Принятие решений в неопределенности стр.245

Таблица 1. Корреляции между значениями прогнозов и критерия

Пример

Средняя валидность эксперта

Средняя валидность модели эксперта

Средняя валидность случайной модели

Валидность равновзвешенной модели

Кроссвалидность регрессионного анализа

Валидность оптимальной и линейной модели

Предсказания невротиков в сравнении с психотипами

0.28

0.31

0.30

0.34

0.46

0.46

Предсказания студентами Иллинойса средних годовых оценок

0.33

0.50

0.51

0.60

0.57

0.69

Предсказания студентами Орегона средних годовых оценок

0.37

0.43

0.51

0.60

0.57

0.69

Предсказание факультетского рейтинга в Орегоне

0.19

0.25

0.39

0.48

0.38

0.54

Эксперимент Интема и Торгерсона (Yntema & Torgerson, 1961)

0.84

0.89

0.84

0.97

0.97

Первая колонка Таблице 1 представляет среднюю валидность экспертов в этих исследованиях, а вторая представляет среднюю валидность парамор-фической модели этих экспертов. Во всех случаях использовалось предыдущее значение для расчета последующего. А затем идут случайные линейные модели, созданные Корриганом и мною, модели, в которых значения выбирались наугад, за исключением знака, а затем применялись к стандартизированным переменным.5

Знак каждой переменной был определен на предшествующей основе так* чтобы он имел позитивное отношение к критерию. Затем из нормального распределения с единичной дисперсией было выбрано наугад нормальное отклонение, и абсолютное значение этого отклонения было использовано как вес переменной. Для каждого примера было построено 10 тысяч таких моделей.(Daws & Corrigan, 1974, с. 102)

В среднем, эти случайные линейные модели работают почти так же хорошо, как и параморфические модели экспертов. Эти средние значения предсказаны в третьей колонке таблицы. Равновзвешенные модели, представленные в четвертой колонке, функционируют даже лучше. (Существует чисто математическое обоснование того, почему равновзвешенные модели работают лучше.6) И, наконец, последние две колонки представляют кросс-валидизированную валидность стандартной регрессионной модели и валидность оптимальной линейной модели.

В сущности, те же самые результаты были получены в процессе отбора значения из прямоугольного распределения. Почему? Потому что линейные модели устойчивы к отклонениям из-за оптимального взвешивания. Другими словами, вывод использования предыдущего значения при расчете последующего, по крайней мере, в этих исследованиях, стал лишь подтверждением более раннего открытия, что правильные линейные модели превосходят суждения человека - веса, полученные от экспертов, настолько близки к оптимальным весам, что результаты моделей в высшей степени схожи. Одно из решений проблемы получения оптимального веса - в терминах фон Винтерфельдта и Эдвардса (von Winterf eldt и Edwards, 1973)- состоит в "категорическом максимуме". Веса, близкие к оптимальному уровню, приводят почти к такому же результату, что и оптимальное бета-значе-ние. Так как эксперт знает, по крайней мере, хоть что-либо о направлении переменных, его суждения порождают веса, близкие к оптимальному (однако, важно, что во всех случаях равное значение превосходит модели, основанные на поведении оценивающего).

На тот факт, что различные линейные формулы в высокой степени коррелируют друг с другом, было впервые указано 40 лет назад Вилксом (Wilks, 1938). Он рассматривал только те ситуации, в которых наблюдалась позитивная корреляция между предсказывающими переменными. Такой результат имеет силу обычно в тех случаях, когда эти внутренние корреляции не являются негативными, например, корреляция между X+2Y и 2X+Y равна 0.80, когда X и Y - некоррелированные переменные. Относительная нечувствительность результатов к изменениям коэффициентов (при условии отсутствия изменений в знаке) совсем недавно исследовались Грином и Вайнером, Вайнером и Тиссеном, В. Едвардсом, Гардинером и Эдвардсом (Green (1977), Wainer (1976), Wainer и Tissen (1976), W. Edwards (1978), Gardiner и Edwards (1975)).


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