 15 /10 000 jest nosicielem wirusa, więc
• 9985 / 10 000 nie jest nosicielem.
• Jak wypadnie test na HIV w tych dwóch populacjach, kiedy czułość
testu wynosi 99/100 tj. 0.99%.
• 99% z 15= 14.85 ~ 15 osób ma wynik +
• 1% z 9985= 998.5 ~999 osób ma wynik +
• Wynik pozytywny w dwóch populacjach będzie miało 999 +15 = 1014
osób, ale faktycznie nosicielami będzie tylko 15 osób. Zatem
faktyczne zagrożenie będzie 15 /1014 osób; mniej niż 15/1000. czyli
faktyczne zagrożenie wynosi mniej niż 15 na 1000 inaczej 0.015
Reguła Bayesa w formacie
prawdopodobieństwa versus częstości
Format:
Ilość trafnych rozwiązań
prawdopodobieństwa
• Np. ryzyko raka 0.01
• 16%
częstości
• Np. ryzyko raka 1/100
• 46%
Zmiana reprezentacji poznawczej wpływa na różnice
poziomu wykonania zadań
WYBÓR I RYZYKO
•
•
•
•
•
•
•
•
Teoria oczekiwanej użyteczności
Teoria perspektywy
Awersja strat
Poszukiwanie ryzyka
Efekt posiadania
Przecenianie małych prawdopodobieństw
Niedocenianie wielkiego prawdopodobieństwa
Tablica czteropolowa Kahnemana i Tverskiego
Wybór a zakład
• 1/ Co wolisz Jabłko czy banan?
• 2/Co wybierasz?
a/ Rzuć monetą:
• jeśli wyjdzie orzeł- dostać 100zł,
• jeśli wyjdzie reszka- nie dostać nic.
b/Dostać pewne 49 zł
Teoria oczekiwanej użyteczności
• Co wolisz?
• a/Rzuć monetą. Jeśli wyjdzie orzeł- dostać 100zł,
jeśli wyjdzie reszka- nie dostać nic.
• b/Dostać pewne 49 zł
• Bernoulli: Ludzie wybierają pewność nieco mniejszą
pod wartości oczekiwanej, unikają ryzyka.
• Czyli ludzie nie dokonują wyborów kierując się
wartością wyniku, ale wartością psychologiczną
wyniku – użytecznością.
• Dziś Jaś i Kasia mają po 5 milionów ( wielkość
wyniku)
• Mają po 5 milionów, więc są tak samo
zadowoleni (Bernoulli)
• Wczoraj Jaś miał 1 milion, a Kasia 9 milionów
• Ale Jaś od wczoraj zyskał 4 miliony, a Kasia
straciła 4 miliony! (zmiana)
• Zadowolenie zależy od zmiany a nie wielkości
wyniku. (Kahneman)
Teoria perspektywy
• Robert ma 1 milion, Barbara ma 4 miliony
• Jednemu i drugiemu dajemy okazję wyboru między zakładem ryzykownym a
pewnością
• Zakład : a/równe szanse skończyć z 1 milionem albo 4 milionami
•
albo
•
b/skończyć grę z 2 milionami
• Bernoulli: a/ oczekiwana wartość (1 x 0.5 + 4 x 0.5)= 0.5 + 2= kończyć z 2.5
milionami
• Kahneman:
• Robert ma do wyboru pewnie podwoić kapitał albo (nie zyskać nic albo
skończyć z 4 milionami)
• Robert wybierając b/ maksymalizuje zyski - kończy z dwoma milionami;
• Barbara wybierając a/ minimalizuje straty - ma do wyboru pewnie stracić
dwa miliony albo( stracić trzy miliony albo nie zyskać nic)
• Czyli wybory zależą od „punktu odniesienia” (pozycji wyjściowej) a nie od
obliczeń wartości oczekiwanej
Awersja ryzyka a poszukiwanie ryzyka
• Problem 1:
• Co wybierzesz?
• Dostać pewne $900 ALBO 90% szanse dostać
$1,000
• (Awersja ryzyka) 10% straty $1,000
Awersja ryzyka a poszukiwanie ryzyka
• Problem 2:
• Co wybierzesz?
• Tracić na pewno $900 ALBO 90% szanse aby
stracić $1,000
• (Poszukiwanie ryzyka) 10% zyskać $1,000
Awersja ryzyka a poszukiwanie ryzyka
• Problem 3:
• W dodatku do tego, co masz, dano Ci $1,000.
