Принятие решений в неопределенности стр.213

Более скромная теоретическая цель состояла бы в том, чтобы определить, какие факторы важны, а какие - нет, на основе того, насколько каждый из них помогает нам понять у. Здесь применяется логика пошаговой регрессии, в уравнение добавляются дополнительные переменные, пока они что-либо добавляют к его прогнозирующей (или объясняющей) способности. Все же даже эта минималистская стратегия может привести к путанице мультиколлинеарности. Если отражения некоторого фактора (например, различные аспекты воспитания) включены, то их общая объяснительная способность может быть разделена на такие маленькие части, что ни один аспект не внесет “значимого” вклада.

Конечно, эти нюансы могут мало интересовать игроков на скачках, пока формула работает достаточно хорошо, чтобы приносить им выигрыш. Мы же, ученые, хотим не только эффективных методик, но и мудрости. Нам тяжело не интерпретировать оценки. Регрессивные процедуры не только выражают, но и порождают понимание (или, по крайней мере, результаты) механистическим, повторяющимся образом. Не удивительно, что им упорно следовали, несмотря на их ограничения. Один из лучших документально подтвержденных примеров был обнаружен в исследовании оценивания в клинике. Оценивающим был рентгенолог, который сортирует рентгеновские снимки опухолей на “доброкачественные” и “злокачественные”, кадровый работник, который отбирает подходящих кандидатов из списка, или сотрудник кризисной службы, который решает, звонки каких людей, грозящих покончить с собой, серьезны. В каждом из этих примеров диагноз включает принятие решения на основе некоторых признаков. Когда, как в этих примерах, принятие решений повторяется, и все случаи могут быть охарактеризованы тем же набором признаков, можно статистически смоделировать стратегию принятия решений оценивающего. Человек собирает набор случаев, для которых эксперт делает суммарную оценку (например, доброкачественное, серьезное), а затем выводит уравнение регрессии, такое как Уравнение 1, оценки которого показывают важность, которую оценивающий придал каждому признаку.

В течение двух десятилетий изучение такой стратегии постоянно приводило к двум беспокоящим выводам: (а) простые линейные модели, используклцие оцененную сумму признаков, отлично прогнозируют решения испытуемых, хотя (Ь) оценивающие заявили, что они использовали гораздо более сложные стратегии (Goldberg, 1969,1970; Slovic & Lichtenstein, 1971). Общепринятая форма сложности называется конфигуральной оценкой, в которой диагностическое значение признака зависит от значения других признаков (например “интонация его голоса не кажется мне характерной для человека, решившего покончить жизнь самоубийством, если звонок не происходит рано утром”).

Две причины для конфликта между измеренным и сообщенным суждением возникли из последующего исследования, и каждая обладает негативными последствиями относительно полезности регрессивного моделирования для “черпания” мудрости решений прошлого. Одной из них было растущее понимание того, что комбинирование огромного количества информации в голове, как того требуют такие формулы, превышает вычислительную способность любого человека, кроме человека, проявляющего незаурядные способности в узкой области знаний. Оценивающий, который пытается применить сложную стратегию, просто не сможет сделать этого последовательно. Действительно, очень трудно выучить и использовать даже неконфигуральное правило принятия решений с оцененной суммой, когда существует много признаков или необычных отношений между признаками и прогнозируемыми переменными (Slovic, 1974).


⇐ назад к прежней странице | | перейти на следующую страницу ⇒