Принятие решений в неопределенности стр.226

Сторонники Байеса утверждают, что теорема Байеса - формально оптимальное правило о том, как пересматривать мнения в свете новых данных. Этот пересмотр мнения в свете данных составляет именно тем, из чего состоит статистический вывод, и поэтому он должен быть структурирован вокруг теоремы Байеса - со многими последовательными отличиями от классической статистической практики. Для элементарной демонстрации этих идей, написанных для психологов - экспериментаторов (см. Edwards, Lindman и Savage, 1963). Но мы - не статистики, или, во всяком случае, ни один из нас сегодня не носит «дурацкий колпак» статистика. Вместо этого, как психологи, мы интересуемся сравнением идеального поведения, определенного теоремой Байеса, с фактическим поведением людей.

Чтобы дать Вам некоторое представление о том, что это означает, давайте попробуем провести эксперимент с Вами как с испытуемым. Эта сумка содержит 1. ООО покерных фишек. У меня две такие сумки, причем в одной 700 красных и 300 синих фишек, а в другой 300 красных и 700 синих. Я подбросил монету, чтобы определить, какую использовать. Таким образом, если наши мнения совпадают, ваша вероятность в настоящее время, что выпадет - сумка, в которой больше красных фишек - 0.5. Теперь, Вы наугад составляете выборку с возвращением после каждой фишки. В12 выборках, Вы получаете 8 красных и 4 синих. Теперь, на основе всего, что Вы знаете, какова вероятность того, что выпала сумка, где больше красных? Ясно, что она выше, чем 0.5. Пожалуйста, не продолжайте читать, пока Вы не записали вашу оценку.

Если Вы похожи на типичного испытуемого, ваша оценка попала в диапазон от 0.7 до 0.8 - хотя утверждение, которое часто делалось в предыдущих параграфах, что люди консервативны в обработке информации, возможно, сместило ваш ответ вверх. Если бы мы проделали соответствующее вычисление, тем не менее, ответ был бы 0.97. Действительно очень редко человек, которому предварительно не продемонстрировали влияние консерватизма, приходит к такой высокой оценке, даже если он был относительно знаком с теоремой Байеса.

Где-то в 1960 Уильям JI. Хейс, аспирант по имени Лоренс Д. Филлипс и я заинтересовались обнаружением несоответствий между человеческим поведением и поведением, указанным теоремой Байеса. Простой пример предыдущего параграфа не приходил нам на ум; вместо этого мы были уверены, что мы должны будем использовать довольно сложную ситуацию, чтобы получить не Байесовское поведение. Так что, мы использовали гипотетическую компьютеризированную радарную систему. Было 12 возможных наблюдений, 4 возможные гипотезы и испытуемые должны были понять и использовать демонстрацию 48 различных значений Р (D|H). Испытуемые выполняли задание при двух условиях. В одной, испытуемый видел единственный стимул, точку в секторе дисплея радара; затем он пересматривал свои априорные вероятности по этим четырем гипотезам на основе данной величины, «урегулировав» четыре «рычага» к своим следую щим оценкам вероятности, затем повторно «устанавливал рычаги» в позицию 0 в подготовке к следующему стимулу. Второй стимул состоял из старой точки плюс новой; испытуемый «устанавливает рычаги», чтобы сообщить о совокупном воздействии обеих точек. И так далее, пока не накопились 15 точек. Во втором условии, стимулы были перетасованы, и испытуемый, в действительности начинал заново с каждым новым стимулом. К удивлению экспериментаторов предсказание теоремы Байеса, что это различие в условиях не должно произвести никакого различия для поведения, было подтверждено. Кроме того, было еще одно условие, в котором каждая новая точка была показана одна, но испытуемым позволяли сохранять оценки от одного стимула до следующего вместо того, чтобы повторно «регулировать рычаги» к нулевой позиции после каждой оценки. И опять, изменение в условиях произвело мало различий в поведении.


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