• A teraz proponują Ci wybierać między tymi
opcjami:
• 50% szans by wygrać $1,000 ALBO dostać
pewne $500
Awersja ryzyka a poszukiwanie ryzyka
• Problem 4:
• W dodatku do tego, co masz, dano Ci $2,000.
• A teraz proponują Ci wybierać między tymi
opcjami:
• 50% szans stracić $1,000 ALBO pewną stratę
$500
Awersja strat
• Problem 5: przedstawiają Ci zakład powiązany z rzutem
monetą.
• a/ Jeśli wyjdzie reszka stracisz $100
• b/ Jeśli wyjdzie orzeł zyskasz $150
• Wybory, które stają przed nami są „ mieszane”: istnieje
ryzyko straty i możliwość zysku, musimy zdecydować, czy
przyjmiemy albo odrzucimy opcję.
• Czy zakład jest atrakcyjny? Czy przyjmiesz zakład?
• System 1  generuje obawę straty;
• System 2  kieruje się obawami Systemu 1 i odrzuca
zakład.
• Kahneman & Amos stwierdzili, że „straty górują nad
zyskami” i że ludzie „unikają strat”.
Proporcja zysków do strat
• Jaki jest najmniejszy zysk, jakiego oczekujesz, aby
wyrównać równą szansę straty $100?
• „Proporcję zysku do straty” (loss aversion ratio) badano w
różnych eksperymentach , zawarta jest w zakresie 1.5 do
2.5.
• Aby zbadać „proporcję zysku do straty” dla różnych
stawek zakładu, rozpatrz następujące zakłady. Koncentruj
uwagę na subiektywnym wpływie możliwych strat i
zysków.
• Rozpatrz zakład 50%/ 50% w którym tracisz $10. Jaki jest
najmniejszy zysk, który sprawi, że zakład stanie się
atrakcyjny?
• Jeśli powiesz $10, to jesteś obojętny na ryzyko.
• Jeśli powiesz sumę mniejszą niż $10, to poszukujesz
ryzyka.
• Jeśli powiesz więcej niż $10, to unikasz ryzyka.
Zakłady „mieszane”
• Co sądzisz o możliwej stracie $500 po rzucie monetą? Jaki
jest najmniejszy zysk, aby przyjąć taki zakład?
• $ 500 x 2.5 = $1250
• A co sądzisz o stracie $2 000?
• Prawdopodobnie stwierdziłeś, że twój współczynnik
awersji straty wzrasta, kiedy wielkość stawek rośnie, ale
nie wzrasta dramatycznie. Oczywiście, wszystko może się
zdarzyć, jeśli możliwa strata oznacza ruinę, albo strata
sanowi zagrożenie Twojego stylu życia.
Efekt posiadania (endowement)
• Efekt posiadania to hipoteza według której ludzie
cenią bardziej rzecz/ stan, gdy tylko wchodzą w jego
posiadanie.
• W jednym z badań, ludzie żądali wyższej ceny z
przedmiot, który został mi dany, ale chcieli kupić
przedmiot za niższa cenę, kiedy go jeszcze nie
posiadali.
• Efekt uposażenia nie jest zgodny z teorią oczekiwanej
użyteczności (standardową teorią ekonomiczną),
która zakłada, że chęć zapłaty za zyskane dobro (
kupno) winna być równa chęci kompensacji za utratę
dobra (sprzedaż).
Przykład 1/ posiadane
• Aby docenić wpływ jaki punkt odniesienia wywiera na wybory,
przypatrzmy się Adamowi i Bolkowi, „ hedonistycznym
bliźniętom”, którzy posiadają identyczne preferencje i aktualnie
wykonują identycznie zajęcia dostarczające im niewielkiego
dochodu i niedługich wakacji. Ich bieżącej sytuacji odpowiada na
wykresie punkt 1/.
• Firma jednak oferuje im inne, lepsze stanowiska i pozwala im
zdecydować, kto dostanie wzrost pensji do $10,000 (pozycja A) a
kto dostanie dodatkowy dzień płatnego urlopu za każdy miesiąc
pracy (pozycja B). Jako że jest im wszystko jedno (te same
preferencje) rzucają monetę, co komu przypadnie:
• Adam dostaje podwyżkę, a Bolek dostaje dłuższy urlop. Mija jakiś
czas i obydwaj przyzwyczajają się do swoich stanowisk, płac i
urlopów.
