มนุษย์มีอคติมากที่สุดที่มนุษย์สร้างขึ้นเมื่อรวบรวมหรือตีความข้อมูลคืออะไร?


39

ฉันเป็นคนสำคัญ econ / stat ฉันตระหนักดีว่านักเศรษฐศาสตร์ได้พยายามปรับเปลี่ยนสมมติฐานเกี่ยวกับพฤติกรรมของมนุษย์และความเป็นเหตุเป็นผลโดยระบุสถานการณ์ที่ผู้คนไม่ปฏิบัติตามเหตุผล ตัวอย่างเช่นสมมติว่าฉันให้คุณมีโอกาส 100% ของการสูญเสีย$ 1,000 หรือโอกาส 50% ที่การสูญเสีย$ 2500 ผู้คนเลือกตัวเลือก$ 2500 แม้ว่ามูลค่าที่คาดหวังของผู้ที่หลังจะสูญเสียมากกว่าการรับประกัน$ 1,000 การสูญเสีย สิ่งนี้เรียกว่า "การสูญเสียความเกลียดชัง" ขณะนี้นักเศรษฐศาสตร์พฤติกรรมศึกษารูปแบบเหล่านี้และพยายามหาวิธีที่มนุษย์เบี่ยงเบนจากสัจพจน์เหล่านั้นซึ่งโดยปกติถือว่าเป็นพฤติกรรม "เหตุผล" ที่นี่ฉันคิดว่ามันมีเหตุผลที่จะชอบการสูญเสียที่คาดหวังน้อยที่สุด

ฉันสงสัยว่านักสถิติระบุรูปแบบทั่วไปในการรวบรวมข้อมูลที่ให้ผลลัพธ์แบบเอนเอียงในการตีความข้อมูลของผู้คนอย่างไร หากมีวิธีการ "เหตุผล" เป็นหลักในการรวบรวมข้อมูลฉันถือว่ามีตัวอย่างที่มนุษย์เบี่ยงเบนจากเรื่องนี้และแสดง "อคติ" ถ้าเป็นเช่นนั้นมนุษย์มีความเอนเอียงที่พบได้บ่อยที่สุดเมื่อรวบรวมหรือตีความข้อมูลคืออะไร?


5
มีกระดาษที่ยอดเยี่ยมโดย Podsakoff และคณะ ที่ตรวจสอบอคติของวิธีการทั่วไปและเสนอการแก้ไขเชิงสถิติและขั้นตอน: ln.edu.hk/mkt/staff/gcui/CommonMethodBias.pdfดูที่ตารางที่ 2
ayhan

ที่เกี่ยวข้อง: stats.stackexchange.com/questions/4551/…
CL

10
คุณมีข้อสันนิษฐานที่ไม่มีเหตุผลของความไร้เหตุผล คุณไม่สามารถใช้ฟังก์ชันยูทิลิตี้กับผลลัพธ์ ในตัวอย่างที่ระบุไว้ของคุณสมมติว่าบุคคลนั้นมี$ 1,000 และต้องใช้มันเพื่อชำระเงินกู้ให้กับนักเลงต่อจากนี้ไปหรือจะถูกนักเลงฆ่า โอกาส 100% ของการสูญเสีย$ 1,000 ส่งผลให้มีโอกาสถูกฆ่า 100% ในขณะที่โอกาส 50% ของการสูญเสีย$ 2,500 เท่านั้นจะส่งผลให้มีโอกาส 50% ที่จะถูกฆ่า ในฐานะที่เป็น econ Major คุณควรปรับตัวให้เข้ากับอรรถประโยชน์เป็นจุดเริ่มต้นก่อนที่จะประกาศความไร้เหตุผล
Mark L. Stone

3
นักสถิติมักไม่ทำการวิจัยแบบนั้น ฉันสงสัยว่าคำถามนี้เหมาะสำหรับไซต์Psychology & Neuroscience SE หรือไม่
gung - Reinstate Monica

