Heurystyki i tendencyjność

Prezentacja na temat: "Heurystyki i tendencyjność"— Zapis prezentacji:

1 Heurystyki i tendencyjność
Tversky i Kahneman

2 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)

3 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.

4 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.

5 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.

6 Prawo przypadkowych sekwencji
Zupełnie przypadkowe sekwencje liczb 000000 101010 123456 Przy dostatecznie wielkich liczbach prób te sekwencje pojawiają się przypadkowo.

7 Próbka losowań Totolotka
Numer losowania Data Liczby (w porządku rosnącym) 3625 9, 19, 22, 23, 34, 39 3626 3, 5, 13, 23, 41, 42 3627 4, 6, 26, 27, 42, 49 3628 4, 22, 36, 39, 41, 45 3629 15, 22, 24, 29, 37, 44 3630 22, 23, 24, 29, 30, 45 3631 1, 2, 16, 29, 33, 42 3632 3, 9, 17, 23, 43, 44 3633 5, 25, 32, 35, 42, 44 3634 6, 7, 13, 17, 33, 49 « poprzedniekolejne »

8 Generator liczb losowych
1 0 0 0 1 0 1 1 0 0 0 1 0 1 1 0 1 1 0 0 1 0 1 1 0 0 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

9 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.

10 „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  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.

11 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).

12 Oszacuj wielkość sumy szeregu liczb
1, 2, 3, 4, 5, 6, 7, 8, 8, 10, 11, 12, 13, 14, 15.

13 kotwiczenie Oszacuj wielkość sumy szeregu liczb
15, 15, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1.

14 Sosna (Pinus silvestris L.)
Pień Przeciętnie osiąga wysokość 30 m, wyjątkowo rośnie do 40 m. Średnica pnia 0,5–1,2 m. 

15 Sugestia zakotwiczenia
Grupa A : Jaka jest twoja ocena najwyższej sosny? Czy wysokość największej sosny jest większa albo mniejsza niż metrów Grupa B: 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 przypadkowa kotwica Różnica między dwiema kotwicami wynosiła metra Różnica między odpowiedziami wynosi 171,9 metra Indeks zakotwiczenia to proporcja tych dwóch różnic wyrażona w procentach (171,9 /328.5) = %. Ci którzy maja 100% ślepo ulegają iluzji zakotwiczenia, ci którzy mają 0% ignorują kotwicę Wykorzystanie kotwiczenia w marketingu.

16 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.

17 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.

18 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.

19 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.

20 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.

21 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.

22 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

23 z powodu choroby serca:
z powodu choroby nowotworowej: 1/5 Jeden na pięć zgonów= 20% 1/7 Jeden na 7 zgonów = 14%

24 Studia niestacjonarne odsiew 2010-2011
kotwica? Podaj w % Rok I Rok II skreślenia rezygnacje Razem 100%

25 Skreślenia Rezygnacje

26 Studia niestacjonarne odsiew 2010-2011
kotwica? Podaj w % Rok I Rok II skreślenia rezygnacje Razem 100%

27 Analiza i ocena przyczyn odsiewu 2010-2011

28 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.

29 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.

30 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).

31 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).

32 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.

33 Fałszywa koniunkcja Kiedy ludzie w bezpośrednim porównywaniu sądzą, że koniunkcja dwóch zdarzeń jest bardziej prawdopodobna niż prawdopodobieństwo jednego zdarzenia.

34 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/

35 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.

36 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.

37 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.”

38 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!

39 Lekceważenie małych prawdopodobieństw
Zasadnicze ograniczenie umysłu co do kierowania się zdarzeniami o małym ryzyku (Cass Sunstein)

40 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

41 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/ zgonów, coś między <śmiercią podczas trzęsienia ziemi> a <śmiercią na krześle elektrycznym>.

42 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)

43 Proporcja podstawowa Np: nosicielem HIV jest 15 osób na 10 tys. heteroseksualnych mężczyzn. Prawdopodobieństwo znalezienia się w grupie nosicieli wirusa to 15/ = To proporcja podstawowa.

44 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/ = 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.

45 Reguła Bayesa w formacie prawdopodobieństwa
p(HIV/test+)= p(HIV) x p(test+ /HIV+) p(test+/HIV-) x p(test+/HIV+) p(HIV/test+)= x x 0.99 P(HIV/test+)= : 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)

46 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:

47 cd. 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. = 33%

48 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+)= : 0.01 = 0.15

49 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, z tw. o prawdop. całkowitym. oraz P(Bc|A) = 0, 05(1 − 0, 0001) / 0, ~ 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.

50 Reguła Bayesa w formacie częstości
15 / jest nosicielem wirusa, więc 9985 / nie jest nosicielem. Jak wypadnie test na HIV w tych dwóch populacjach, kiedy czułość testu wynosi 99/100 tj. 0.99%. 99% z 15= ~ 15 osób ma wynik + 1% z 9985= ~999 osób ma wynik + Wynik pozytywny w dwóch populacjach będzie miało = 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 inaczej 0.015

51 Reguła Bayesa w formacie prawdopodobieństwa versus częstości
Format: prawdopodobieństwa Np. ryzyko raka 0.01 częstości Np. ryzyko raka 1/100 Ilość trafnych rozwiązań 16% 46% Zmiana reprezentacji poznawczej wpływa na różnice poziomu wykonania zadań

52 Wybór i ryzyko

53 Teoria oczekiwanej użyteczności
Teoria perspektywy Awersja strat Poszukiwanie ryzyka Efekt posiadania Przecenianie małych prawdopodobieństw Niedocenianie wielkiego prawdopodobieństwa Tablica czteropolowa Kahnemana i Tverskiego

54 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

55 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.