• Lecz teraz firma sugeruje im, jeśli tego chcą, wymienili się swoimi
stanowiskami.
• Co wybiorą Adam i Bolek? Pozostać przy swoim czy wymienić się?
Efekt posiadania
cd. Przykładu 1/
• Adam był początkowo w pozycji 1/ i z tego punktu odniesienia obydwie
alternatywy wydawały mu się równie atrakcyjne.
• Poprzednie losowe A/: wzrost pensji do $10,000 ALBO losowe B/:
dodatkowo 12 dni urlopu. Zajmowanie pozycji A/ zmienia punkt
odniesienia Adama zmianę i kiedy rozważ wymianę na B/, jego wybór
ma nową strukturę:
• Pozostanie przy A/: żaden zysk i strata ALBO zamiana na B/:
dodatkowe 12 dni urlopu i spadek pensji o $10,000 .
• Jak już wiemy, ludzie unikają strat. Ucięcie zarobków o $10 000 to
dotkliwa strata. Jeśli kiedyś, dodatkowy zysk 12 dni urlopu w roku był
równie ważny jak $10 000 dodatkowej pensji, teraz sam wzrost urlopu
nie rekompensuje straty $10 000. Adam pozostaje przy A/, bo zyski nie
równoważą strat.
• Bolek podobnie, bo utratę teraz tak cenionych dni urlopu nie
równoważy wzrost pensji.
• Ta preferencja do zachowania status quo jest konsekwencją awersji do
straty.
Funkcja wartości w teorii perspektywy
Przykład 2/ efekt posiadania
Wykorzystaliśmy w badaniach atrakcyjny kubek do kawy z insygniami
uniwersytetu.
Kubek był wtedy warty 6 dolarów. Kubki przydzielono przypadkowo
połowie badanych.
Sprzedawcy mogli patrzyć na kubek, jak stał przed nimi.
Kupujących zachęcano, aby przyglądali się kubkowi sprzedawcy.
Jedni i drudzy podawali ceną z którą mogli sprzedać/ kupić.
Kupujący musieli jednak kupować za własne pieniądze.
Wyniki były dramatycznie:
Przeciętna cena sprzedawcy była dwukrotnie wyższa od ceny kupca.
Szacunkowa liczba transakcji była równa połowie liczby przewidywanej
przez teorię oczekiwanej użyteczności Bernoulli’ego
Zanik efektu posiadania
• Efekt uposażenia zanika, kiedy posiadacze
traktują posiadane dobra jako nośniki
wartości dla przyszłych wymian. Pospolite
zjawisko w handlu i na rynkach finansowych
Podejmowanie decyzji a ubóstwo
(życie poniżej czyjegoś punktu odniesienia)
• Bycie ubogim, w teorii Kahnemana, jest życiem poniżej czyjegoś
punktu odniesienia. Istnieją dobra których ubodzy potrzebują i na
które ich nie stać, są więc stale „na stracie”.
• Małe sumy które otrzymują są przez nich spostrzegane nie jako
zysk, ale redukcja straty.
• Otrzymane pieniądze pomagają wspiąć się ku punktowi
odniesienia, ale ubodzy zawsze pozostają na stromej gałęzi
wartości funkcji.
• Ludzie ubodzy nie są obojętni na zyski i straty, ale wszystkie ich
wybory to wybory pomiędzy stratami.
• Pieniądze które wydają na jedno dobro, jest stratą niezakupionego
drugiego dobra.
• Dla ubogich koszt są stratami.
Cele jako punkty odniesienia
• Ekonomia racjonalna zakłada, że taksówkarze powinni
pracować wiele godzin w dni deszczowe i zjeżdżać z
pracy w dni pogodne, kiedy mogą kupić sobie wolne
po niższej cenie.
