pondelok, 23. januára 2017

Ilúzie a odchýlky (nielen) vo finančnom rozhodovaní; časť tretia



V minulej časti sme sa zamerali na odchýlky v myslení, typické pre oblasti spotrebiteľského správania, reklamy a marketingu. Dnes si predstavíme skreslenia, ktorých výskum je orientovaný najmä na usudzovanie a rozhodovanie o zdraví. Týkajú sa však akejkoľvek domény, ktorej súčasťou je číselné vyjadrenie pravdepodobnosti a rizika.

Rovnaký objekt, stav, či situáciu môžeme pomenovať rôznymi spôsobmi. Pohár je poloplný alebo poloprázdny. Podobne má i identický údaj viacero možností vyjadrenia: 4 z 30 je „to isté“, čo 2 z 15.  Platí to i v mysli ľudí?

Predstavme si jednoduchý experiment. Psychológovia vybrali 11 rôzne častých príčin úmrtia, pričom vychádzali z reálnych štatistík. Účastníci výskumu si prečítali 11 viet, napr. „V Austrálii zomrie 100 ľudí denne v dôsledku rakoviny“. Následne odpovedali na škále 0 (žiadne riziko) až 25 (maximálne riziko), aké veľké riziko podľa nich predstavuje rakovina (a ďalších 10 príčin úmrtia) pre bežného Austrálčana. O týždeň na to absolvovali druhú fázu experimentu s rovnakými zdravotnými diagnózami, no iným formátom údajov, napr. „V Austrálii zomrie 36500 ľudí ročne v dôsledku rakoviny“. Polovica ľudí začínala formátom „denne“, polovica formátom „ročne“. Ľudia vnímali významne vyššie riziko pri údajoch  za rok. Ide o jedno z početných zistení o odchýlke známej ako zanedbanie menovateľa (Denominator neglect) alebo pomerové skreslenie (Ratio bias). Ľudia majú tendenciu klásť väčší dôraz na čitateľa (36500) než na menovateľa (365 dní). Preto si často spomedzi vrecúšok A a B, kedy A obsahuje 1 výhernú loptičku z 20 a B obsahuje 9 výherných loptičiek z 200, vyberú B.

Obr. 1: Vrecúška

Nielen zanedbanie menovateľa, ale aj zanedbanie základného výskytu (Base-rate neglect) je kľúčovou odchýlkou pri interpretovaní štatistických údajov. Vezmime si nasledovný problém:
„Pravdepodobnosť výskytu rakoviny prsníka u žien nad 40 rokov je 1%. Ak má žena rakovinu prsníka, pravdepodobnosť, že dostane pozitívny mamogram je 80%. Ak žena nemá rakovinu prsníka, pravdepodobnosť, že dostane pozitívny mamogram je 10%. Predstavme si ženu, ktorá prichádza na rutinné preventívne vyšetrenie, a výsledok jej mamografického vyšetrenia je pozitívny. Aká je pravdepodobnosť, že naozaj trpí rakovinou prsníka?“.  Ľudia zväčša opomenú údaj o základnom výskyte – 1% – respektíve ho nedostatočne zohľadnia vo svojich odhadoch a výpočtoch. Preto dospejú k podstatne vyšším číslam, než je správna odpoveď – 7,5%. 

Ako návod riešenia problému poslúži rozhodovací strom na obrázku. Keď spočítate všetky ženy s pozitívnym mamogramom a dáte k nim do pomeru tie z nich, ktoré trpia rakovinou, vyjde Vám, že spomedzi 107 žien s pozitívnym mamogramom trpí rakovinou 8 žien. Výsledok je preto 8 zo 107 alebo (zaokrúhlene) 0,075 alebo 7,5%.

Obr. 2: Rozhodovací strom

Zdá sa, že špecifickú pozíciu pri posudzovaní rizika má formát s čitateľom 1. Fenomén dostal názov efekt 1-z-X (1-in-X effect). V rámci série experimentov formát 1-z-X (napríklad 1 z 9) zvýšil mieru vnímaných rizík. V duchu jedného z navrhnutých vysvetlení si pod číslom 1 predstavujeme seba samých (a nie iných ľudí) do vyššej miery, než u ostatných číselných vyjadrení. Podľa našej nedávnej štúdie by však vplyv štatistických formátov mohol byť významne nižší u ľudí, dostatočne znalých v danej téme.

Spravidla je náročné určiť, čo je adekvátna úroveň vnímaného rizika – či už v oblasti medicíny alebo v iných doménach. Zistenia o vplyve číselného vyjadrenia na posúdenie pravdepodobnosti, a o príslušných kognitívnych odchýlkach, môžu slúžiť ako podklad pre efektívnu komunikáciu – napríklad lekárov a pacientov. Zvolený formát by bol špecificky uspôsobený na základe toho, či majú ľudia tendenciu príslušné riziká podceňovať alebo, naopak, preceňovať.


Referencie

Bonner, C., & Newell, B. R. (2008). How to make a risk seem riskier: The ratio bias versus construal level theory. Judgment and Decision Making, 3, 411–416.

Dudeková, K., & Kostovičová, L. (2016). Čo z čoho a kto z koho? Efekt číselného vyjadrenia a odbornosť pri posudzovaní rizika v oblastiach zdravia a financií. In M. Vavrečka, O. Bečev, M. Hoffman & K Štěpánová (Eds.), Kognice a umělý život XVI: Sborník z 16. ročníku konference Kognice a umělý život (pp. 23–28). Praha: ČVUT.
Voľne dostupná publikácia: http://www.kognice.eu/KUZ2016sbornik.pdf

Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: frequency formats. Psychological Review, 102, 684–704.

Kostovičová, L. (2011). Bayesovské usudzovanie. In V. Bačová (Ed.), Rozhodovanie a usudzovanie II. Oblasti a koncepcie (pp. 51–74). Bratislava: Ústav experimentálnej psychológie SAV.
Voľne dostupná publikácia: http://www.psychologia.sav.sk/upload/Bacova_pdf.pdf

Sirota, M., Juanchich, M., Kostopoulou, O., & Hanák, R. (2014). Decisive evidence on a smaller-than-you-think phenomenon: Revisiting the “1-in-X” effect on subjective medical probabilities. Medical Decision Making, 34, 419–429.


Mgr. Lenka Kostovičová, PhD.

Autorka je výskumnou pracovníčkou na Ústave experimentálnej psychológie CSPV SAV

Žiadne komentáre:

Zverejnenie komentára