3
ฉันคิดว่าเอฟเฟกต์ไฟถนน - มองหากุญแจที่หายไป (ข้อมูล) ใต้เสาไฟเพราะนั่นคือที่ที่แสงอยู่ตอนกลางคืน - เป็นเรื่องธรรมดามากโดยเฉพาะตอนนี้ด้วยข้อมูลแตะง่าย ๆ // ไม่มีวิธี "เหตุผล" ในการรวบรวมข้อมูลเพราะคุณ - นักวิจัยทำการรวบรวม - ไม่ได้ทำการสุ่ม
AS

คำตอบ:


23

ฉันคิดว่าในแวดวงวิชาการค่า p มักถูกตีความผิด ๆ ผู้คนมักจะลืมว่าค่า p แสดงความน่าจะเป็นแบบมีเงื่อนไข แม้ว่าการทดสอบได้ดำเนินการอย่างสมบูรณ์แบบและเป็นไปตามข้อกำหนดทั้งหมดของการทดสอบทางสถิติที่เลือก แต่อัตราการค้นพบที่ผิดพลาดนั้นมักจะสูงกว่าระดับนัยสำคัญอัลฟ่า อัตราการค้นพบที่ผิดพลาดเพิ่มขึ้นพร้อมกับการลดลงของพลังทางสถิติและความชุกของผลบวกที่แท้จริง (Colquhoun, 2014; Nuzzo, 2014)

นอกจากนี้ผู้คนมักจะมองว่าการประมาณการของพวกเขาเป็นความจริงและพารามิเตอร์ที่พวกเขาประมาณว่าเป็นแบบสุ่ม (Haller & Kraus, 2002) ตัวอย่างเช่นเมื่อพวกเขากล่าวว่าใน“ 95% ของกรณีนี้ช่วงความเชื่อมั่นที่ระบุนี้ครอบคลุมพารามิเตอร์” ...

ความสับสนของสหสัมพันธ์และสาเหตุอาจเป็นข้อผิดพลาดทั่วไปในการตีความข้อมูล

ในแง่ของการรวบรวมข้อมูลฉันคิดว่าข้อผิดพลาดทั่วไปคือสามารถเข้าถึงได้ง่ายที่สุดแทนที่จะเป็นตัวอย่างตัวแทนมากที่สุด

Colquhoun, D. (2014) การตรวจสอบอัตราการค้นพบที่ผิดพลาดและการตีความค่า P ผิด ๆ Royal Open Open Science, 1–15

Nuzzo, R. (2014) ข้อผิดพลาดทางสถิติ: ค่า P, "มาตรฐานทองคำ" ของความถูกต้องทางสถิติไม่น่าเชื่อถือเท่าที่นักวิทยาศาสตร์หลายคนคิด ธรรมชาติ, 506, 150–152

Haller, H. & Kraus, S. (2002): การตีความความหมายที่ไม่ถูกต้อง: นักเรียนมีปัญหาแบ่งปันกับครูของพวกเขา? วิธีวิจัยทางจิตวิทยาออนไลน์ปีที่ 7 ฉบับที่ 1


19

ฉันจะบอกว่าการไร้ความสามารถโดยทั่วไปที่จะชื่นชมสิ่งที่มีลักษณะแบบสุ่มที่แท้จริง ดูเหมือนว่าผู้คนคาดหวังรูปแบบปลอมน้อยเกินไปที่เกิดขึ้นจริงในลำดับเหตุการณ์สุ่ม สิ่งนี้จะปรากฏขึ้นเมื่อเราพยายามจำลองแบบสุ่มด้วยตัวเราเอง

อีกเรื่องที่ค่อนข้างธรรมดาคือไม่เข้าใจความเป็นอิสระเหมือนกับในความผิดพลาดของนักพนัน บางครั้งเราคิดว่าเหตุการณ์ก่อนหน้าสามารถส่งผลกระทบต่อเหตุการณ์ในอนาคตแม้ว่าจะเป็นไปไม่ได้อย่างชัดเจนเช่นการแจกไพ่ที่สับแล้วก่อนหน้านี้ส่งผลกระทบต่อเหตุการณ์ในอนาคต