• Logika perspektywy (awersji straty) dyktuje działania
zupełnie odmienne: taksówkarze, aby osiągnąć
zaplanowany dzienny zysk ( cel) powinni pracować
wiele godzin wiele godzin, kiedy klientów jest
niewielu, i zjeżdżać do domu wcześniej, kiedy szybko
osiągną ustalony zysk (cel)
Przecenianie małych prawdopodobieństw
Wagi, jakie ludzie przypisują określonym wynikom nie są identyczne z
prawdopodobieństwem tych wyników
W przykładach poniżej, szanse zdobycia 1 miliona złotych zwiększają
się o 5%:
• Od 0 do 5% (Efekt możliwości)
• Wzrost szans od 0 do 5% przekształca sytuację, stwarzając możliwość
jaka wcześniej nie istniała. Wysoce nieprawdopodobnemu wynikowi
musi być przypisana nieproporcjonalna do jego
prawdopodobieństwa waga.
• Od 5% do 10%
• Od 60% do 65%
• Od 95% do 100% (Efekt pewności)
• Wysoce prawdopodobnemu wynikowi musi zostać przypisana waga
nieproporcjonalnie niska.
Przecenianie małych
prawdopodobieństw
• Teoria perspektywy sugeruje, że ludzie nie są ściśle racjonalni. Typowe
zachowanie ludzi ujawniają te skrypty.
• Jesteśmy skłonni do przeceniania bardzo niskich prawdopodobieństw, co
pomaga wyjaśnić dlaczego ludzie grają w loterię.
– To wyjaśnia, dlaczego ludzie grają w loterię.
• Ludzie są skłonni do nieróżnicowania pośrednich poziomów
prawdopodobieństwa.
– Jeśli poziom prawdopodobieństwa pomyślnego wyniku zwiększa się z 50% do
60%, ludzie w przeciwieństwie do Homo Economicus, zwykle nie doceniają
10% przyrostu możliwości.
• Ludzie są skłonni do niedoceniania prawie pewnych prawdopodobieństw
– Powiedzmy, że masz 95% szans, że jutro otrzymasz 1000 zł ALBO możesz
otrzymać pewną sumę dziś . Homo Economicus oczekiwałby co najmniej 950
zł.
– Jednakże Ludzie, zwykle, akceptują mniejsze sumy dziś „na pewno”, aniżeli
oczekiwaną ale „niepewne” 950 zł jutro..
Decyzje ryzykowne: tablica czteropolowa
• Górny wiersz każdej komórki pokazuje przykład
perspektywy.
• Drugi wiersz charakteryzuje podstawową emocję,
którą wywołuje dana perspektywa.
• Trzeci wiersz wskazuje, jak ludzie zachowują się, liedy
daje się im wybór między zakładem a pewnym
zykiem/ stratą, która odpowiada jej wartości
oczekiwanej ( np. pomiędzy „95% szansą zdobycia $10
000” i „ $10 000 na pewno”
• Ludzie kierują się awersja ryzyka, kiedy wybierają
wyniki pewne, kierują się poszukiwaniem ryzyka,
kiedy wybierają zakłady.
Decyzje ryzykowne: tablica czteropolowa
Zyski
Wysokie
prawdopodobieństwo
Straty
95% szans aby zyskać
$10 000
95% szans aby stracić
$10 000
Obawa rozczarowania
unikanie straty
Nadzieja uniknięcia straty
Poszukiwanie ryzyka
Efekt pewności
Niskie prawdo- 5% szans aby zyskać $10 000 5% szans aby stracić
$10 000
podobieństwo
Nadzieja na duży zysk
Poszukiwanie ryzyka
Efekt możliwości Loterie
Obawa dużej straty
Unikanie straty
Ubezpieczenia
ZBYTNIA PEWNOŚĆ SIEBIE
(OVERCONFIDENCE)
• Tendencja do optymizmu (optimistic bias)
• Koszty urojeń ludzi przedsiębiorczych (Entrepreneurial
delusions)
• Iluzja wiarygodności (Illusion of validity)
• Zbytnia pewność siebie (overconfidence): podejmowanie
decyzji ryzykownych
• Złudzenie umiejętności (illusion of skill) : profesjonalni
inwestorzy
• Złudzenie umiejętności finansowych doradcy inwestycyjni
• Złudzenie kompetencji (illusion of competence):
przewidywaniu zdarzeń politycznych
• Fałsz planowania (planning fallacy)
• Złudzenie rozumienie po fakcie (hindsight)- „ patrząc
wstecz”
Tendencja do optymizmu
• Większość z nas
• widzi świat jako bardziej przyjazny niżeli faktycznie jest,
• przypisuje sobie cechy bardziej korzystne niżeli faktycznie
ma miejsce, i
• wybiera cele, które zdają się być bardziej dostępne, niżeli
faktycznie są.
