Принятие решений в неопределенности стр.36

Эффект априорной вероятности, хотя и небольшой, является статистически значимым. Для каждого испытуемого средняя оценка вероятности, была вычислена для всех случаев, кроме случая с пустым описанием. Среднее значение величин составило 50% для группы с низкой априорной вероятностью и 55% для группы с высокой априорной вероятностью (t = 3.23, df = 169, р < 0.01). Однако из Рисунка 1 следует, что каждая точка лежит ближе к линии идентификации, чем к кривой Байеса. Следовательно, мож но сделать вывод о том, что манипуляция априорным распределением оказала минимальное влияние на субъективную вероятность. Как и в предыдущем эксперименте, испытуемые применили свои знания о априорной вероятности только тогда, когда им не дали никакого подтверждения. Согласно гипотезе репрезентативности, априорная вероятность не принималась во внимание, когда информация об индивидууме была доступна.

Сила этого эффекта демонстрируется ответами на следующее описание:

Дик - 30-летний мужчина. Женат, еще не имеет детей. Очень способный и мотивированный сотрудник, подает большие надежды. Пользуется признанием коллег.

Это описание было построено таким образом, чтобы быть полностью неинформативным в отношении профессии Дика. Испытуемые обеих групп пришли к согласию: средние оценки составили 50% (см. Рисунок 1). Разница между ответами на это описание и на “пустое” описание разъясняет ситуацию. Очевидно, люди реагируют по-разному, когда не получают никакого описания, и когда дано бесполезное описание. В первом случае, априорная вероятность принимается во внимание; во втором, априорная вероятность игнорируется.3

Существуют ситуации, когда априорная вероятность, играет более существенную роль. Во всех примерах, рассмотренных до настоящего момента, четко выраженные стереотипы были связаны с альтернативными исходами, и, мы предполагаем, что суждения управлялись, степенью, в которой описания оказывались репрезентативными по отношению к этим стереотипам. В других задачах исходы естественно рассматривать как части измерения. Предположим, например, что Вас попросили оценить вероятность того, что каждый из нескольких студентов получит стипендию. В этой задаче, не существует хорошо обозначенных стереотипов студентов, которые получают или не получают стипендию. Скорее, естественно рассматривать исход (то есть, получение стипендии) как некий отрезок на прямой академических достижений или способностей. Априорная вероятность, то есть процент стипендий в определенной группе, могла использоваться, чтобы устранить пределы. Следовательно, они, вряд ли игнорируются. Кроме того, мы могли бы ожидать, что экстремальные априорные вероятности будут оказывать некоторое воздействие даже при наличии четких стереотипов исходов. Точная схема условий, при которых первичная информация используется или отвергается, требует дальнейшего исследования.

Один из основных принципов статистического прогнозирования гласит, что априорная вероятность, которая суммирует наши знания относительно проблемы до того, как мы получили определенное описание, остается уместной даже после того, как такое описание получено. Правило Байеса переводит этот качественный принцип в мультипликативное соотношение между априорной вероятностью и отношением вероятности. Нашим испытуемым не удалось объединить априорную вероятность и дополнительную информацию. Когда им было предоставлено описание, каким бы неинформативным или недостоверным оно ни было, Тома В. или Дика (инженер/адвокат), испытуемые, очевидно, чувствовали, что распределение профессий в его группе больше не соответствовало действительности. Неспособность оценить роль априорной вероятности, если дано определенное описание - это, возможно, одно из наиболее существенных отклонений интуиции от нормативной теории прогнозирования.


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