7

มีการชี้ให้เห็นแล้วว่าพฤติกรรมและกระบวนการคิดจำนวนมากที่ระบุว่านักเศรษฐศาสตร์ "ไร้เหตุผล" หรือ "ลำเอียง" โดยนักเศรษฐศาสตร์ (พฤติกรรม) นั้นมีการปรับตัวและมีประสิทธิภาพสูงในโลกแห่งความเป็นจริง อย่างไรก็ตามคำถามของ OP นั้นน่าสนใจ อย่างไรก็ตามฉันคิดว่ามันอาจเป็นประโยชน์ในการอ้างถึงความรู้ขั้นพื้นฐานที่เป็นคำอธิบายเกี่ยวกับกระบวนการทางความคิดของเราแทนที่จะไปหา "อคติ" ที่เฉพาะเจาะจงที่สอดคล้องกับที่กล่าวถึงในวรรณกรรมทางเศรษฐกิจ (เช่นการสูญเสียความเกลียดชัง พื้นฐานการละเลย ฯลฯ )

ยกตัวอย่างเช่นevaluabilityเป็นแน่นอนปัญหาในการวิเคราะห์ข้อมูล ทฤษฎีการประเมินค่าระบุว่าเรามีน้ำหนักเกินข้อมูลที่เราค้นหาตีความหรือประเมินได้ง่าย พิจารณากรณีของสัมประสิทธิ์การถดถอย การประเมินผลสัมประสิทธิ์ "โลกแห่งความเป็นจริง" อาจเป็นงานหนัก เราจำเป็นต้องพิจารณาหน่วยของตัวแปรอิสระและตัวแปรตามเช่นกันคือการแจกแจงตัวแปรอิสระและตัวแปรตามเพื่อให้เข้าใจว่าสัมประสิทธิ์มีความเกี่ยวข้องกันหรือไม่ การประเมินความสำคัญของสัมประสิทธิ์ในทางกลับกันนั้นง่าย: ฉันแค่เปรียบเทียบค่า p กับค่าอัลฟ่าของฉัน ด้วยความสามารถในการประเมินค่า p-value ที่มากกว่าเมื่อเปรียบเทียบกับค่าสัมประสิทธิ์เองมันจึงแทบไม่น่าแปลกใจเลยที่ค่า p-value จะได้รับมาก

(การกำหนดมาตรฐานเพิ่มความสามารถในการประเมินค่าสัมประสิทธิ์ แต่อาจเพิ่มความคลุมเครือ : ความรู้สึกว่าข้อมูลที่เกี่ยวข้องนั้นไม่สามารถใช้งานได้หรือถูกระงับเนื่องจากรูปแบบ "ต้นฉบับ" ของข้อมูลที่เรากำลังประมวลผลไม่สามารถใช้ได้)

"อคติ" ที่เกี่ยวกับความรู้ความเข้าใจที่เกี่ยวข้องคือหลักการรูปธรรมความโน้มเอียงของข้อมูลที่มีน้ำหนักเกินที่ "อยู่ตรงนั้น" ในบริบทการตัดสินใจและไม่ต้องการการดึงจากหน่วยความจำ (หลักการที่เป็นรูปธรรมยังระบุว่าเรามีแนวโน้มที่จะใช้ข้อมูลในรูปแบบที่ได้รับและมีแนวโน้มที่จะหลีกเลี่ยงการเปลี่ยนแปลง) การตีความ p-value สามารถทำได้โดยเพียงแค่ดูที่ผลลัพธ์การถดถอย ไม่ต้องการให้ฉันดึงความรู้ที่สำคัญเกี่ยวกับสิ่งที่ฉันทำตัวเป็นแบบอย่าง