• Skłonni jesteśmy do przesady w ocenie naszej zdolności
przewidywania zdarzeń, co sprzyja optymistycznej zbytniej
pewności siebie,
• Ponieważ tendencja do optymizmu jest zarówno
błogosławieństwem jak przekleństwem, powinniśmy być
szczęśliwi i zarazem strzec się iluzji które stwarza.
Koszty urojeń ludzi przedsiębiorczych
(Entrepreneurial delusions)
• What happens when optimists receive bad news (Thomas Åstebro)
• The Inventor’s Assistance Program (Canada)—which collects a small fee
to provide inventors with an objective assessment of the commercial
prospects of their idea.
• Discouraging news led about 50% of the inventors to quit after receiving
a grade that unequivocally predicted failure.
• However, 47% of them continued development efforts even after being
told that their project was
• hopeless, and on average these persistent (or obstinate) individuals
doubled their initial losses before giving up. Significantly, persistence
after discouraging advice was relatively common among inventors who
had a high score on a personality measure of optimism—on which
inventors generally scored higher than the general population.
• The evidence suggests that optimism is widespread, stubborn, and
costly.
Standard & Poor's (S&P)
agencja ratingowa
Publikuje analizy i raporty dotyczące spółek
akcyjnych, emitowanych przez nie obligacji, a także
przeprowadza ratingi różnych podmiotów
gospodarczych (spółki akcyjne, miasta, państwa)
• Uczestnicy badań dostarczali dwóch innych oszacowań:
• wartość zwrotu „nie większa niż” P&P, której byli
pewni w 90% i
• wartość zwrotu „ nie mniejsza niż” P&P, której byli
pewni w 90%
• Zakres między dwoma wartościami to tzw. 80% interwał
ufności, a wyniki które padają na zewnątrz interwału
zwane są „ niespodziankami”
• Osoba, która często ustala interwały ufności oczekuje, że
około 20% wyników to niespodzianki
Zbytnia pewność siebie:
szefowie ds. finansów wielkich korporacji
•
•
Przez kilka lat, pracownicy Duke University prowadzili badania w których szefowie ds. finansów
wielkich korporacji (CFO) szacowali wartość indeksu Standard & Poor w roku następnym. Zebrali
11 600 takich ocen i zbadali ich dokładność.
The chief financial officer (CFO) lub Chief financial and operating officer (CFOO) to pracownik
korporacji odpowiedzialny za zarządzanie ryzykiem finansowym danej korporacji.
• Wyniki
• Współczynnik korelacji pomiędzy ich ocenami a faktyczną wartością indeksu
Standard & Poor był nieznacznie mniejszy od zera!
• Szefowie ds. finansów wielkich korporacji zdawali się nie wiedzieć, ze ich
przewidywania były pozbawione wartości.
• Jak często zdarza się w takich badaniach, zbyt wiele było „niespodzianek” ; w
tych badaniach było ich zamiast 20% aż 67% , 3 x więcej niż oczekiwano.
• Wynik badań ujawnia, że szefowie ds. finansów wielkich korporacji
przejawiają zbyt wielką pewność siebie co do swych możliwości przewidywań
odnośni rynku.
• Co więcej, to badanie ujawniło, że ci, którzy byli bardziej pewni siebie i
optymistyczni co do wskaźnika S&P, byli również pewni i optymistyczni co do
przyszłości swojej własnej firmy, a także byli skłonni do podejmowania
wyższego ryzyka niż inni.
