Omyl základní sazby se týká toho, že při posuzování pravděpodobnosti máme tendenci spoléhat se více na konkrétní informace než na statistiku.

Existují dva hlavní faktory, které přispívají k výskytu omylu základní sazby. Jedním z nich je heuristika reprezentativnosti, podle níž naše pravděpodobnostní úsudky ovlivňuje míra reprezentativnosti události nebo objektu pro jeho kategorii, která málo zohledňuje základní sazby. Další je relevance, která naznačuje, že specifické informace považujeme za relevantnější než obecné informace, a proto se selektivně věnujeme individualizujícím informacím na úkor informací o základní míře.

Klasické vysvětlení omylu základní míry zahrnuje scénář, v němž je 85 % taxíků ve městě modrých a zbytek zelených. Když se taxík stane účastníkem nehody, svědek tvrdí, že taxík byl zelený, avšak pozdější testy ukazují, že v noci správně určí barvu taxíku pouze v 80 % případů.

Na otázku, jaká je pravděpodobnost, že taxík, který byl účastníkem srážky, byl zelený, mají lidé tendenci odpovídat, že je to 80 %. Tím však ignorují základní informaci, že pouze 15 % taxíků ve městě je zelených. Když vezmeme v úvahu všechny tyto informace, zjistíme, že pravděpodobnost, že svědek měl pravdu, je ve skutečnosti 41 %.

V jiné studii byli účastníci dotázáni, kolik z pěti dolarů, které dostali, by věnovali na danou charitu. Byli požádáni, aby stejnou předpověď učinili i o svém průměrném vrstevníkovi. Poté byly účastníkům předloženy skutečné dary 13 dalších vrstevníků a měli možnost své předpovědi upravit. Své předpovědi o vrstevnících změnili tak, aby odpovídaly informacím o základní sazbě, ale své předpovědi o sobě nezměnili kvůli přílišnému spoléhání se na individualizující informace.

Abychom se vyhnuli omylu základní sazby, musíme k posuzování pravděpodobnosti přistupovat aktivněji tím, že budeme věnovat větší pozornost informacím o základní sazbě, které máme k dispozici, a uvědomíme si, že individualizující informace nejsou příliš spolehlivým prediktorem.

Překlad: https://www.deepl.com/translator

The base rate fallacy refers to how we tend to rely more on specific information than we do statistics when making probability judgments.

Why it happens There are two main factors that contribute to the occurrence of the base rate fallacy. One is the representativeness heuristic, which states that the extent to which an event or object is representative of its category influences our probability judgments, which little regard for base rates. Another is relevance, which suggests that we consider specific information to be more relevant than general information, and therefore selectively attend to individuating information over base rate information.

Example 1 - The cab problem A classic explanation for the base rate fallacy involves a scenario in which 85% of cabs in a city are blue and the rest are green. When a cab is involved in a hit and run, a witness claims the cab was green, however later tests show that they only correctly identify the color of the cab at night 80% of the time.

When asked what the probability is that the cab involved in the hit and run was green, people tend to answer that it is 80%. However, this ignores the base rate information that only 15% of the cabs in the city are green. When taking all the information into consideration, crunching the numbers shows that the likelihood that the witness was correct is actually 41%.

Example 2 - How much will you donate? In another study, participants were asked how much out of the five dollars they were given would they donate to a given charity. They were asked to make the same prediction about their average peer. Next, the participants were presented with the actual donations of 13 other peers and given the chance to adjust their predictions. They switched their predictions of their peers to match the base rate information but did not change their predictions for themselves due to their overreliance on individuating information.

How to avoid it To avoid committing the base rate fallacy, we need to take a more active approach to assessing probability by paying more attention to the base rate information available to us and recognizing that individuating information is not a very reliable predictor.

Sources:

• Kahneman D. and Tversky, A. (1973). On the Psychology of Prediction. Psychology Review. 80(4), 237-251. doi: 10.1037/h0034747
• Chen, J. (2020). Base Rate Fallacy. Investopedia. https://www.investopedia.com/terms/b/base-rate-fallacy.asp
• Kahneman, Daniel; Amos Tversky (1985). “Evidential impact of base rates”. In Daniel Kahneman, Paul Slovic & Amos Tversky (ed.). Judgment under uncertainty: Heuristics and biases. Cambridge University Press. pp. 153–160.
• Bar-Hillel, M. (1980). The base-rate fallacy in probability judgments. Acta Psychologica, 44(3), 211–233. doi: 10.1016/0001-6918(80)90046-3
• Kahneman, D., & Tversky, A. (1972). Subjective probability: a judgment of representativeness. Cognitive Psychology, 3(3), 430–454. doi: 10.1016/0010-0285(72)90016-3
• Epley, N., & Dunning, D. (2000). Feeling “holier than thou”: are self-serving assessments produced by errors in self- or social prediction? Journal of Personality and Social Psychology, 79(6), 861–75. doi: 10.1037/0022-3514.79.6.861

Zdroj: https://thedecisionlab.com/biases/base-rate-fallacy