Защита экстремальных предсказаний?

Ранее мы познакомились с Томом В. для иллюстрации предсказаний дискретных результатов, например области специализации или успеха на экзамене, которые выражаются присвоением вероятности определенному событию (или, в случае с Томом, расположением результатов от наиболее до наименее вероятного). Я также описал процесс противодействия распространенным искажениям дискретных предсказаний: пренебрежению априорными вероятностями и нечувствительности к качеству информации.
Искажения в прогнозах, выражающихся в шкале, как, например, средний балл или доход фирмы, сходны с искажениями, наблюдающимися при оценке вероятностей исходов.
Процедуры коррекции также схожи:

• Обе содержат исходное предсказание, которое бы вы сделали при отсутствии информации. В случае с категориями это были априорные вероятности, в случае с цифрами – средний результат в соответствующей категории.
• Обе оценки содержат интуитивное предсказание, выражающее пришедшее в голову число, независимо от того, вероятность это или средний балл.
• В обоих случаях ваша цель – дать прогноз, находящийся посередине между исходным предсказанием и вашим интуитивным ответом.
• В случае, когда нет никаких данных, вы придерживаетесь исходного прогноза.
• В другом крайнем случае вы придерживаетесь своего интуитивного прогноза. Разумеется, это произойдет, если вы останетесь в нем уверены, критически пересмотре в данные в его пользу.
• Чаще всего вы найдете причины сомневаться в существовании идеальной корреляции между истиной и вашим интуитивным прогнозом и в итоге окажетесь где-то посередине.

Эта процедура – аппроксимация вероятных результатов надлежащего статистического анализа. В случае успеха она приведет вас к неискаженным прогнозам, разумным оценкам вероятности и умеренным предсказаниям численных результатов. Обе процедуры направлены на устранение одного и того же искажения: интуитивные прогнозы, как правило, отличаются чрезмерной уверенностью и экстремальностью.

Коррекция интуитивных предсказаний – задача для Системы 2. Для поиска соответствующей референтной категории, а также для оценки исходного прогноза и качества данных требуются значительные усилия. Они оправданы лишь в случае, когда ставки высоки, а вы усиленно стремитесь не допустить ошибки. Более того, необходимо помнить, что коррекция предсказаний может осложнить вам жизнь. Неискаженные прогнозы отличаются тем, что позволяют предсказывать редкие или экстремальные события лишь при наличии очень хорошей информации. Если вы ждете от своих предсказаний умеренной надежности, вы никогда не угадаете редкий или далекий от среднего результат. Если вы даете неискаженные прогнозы, вам никогда не испытать удовольствия правильно назвать редкий случай. Вы никогда не сможете сказать: «Я так и думал!», когда ваш студент-юрист станет верховным судьей или когда новая компания, казавшаяся вам очень перспективной, в итоге добьется огромного коммерческого успеха. С учетом ограничений данных вы никогда не предскажете, что способный старшеклассник будет учиться на «отлично» в Принстоне. По тем же причинам венчурному капиталисту никогда не скажут, что в начале развития у новой компании «очень высокая» вероятность успеха.
Возражения относительно принципа смягчения интуитивных прогнозов следует воспринимать всерьез, потому что отсутствие искажений – не всегда важнее всего. Неискаженные прогнозы предпочтительны, если все ошибки равнозначны, независимо от их направления. Однако встречаются ситуации, в которых один тип ошибок намного хуже другого. Когда венчурный капиталист ищет новый проект, риск упустить новый Google или Facebook намного важнее, чем риск вложить скромную сумму в заурядную новую компанию. Цель венчурных капиталистов – выявить особые случаи, даже если из-за этого они переоценят перспективы многих других предприятий. Для консервативного банкира, дающего большие займы, риск банкротства одного заемщика может перевесить риск отказа нескольким потенциальным клиентам, которые выполнили бы свои обязательства. В таких случаях использование категоричных выражений («отличные перспективы», «серьезный риск неплатежеспособности») может быть оправдано ради успокоения, даже если информац ия, на которой они основаны, всего лишь умеренно надежна.
Для разумного человека неискаженные умеренные предсказания не представляют проблемы. В конце концов, разумные венчурные капиталисты знают, что даже у самых многообещающих новых компаний шансы на успех весьма ограничены. Их работа – выбрать лучшие из имеющихся, и они не чувствуют потребности обманывать себя относительно перспектив проекта, в который собираются вложить деньги. Соответственно, рациональные индивиды, предсказывающие доход фирмы, не будут привязываться к одному числу, а рассмотрят диапазон неопределенности вокруг самого вероятного результата. Разумный человек, оценив предприятие, которое, скорее всего, потерпит неудачу, может вложить в него крупную сумму, если награда за успех будет достаточно велика, – но при этом не будет питать иллюзий насчет шансов на подобный исход. Однако не все мы рациональны, и многим необходимо ощущать себя защищенными от искаженных оценок, иначе способность принимать р ешения будет парализована. Если вы решите обманывать себя, принимая экстремальные прогнозы, не забывайте о том, что вы потакаете собственным желаниям.
Мои корректирующие процедуры ценны тем, что заставляют думать об объеме известной вам информации. Рассмотрим следующий, распространенный в научном мире пример, вызывающий прямые аналогии с другими сферами жизни: факультет собирается нанять молодого преподавателя и хочет выбрать кандидата с наилучшим потенциалом для научной работы. Выбор свелся к двоим.

Ким недавно закончила дипломный проект. У нее отличные рекомендации, она замечательно выступила и произвела на всех прекрасное впечатление во время собеседований. Серьезной истории научных исследований у нее нет.

Джейн последние три года занимала должность постдокторанта. Она очень эффективно работала, провела множество исследований, но доклад и собеседования были не такими яркими, как у Ким.

Интуитивно хочется выбрать Ким, потому что она произвела более сильное впечатление, а что ты видишь, то и есть. Однако информации о Ким гораздо меньше, чем о Джейн. Мы вернулись к закону малых чисел. По сути, выборка информации о Ким меньше, чем о Джейн, а в маленьких выборках намного чаще наблюдаются экстремальные результаты. В них бо́льшую роль играет удача, а значит, предсказания результатов Ким необходимо сильнее сместить к среднему. Допустив, что Ким регрессирует сильнее, чем Джейн, вполне можно выбрать Джейн, хотя она произвела на вас более слабое впечатление. Делая выбор в научной среде, я бы голосовал за Джейн, хотя и приложил бы некоторые усилия для преодоления интуитивного впечатления о большей перспективности Ким. Следовать предчувствиям естественнее и приятнее, чем действовать вопреки им.
Легко представить себе похожие проблемы в других ситуациях, например, когда венчурному капиталисту необходимо выбрать, в какую из двух новых компаний, работающ их на разных рынках, вложить деньги. У одной компании есть продукт, спрос на который можно довольно точно оценить. Другая фирма привлекательна и – с точки зрения интуиции – кажется многообещающей, но ее перспективы менее надежны. Следует задуматься о том, сохранит ли прогноз возможностей второй компании свою бо́льшую привлекательность после учета неопределенности.