Nazwa
spółki
Pakiet
Udział
Udział
w portfelu [%] w obrocie [%]
Wpływ na
zmianę
indeksu [%]
Zmiana kursu
spółki [%]
Kurs
[PLN]
ASSECOPOL
69483000
2,17
1,8173
-0,1101
-5,07
44,90
BOGDANKA
33979000
2,82
1,1507
-0,1003
-3,56
119,20
BORYSZEW
991664000
0,49
3,1417
-0,0261
-5,33
0,71
BRE
12750000
2,54
2,3881
-0,0350
-1,38
286,00
GTC
158490000
0,75
2,6158
-0,0055
-0,73
6,82
HANDLOWY
32665000
1,66
1,2741
-0,0345
-2,08
72,90
JSW
39501000
2,41
1,6859
-0,0797
-3,31
87,60
KERNEL
44980000
2,26
3,1350
-0,0653
-2,89
72,35
KGHM
136410000
12,83
26,0003
-0,3596
-2,80
135,20
LOTOS
60797000
1,20
1,5262
-0,0667
-5,57
28,30
PEKAO
106948000
10,26
9,6281
-0,4345
-4,24
137,90
PGE
712636000
9,25
6,1919
-0,1078
-1,16
18,67
1627774000
4,61
3,5484
-0,0337
-0,73
4,07
PKNORLEN
309999000
7,90
7,1087
-0,1105
-1,40
36,63
PKOBP
609491000
13,44
12,0637
-0,2903
-2,16
31,70
55967000
12,18
8,8087
+0,0312
+0,26
312,90
496691000
1,95
1,5201
-0,0795
-4,07
5,65
1043555000
3,46
2,7753
-0,0641
-1,85
4,77
TPSA
591789000
6,89
2,7247
+0,0124
+0,18
16,73
TVN
152605000
0,96
0,8953
-0,0288
PGNIG
PZU
SYNTHOS
TAURONPE
Lista Firm S&P
500 [1]
Firma
3M Company
ACE Limited
Symbol
MMM
ACE
raport
raport
Przemysł
Ubezpieczenie
ADC Telecommunications
ADCT
raport
Telekomunikacja
AES Corp.
AFLAC Inc.
ALLTEL Corp.
AT&T Inc.
Abbott Labs
Adobe Systems
AES
AFL
AT
T
ABT
ADBE
raport
raport
raport
raport
raport
raport
Energetyka
Ubezpieczenie
Telekomunikacja
Telekomunikacja
Farmaceutyczna
Informatyka
Advanced Micro Devices
AMD
raport
Elektronika
Aetna Inc.
Affiliated Computer
AET
ACS
raport
raport
Medyczna
Usługi
Agilent Technologies
A
raport
Elektronika
Air Products & Chemicals
APD
raport
Gazowniczy
Alcoa Inc
Allegheny Energy
AA
AYE
raport
raport
Górnictwo
Usługi
Allegheny Technologies Inc ATI
raport
Metalurgiczny
Allergan, Inc.
raport
Farmaceutyczna
AGN
Informacje
Branża
hindsight bias (Baruch Fischhoff)
• B. Fischhoff and R. Beyth conducted a survey before President
Richard Nixon visited China and Russia in 1972. The
respondents assigned probabilities to 15 possible outcomes of
his diplomatic initiatives. After Nixon’s return, Fischhoff and
Beyth asked the same people to recall the probability that they
had originally assigned to each of the fifteen possible
outcomes. The results were clear.
• System 1  If an event had actually occurred, people
exaggerated the probability that they had assigned to it
earlier. If the possible event had not come to pass, the
participants erroneously recalled that they had always
considered it unlikely.
• System 1 When the outcomes are known and are bad, the
clients often blame their agents for not for seeing outcomes—
forgetting that the events are legible only afterward
Iluzja wiarygodności (Illusion of validity)
• One test, called the “leaderless group challenge,” was conducted on
an obstacle field. After watching the candidates make several
attempts, we had to summarize our impressions of soldiers’
leadership abilities and determine, with a numerical score, who
should be eligible for officer training. Because our impressions of
how well each soldier had performed were generally coherent and
clear, our formal predictions were just as definite.
• Every few months we had a feedback session in which we learned
how the cadets were doing at the officer-training school and could
compare our assessments against the opinions of commanders who
had been monitoring them for some time.
• The story was always the same: our ability to predict performance
at the school was negligible. Our forecasts were better than blind
guesses, but not by much. The dismal truth about the quality of
our predictions had no effect whatsoever on how we (latter on)
evaluated candidates and very little effect on the confidence we
felt in our judgments and predictions about individuals.
Złudzenie umiejętności: profesjonalni inwestorzy
• Terry Odean (prof.. finansów w UC Berkeley) badał rejestry sprzedaży z
10,000 kont indywidualnych inwestorów ( brooker’ów) w okresie siedmiu
lat.