ฉันคาดหวังว่าอคติจำนวนมากในการตีความข้อมูลทางสถิติสามารถโยงไปถึงความเข้าใจทั่วไปว่าเรามีแนวโน้มที่จะใช้เส้นทางที่ง่ายเมื่อแก้ปัญหาหรือสร้างการตัดสิน (ดู "องค์ความรู้ขี้เหนียว", "เหตุผลขอบเขต" เป็นต้น) . ที่เกี่ยวข้องการทำอะไรที่ "สบาย" มักจะเพิ่มความมั่นใจที่เราถือความเชื่อที่เกิดขึ้น ( ทฤษฎีความคล่องแคล่ว ) (หนึ่งอาจพิจารณาความเป็นไปได้ว่าข้อมูลที่ง่ายต่อการพูด- เพื่อตัวเราเองหรือต่อคนอื่น - มีน้ำหนักเกินในการวิเคราะห์ของเรา) ฉันคิดว่าสิ่งนี้น่าสนใจเป็นพิเศษเมื่อเราพิจารณาข้อยกเว้นที่เป็นไปได้ ยกตัวอย่างเช่นการวิจัยทางจิตวิทยาชี้ให้เห็นว่าหากเราเชื่อว่าปัญหาควรแก้ไขได้ยากเราอาจสนับสนุนแนวทางและวิธีการแก้ปัญหาที่เป็นรูปธรรมน้อยกว่าและยากกว่าเช่นเลือกวิธีที่มีความลับมากกว่าวิธีง่าย ๆ


7

ปัจจัยเดียวที่ใหญ่ที่สุดที่ฉันสามารถนึกได้ก็คือ "การตั้งค่าการยืนยัน" ในวงกว้าง เมื่อพิจารณาจากสิ่งที่ฉันคิดว่าการศึกษาของฉันจะแสดงฉันก็ยอมรับข้อมูลที่นำไปสู่ข้อสรุปที่ไม่คาดคิดขณะที่ทำการแก้ตัวสำหรับจุดข้อมูลทั้งหมดที่ดูเหมือนจะหักล้าง ฉันอาจปฏิเสธโดยไม่เจตนาว่าเป็น "ข้อผิดพลาดของเครื่องมือที่ชัดเจน" (หรือบางรายการที่เทียบเท่า) จุดข้อมูลใด ๆ ที่ไม่สอดคล้องกับข้อสรุปของฉัน ในบางกรณีมันจะไม่ชัดดัง แทนที่จะทิ้งจุดข้อมูลเหล่านั้นทั้งหมดฉันจะปรุงสูตรบางอย่างเพื่อลบ "ข้อผิดพลาด" ซึ่งจะคัดท้ายผลลัพธ์เพื่อยืนยันข้อสรุปที่สั่งไว้ล่วงหน้าของฉันอย่างสะดวกสบาย

ไม่มีอะไรที่เลวร้ายเป็นพิเศษเกี่ยวกับเรื่องนี้ มันเป็นวิธีที่สมองของเราทำงาน ต้องใช้ความพยายามอย่างมากในการกรองอคติดังกล่าวและเป็นหนึ่งในเหตุผลที่นักวิทยาศาสตร์ต้องการทำการศึกษาแบบสองคนตาบอดซึ่งบุคคลที่ทำการวัดนั้นไม่ทราบว่าการทดลองนั้นคาดว่าจะพิสูจน์ได้ จากนั้นต้องมีวินัยอย่างมากที่จะไม่ปรับสิ่งที่เขาวัดอย่างซื่อสัตย์


1
ฉันคิดว่านี่เป็นอคติที่อันตรายที่สุดเพราะจริง ๆ แล้วมันสามารถเกิดขึ้นได้ในขั้นตอนการรวบรวมข้อมูลเช่นการรวบรวมข้อมูลในกลุ่มย่อยขนาดเล็กที่น่าจะยืนยันความคาดหวังของคุณหรือใช้คำถามสำรวจชั้นนำ
stijn

