Думай медленно... решай быстро

Субъективная оценка вероятности напоминает субъективную оценку физических величин, таких как расстояние и размер. Подобные суждения основаны на данных ограниченной достоверности, которые обрабатываются по эвристическим правилам. Например, кажущееся расстояние до объекта частично определяется различимостью самого объекта. Чем отчетливее виден объект, тем ближе он кажется расположенным. Это правило обладает некоторой ценностью, потому что в конкретных обстоятельствах дальний объект выглядит менее четко, чем ближний. Однако вера в это правило приводит к систематическим ошибкам в оценке расстояния. В частности, расстояния переоцениваются в условиях плохой видимости, поскольку контуры объекта размыты. С другой стороны, расстояния недооцениваются в условиях прекрасной видимости, потому что объекты видны четко. Опора на четкость как на показатель расстояния приводит к частым ошибкам. Такие же искажения таятся и в интуитивных суждениях о вероятности. В этой статье описаны три эвристических метода, с помощью которых оцениваются вероятности и прогнозируются значения величин. Перечислены ошибки, вызванные этими эвристическими методами, и приведены практические и теоретические выводы из наблюдений.

Репрезентативность

Вопросы о вероятности, встающие перед людьми, как правило, относятся к одному из следующих типов: какова вероятность того, что объект А принадлежит классу Б? Какова вероятность того, что событие А – следствие процесса Б? Какова вероятность того, что процесс Б приведет к событию А? Отвечая на подобные вопросы, люди обычно опираются на эвристику репрезентативности (типичности): вероятности оцениваются по той степени, в которой А репрезентативно по отношению к Б, то есть по степени, в которой А напоминает Б. Например, если А очень репрезентативно по отношению к Б, вероятность того, что А – результат Б, оценивается как высокая. С другой стороны, если А не похоже на Б, вероятность того, что А – результат Б, оценивается как низкая.

Для иллюстрации суждения по репрезентативности представим человека, которого бывший сосед описывает следующим образом: «Стив – застенчивый и замкнутый, всегда готов помочь, но его мало интересуют люди и реальный мир. Кроткий и аккуратный, Стив во всем ищет порядок и структуру; он очень внимателен к мелочам». Как оценить вероятность того, что Стив выберет то или иное занятие из предложенного списка (например, фермер, продавец, летчик, библиотекарь или врач)? Как выстроить эти профессии от наиболее вероятной к наименее вероятной? В эвристике репрезентативности вероятность того, например, что Стив – библиотекарь, оценивается по степени его репрезентативности, то есть по соответствию стереотипу библиотекаря. Исследования показывают, что профессии выбираются в равной мере по принципу вероятности и по принципу схожести [1]. Такой подход к оценке вероятности приводит к серьезным ошибкам, потому что сходство или репрезентативность не учитывают нескольких факторов, которые должны влиять на оценку вероятности.

Игнорирование априорной вероятности. Одним из факторов, которые не влияют на репрезентативность, но от которых сильно зависит вероятность, является априорная вероятность, или исходный частотный уровень событий. В случае со Стивом то, что фермеры составляют гораздо большую часть населения, чем библиотекари, должно влиять на любую разумную оценку вероятности того, что Стив – библиотекарь, а не фермер. Однако соображения априорной вероятности не влияют на схожесть Стива со стереотипами библиотекарей и фермеров. Если вероятность оценивают по репрезентативности, значит, априорные вероятности игнорируются. Эта гипотеза была проверена в эксперименте с подтасовкой априорных вероятностей [2]. Участникам предлагали краткие описания нескольких лиц, якобы отобранные наугад из выборки 100 профессионалов – инженеров и юристов. Для каждого описания участников просили оценить вероятность того, что данный человек – инженер, а не юрист. Половине испытуемых говорили, что в группе, из которой отобраны описания, 70 инженеров и 30 юристов; а оставши мся – что в группе 30 инженеров и 70 юристов. Вероятность того, что описанный человек – инженер, а не юрист, должна быть выше в первом случае, где инженеров – большинство, чем во втором, где большинство – юристы. Применение формулы Байеса показывает, что соотношение вероятностей должно быть (0,7/0,3)2, или 5,44 для каждого описания. Грубо нарушая формулу Байеса, участники в обоих случаях выдавали практически одинаковые суждения о вероятности. Очевидно, что участники оценивали вероятность принадлежности описанного человека к инженерам, а не к юристам по степени схожести описания с двумя стереотипами, почти или совсем не учитывая априорной вероятности категорий.