• Udało mu się poddać analizie każdą transakcję, której dokonali inwestorzy
przez dana firmę , tj. blisko 163,000 sprzedaży. Te dane pozwoliły
Odean’owi zidentyfikować wszystkie przypadki w których dany inwestor
sprzedał pewne udziały jednej firmy a potem zakupił inne udziały w drugiej
firmie.
• Te działania ujawniały, że inwestor ma określona ocenę przyszłości dwóch
udziałów: oczekuje, że akcje, które zakupił dadzą mu większy zysk niż akcje,
które sprzedał.
• Aby ustalić, czy takie rozumowanie było zasadne, Odean porównał, po
jednym roku od transakcji, zwroty udziałów, które każdy inwestor sprzedał
ze zwrotami udziałów, które tenże inwestor kupił.
• Wyniki
• Wyniki tych operacji były jednoznacznie złe. Przeciętnie, udziały których
indywidualni sprzedawcy wyzbyli się dawały zysk większy niż te, które
zakupili: około 3.2 % na rok, poniżej albo powyżej znaczących kosztów
dokonania tych dwóch transakcji. Należy pamiętać, że to twierdzenie
dotyczy przeciętnej- niektórzy brookerzy wypadali znacznie lepiej od
przeciętnej, inni znacznie gorzej od przeciętnej.
Złudzenie umiejętności finansowych: doradcy inwestycyjni
(Kahneman)
•
„Poprosiłem o pewne dane do swojej prezentacji i otrzymałem mały skarb: arkusz z zapisem wyników
inwestycji dokonywanych przez 25 anonimowych doradców finansowych w trakcie kolejnych 8 lat.
Sumaryczny wynik inwestycji każdego doradcy stanowił postawę do dorocznej premii.
•
Prostą sprawą było urangowanie doradców według ich wyników w każdym roku i
ustalenie
1/ czy istnieją stałe różnice umiejętności między nimi
2/ czy ci sami doradcy stale, rok po roku, uzyskują lepsze zwroty dla swoich klientów
Aby odpowiedzieć na te pytania obliczyłem współczynnik korelacji (rang) pomiędzy
rangami w każdej parze lat: rok 1 z rokiem 2, rok 1 z rokiem 3, itd. aż do roku 7 z rokiem 8.
Otrzymałem 28 współczynników korelacji, po jednej dla poszczególnej pary lat.
Wyniki
Oczekiwałem słabych wskaźników stałości różnic między doradcami, tj. trwałej hierarchii
umiejętności. Byłem jednak zaskoczony, kiedy stwierdziłem że przeciętna wskaźników 28
korelacji wynosi 0.01, tj. zero. Wyniki obliczeń przypominały to, czego można oczekiwać od
rzutu kostkami do gry.
Żadna o badanych osób zdawała się być świadoma natury gry w jaka bawią się doradcy
giełdowi. Sami doradcy odczuwali, że są kompetentnymi profesjonałami wykonującymi
poważny zawód, z czy zgadzali się ich zwierzchnicy.
•
•
•
•
•
•
Złudzenie kompetencji: przewidywaniu
zdarzeń politycznych (Philip Tetlock)
•
•
•
•
•
•
Tetlock prowadził wywiady z 284 osobami, które „zarabiały na życie’’ komentowaniem
albo doradzaniem co do możliwych trendów politycznych czy ekonomicznych.
Poprosił ich o ocenę, czy w nie odległej przyszłości nastąpią pewne zdarzenia w tych
rejonach świata w których specjalizowali się, jak w tych rejonach co do których posiadali
mniejsza wiedzę.
• Czy Gorbaczow zostanie usunięty przez zamach stanu? Czy USA przystąpią do
wojny w Zatoce Perskiej? Które państwo stanie się następnym wschodzącym
rynkiem?
Tetlock zebrał więcej niż 80,000 przewidywań. Pytał również ekspertów, jak reagują kiedy
mylą się, jak postępują wobec danych, które nie wspierają ich opinii.
Respondentów poproszono, aby w każdym przypadku oszacowali prawdopodobieństwo
trzech alternatywnych wyników: 1/ trwanie status quo; albo 2/ wzrost politycznej
swobody czy rozwoju ekonomicznego; albo zmniejszenie się tych samych wskaźników.
Wyniki
Rezultaty badań były zaskakujące. Eksperci dokonywali mniej trafnych ocen niż gdyby
przypisali równe prawdopodobieństwo każdej z
Innymi słowy, ludzi którzy spędzają czas i zarabiają na życie studiując poszczególne
zagadnienie prezentując je słuchaczom produkują mniej trafne przewidywania niż małpy
rzucające kości.