1
อคติยืนยันอาจไม่ดีนักระหว่างสาขาที่แม้พื้นฐานพื้นฐานที่ถูกกล่าวหาของสาขานั้นแตกต่างกันนำไปสู่การยืนยันว่า "X เป็นไปไม่ได้ใน (ใช้) วินัยของคุณ (ด้วยวิธีการตรวจจับ) แต่ชัดเจนในของฉัน (เราสามารถ ความรู้สึก X) " เช่นแอปเปิ้ลตั้งใจจะแขวนไว้บนต้นไม้หรือนอนราบกับพื้น พวกเขาไม่สามารถ 'ตกลง' จากความตกลงของตนเอง บ่อยครั้งในวิทยาศาสตร์กายภาพมีการเปลี่ยนแปลงพื้นฐานทางคณิตศาสตร์ที่ซ่อนความสับสน
Philip Oakley

6

เส้นตรง

ฉันคิดว่าอคติที่พบบ่อยในระหว่างการตีความ / วิเคราะห์ข้อมูลคือคนมักจะถือว่าความสัมพันธ์เชิงเส้นอย่างรวดเร็ว ในทางคณิตศาสตร์แบบจำลองการถดถอยสันนิษฐานว่าองค์ประกอบที่กำหนดขึ้นนั้นเป็นฟังก์ชันเชิงเส้นของตัวทำนาย น่าเสียดายที่ไม่เป็นความจริงเสมอไป ฉันไปประชุมโปสเตอร์ระดับปริญญาตรีเมื่อเร็ว ๆ นี้และจำนวนของแนวโน้มที่มีกำลังสองหรือไม่เป็นเชิงเส้นตรงที่ฉันเห็นว่าได้รับการติดตั้งแบบจำลองเชิงเส้นกังวลที่จะพูดน้อยที่สุด

พี


2

กรณีที่มีการขัดขวางคือการอภิปรายของการเข้าใจผิดของนักพนัน

ข้อมูลที่มีอยู่ควรจะรวมหรือยกเว้น? หากฉันอยู่ข้างหน้าด้วย 6 ซิกส์แล้วสิ่งเหล่านี้จะรวมอยู่ในการพยายามนับสิบครั้งของฉันหรือไม่? ชัดเจนเกี่ยวกับข้อมูลก่อนหน้า

เมื่อใดฉันจึงควรเปลี่ยนจากตัวเลขสัมบูรณ์เป็นอัตราส่วน ใช้เวลานานกว่าความได้เปรียบที่ได้รับระหว่างการชนะแบบไม่หยุดยั้งเพื่อกลับสู่ศูนย์ (การเดินแบบสุ่ม)

0.1% ของล้านดอลลาร์อาจไม่มากสำหรับ บริษัท ขนาดใหญ่ แต่การเสียเงิน $ 1,000 อาจเป็นชีวิตและความตายให้กับผู้ค้ารายเดียว (ซึ่งเป็นสาเหตุที่นักลงทุนต้องการให้ผู้คน 'ขับเคลื่อน' ลงทุน) ความสามารถในการเปลี่ยนเป็นเปอร์เซ็นต์อาจเป็นอคติ

แม้แต่นักสถิติก็มีอคติ


2

ฉันอยากจะแนะนำ"การคิดเร็วและช้า"โดยDaniel Kahnemanซึ่งอธิบายอคติเกี่ยวกับความรู้ความเข้าใจจำนวนมากในภาษาที่ชัดเจน

คุณอาจอ้างถึง " http://www.burns-stat.com/review-thinking-fast-slow-daniel-kahneman/ " ซึ่งสรุปอคติบางส่วนในหนังสือเล่มนี้

สำหรับบทสรุปที่ชาญฉลาดโดยละเอียดคุณอาจต้องการอ่าน " https://erikreads.files.wordpress.com/2014/04/thinking-fast-and-slow-book-summary.pdf "

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.