56 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)

57 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 x 0.5)= = 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

58

59 Awersja ryzyka a poszukiwanie ryzyka
Problem 1: Co wybierzesz? Dostać pewne $900 ALBO 90% szanse dostać $1,000 (Awersja ryzyka) 10% straty $1,000

60 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

61 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

62 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

63 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”.

64 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.

65 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.

66

67 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).

68 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?

69 Efekt posiadania

70 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 $ to dotkliwa strata. Jeśli kiedyś, dodatkowy zysk 12 dni urlopu w roku był równie ważny jak $ dodatkowej pensji, teraz sam wzrost urlopu nie rekompensuje straty $ 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.

71 Funkcja wartości w teorii perspektywy

72 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

73 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

74 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.

75 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)

76 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.

77 Przecenianie małych prawdopodobieństw

78 Ludzie są skłonni do niedoceniania prawie pewnych 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 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..

79 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 „ $ na pewno” Ludzie kierują się awersja ryzyka, kiedy wybierają wyniki pewne, kierują się poszukiwaniem ryzyka, kiedy wybierają zakłady.

80 Decyzje ryzykowne: tablica czteropolowa
Zyski Straty Wysokie prawdo-podobieństwo Efekt pewności 95% szans aby zyskać $10 000 Obawa rozczarowania unikanie straty 95% szans aby stracić $10 000 Nadzieja uniknięcia straty Poszukiwanie ryzyka  Niskie prawdo- podobieństwo Efekt możliwości 5% szans aby zyskać $10 000 Nadzieja na duży zysk Loterie 5% szans aby stracić $10 000 Obawa dużej straty Unikanie straty Ubezpieczenia

81 Zbytnia pewność siebie (overconfidence)

82 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”

83 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.

84 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.

85 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)

86 wartość zwrotu „nie większa niż” P&P, której byli pewni w 90% i
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

87 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 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.

88 Wpływ na zmianę indeksu [%] Zmiana kursu spółki [%] Kurs [PLN]
Nazwa  spółki Pakiet Udział  w portfelu [%] Udział  w obrocie [%] Wpływ na zmianę  indeksu [%] Zmiana kursu  spółki [%] Kurs  [PLN] ASSECOPOL 2,17 1,8173 -0,1101 -5,07 44,90 BOGDANKA 2,82 1,1507 -0,1003 -3,56 119,20 BORYSZEW 0,49 3,1417 -0,0261 -5,33 0,71 BRE 2,54 2,3881 -0,0350 -1,38 286,00 GTC 0,75 2,6158 -0,0055 -0,73 6,82 HANDLOWY 1,66 1,2741 -0,0345 -2,08 72,90 JSW 2,41 1,6859 -0,0797 -3,31 87,60 KERNEL 2,26 3,1350 -0,0653 -2,89 72,35 KGHM 12,83 26,0003 -0,3596 -2,80 135,20 LOTOS 1,20 1,5262 -0,0667 -5,57 28,30 PEKAO 10,26 9,6281 -0,4345 -4,24 137,90 PGE 9,25 6,1919 -0,1078 -1,16 18,67 PGNIG 4,61 3,5484 -0,0337 4,07 PKNORLEN 7,90 7,1087 -0,1105 -1,40 36,63 PKOBP 13,44 12,0637 -0,2903 -2,16 31,70 PZU 12,18 8,8087 +0,0312 +0,26 312,90 SYNTHOS 1,95 1,5201 -0,0795 -4,07 5,65 TAURONPE 3,46 2,7753 -0,0641 -1,85 4,77 TPSA 6,89 2,7247 +0,0124 +0,18 16,73 TVN 0,96 0,8953 -0,0288

89 Lista Firm S&P 500 [1] Firma Symbol Informacje Branża 3M Company MMM raport Przemysł ACE Limited ACE Ubezpieczenie ADC Telecommunications ADCT Telekomunikacja AES Corp. AES Energetyka AFLAC Inc. AFL ALLTEL Corp. AT AT&T Inc. T Abbott Labs ABT Farmaceutyczna Adobe Systems ADBE Informatyka Advanced Micro Devices AMD Elektronika Aetna Inc. AET Medyczna Affiliated Computer ACS Usługi Agilent Technologies A Air Products & Chemicals APD Gazowniczy Alcoa Inc AA Górnictwo Allegheny Energy AYE Allegheny Technologies Inc ATI Metalurgiczny Allergan, Inc. AGN

90

91 hindsight bias (Baruch Fischhoff)
B. Fischhoff and R. Beyth conducted a survey before President Richard Nixon visited China and Russia in 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

92 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.

93 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.

94 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.

95 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.

96 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”.

97 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 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.

98 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 140-percent financing cost overrun.[3]

99 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”

100 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.

101 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 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. Koniunkcja cech

102 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.

103 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