Philip E.. Tetlock, Expert Political Judgement,
Princeton University Press, 2005
• „Nie możemy ocenić dokładności przewidywań
ekspertów, jeżeli nie możemy wyobrazić sobie, co
przewidują. A eksperci niechętnie nazywają
wyniki przewidywań jako niemożliwe albo
nieuniknione.
• Stosują takie wyrażenia jak „mała szansa”, „ być
może”, itp. Kontrola dokładności mglistych
zwrotów jest więc problematyczna. Słowa
przyjmują tyle znaczeń: „ prawdopodobnie” może
implikować coś, co zdarza się od 50/50 do
99/100”.
Fałsz planowania
• System 1  zwykle przewidujemy o dostępne na tę
chwilę informacje („Wiem to, co widzę”).
• Podstawowa sprawa, to że „nie znamy faktów nieznanych”
(unknown unknowns). Nie ma sposobu, aby przewidzieć
następstw zdarzeń, które powodują odwleczenie realizacji
projektu ( np. budowa autostrad w 2012 roku)
• Ponieważ projekty oryginalne nie mają poprzedników,
brak jest base-line co do kosztów i czasu realizacji.
• System II Tylko base-line i audyt planowania z zewnątrz
instytucji pozwala realistycznie oszacować trafność
planowania.
Przekraczanie kosztów (Costs overun)
• Many major construction projects have incurred cost overruns:
• The Suez Canal cost 20 x as much as the earliest estimates; even
the cost estimate produced the year before construction began
underestimated the project's actual costs by a factor of three.[1]
• The Sydney Opera House cost 15 x more than was originally
projected, and the
• Concorde supersonic aeroplane cost 12 x more than
predicted.[1] When
• The Channel Tunnel between the UK and France had a
construction cost overrun of 80 %, and a 140percent financing cost overrun.[3]
Strategie
w podejmowaniu decyzji
• Strategia zadowalającej opcji
• Strategia eliminacji według aspektów
• „Strategie szybkie i oszczędne”
• „kieruj się tym co najważniejsze”
• „Kieruj się tym, co się ostatnio sprawdziło”
Ograniczenie
w podejmowaniu decyzji
• Zdaniem Simona ludzie nie porównują wszystkich
dostępnych opcji pod każdym możliwym względem w
celu wybrania najlepszej, bo najczęściej jest to
niewykonalne z powodu
• braku czasu,
• wiedzy lub
• wolnych zasobów poznawczych.
Strategia zadawalającej opcji
• polegającą na przeglądaniu dostępnych opcji w
przypadkowym porządku i wyborze pierwszej, która
nas wystarczająco satysfakcjonuje.
• Zalety:
• umożliwia dokonanie wyboru
• Wybór jest zadawalający
Koniunkcja cech
• Np. wybór kandydata na męża
• ustanowienie kryteriów wyboru, niekiedy bardzo skromnych (np.
"nie pije i nie bije"), i
• zdecydowania się na pierwszego kandydata, który te kryteria
spełnia.
Strategia eliminacji według aspektów
• Podejmując decyzję, możemy ustalić szereg
kryteriów wyboru a następnie przeglądać
dostępne opcje tylko w tym celu, aby
wyeliminować opcje nie spełniające jednego z
kryteriów.
Eliminacja opcji według aspektów Przykład:
Wynajmowanie mieszkania
•
ustalenie kryteriów
•
•
•
•
•
cena najwyżej 500 zł za miesiąc
odległość od uczelni, czas dojazdu 20 minut
hałaśliwość,
czystość
eliminacja ofert nie spełniające któregokolwiek z kryteriów.
• rozpatrujemy cenę
• odrzucimy wszystkie oferty, nie spełniające kryterium (np. najwyżej 500 zł na miesiąc)
• Rozpatrujemy dojazd
• .wyeliminowania tych, które nie spełniają kryterium (np. czas dojazdu nie dłuższy niż 20 mjnut).
• itd. . .
•
Redukcja do ofert spełniających wszystkie kryteria
•
Dalej realizacja wyboru Albo rozważyć według bardziej wyrafinowanej metody,
np. stosując model kompensacyjny

similar documents