Che materia stai cercando?

Riassunto esame Marketing avanzato, prof. Grande, libro consigliato Pensieri lenti, pensieri veloci, Kahneman

Riassunto per l'esame di Marketing avanzato, basato sullo studio autonomo del libro consigliato dal professor Nicola Giorgio Grande: "Pensieri lenti, pensieri veloci", Kahneman, Università degli studi Carlo Bo - Uniurb, facoltà di Sociologia. Scarica il file in PDF!

Esame di Marketing avanzato docente Prof. N. Grande

Anteprima

ESTRATTO DOCUMENTO

Il meno è più, a volte anche in valutazione congiunta

All’università di Chicago deve venne chiesto a un campione di attribuire un prezzo

a due servizi di piatti venduti in liquidazione in un negozio locale dove quel ge-

nere di articolo aveva un prezzo di 30-60 dollari. Tre gruppi erano coinvolti: a uno

fo mostrato l’elenco che confronta i due servizi (valutazione congiunta), agli altri

due solo uno dei due servizi, e dovettero limitarsi ad una valutazione singola.

Assumendo che siano di pari qualità, quale dei due vale di più? Il servizio A pre-

senta 7 piatti integri in più del B, DEVE valere di più. I partecipanti alla valuta-

zione congiunta valutarono di più il servizio A del B: 32 dollari contro 30.

Nella valutazione singola i risultati si invertirono, ed il servizio B fu valutato molto

più del servizio A: 33 dollari contro 23. Sappiamo che questo è successo perché

le persone intuiscono subito che il servizio A è di qualità inferiore: nessuno vuole

pagare per piatti rotti. Il modello risultante venne definito “Il meno è più”. Elimi-

nando 16 articoli (di cui 7 intatti) da A, il suo valore aumenta.

Es. Mercato delle figurine di baseball. Messe all’asta 10 figurine di grande valore,

e serie identiche a cui erano però aggiunte 3 di valore modesto. Le serie più nu-

merose furono valutate di più nella valutazione congiunta, meno in quella singola.

Questo risultato è inquietante: un servizio di piatti o una collezione di figurine di

baseball è una variabile di tipo somma. Aggiungere un articolo di valore positivo

al servizio può solo aumentarne il valore. La probabilità, come il valore econo-

mico, è una variabile di tipo somma: probabilità (Linda è una cassiera) = proba-

bilità (Linda cassiera femminista) + probabilità (Linda cassiera non femminista).

Il sistema uno fa la media invece di aggiungere, in modo che le cassiere non fem-

ministe sono eliminate dalle opzioni, così la probabilità soggettiva aumenta.

Es. Possibili risultati del torneo di Wimbledon:

1. Borg vincerà il match.

2. Borg perderà il primo set.

3. Borg perderà il primo set, ma vincerà il match.

4. Borg vincerà il primo set, ma perderà il match.

Il 72 percento assegno a B minore probabilità di C. Lo scenario più probabile è

stato giudicato secondo il criterio della plausibilità, uno scenario più coerente di

quanto si sapeva sul tennista più forte al mondo.

Es. Allora venne elaborato un problema in cui non gli eventi non erano descritti a

parole, né veniva utilizzata la parola probabilità. Venne detto ai volontari che un

dado a sei facce, con 4 verdi e due rosse, sarebbe stato lanciato 20 volte. Furono

mostrate loro tre sequenze di risultati, e chiesto di sceglierne una. Erano RVRRR,

VRVRRR, VRRRRR.

Poiché nel dado le facce verdi sono il doppio delle rosse, la prima sequenza era

ben poco rappresentativa, così come Linda cassiera di banca. La seconda pre-

senta un adattamento superiore perché include un verde in più, tuttavia è frutto

della sola aggiunta di un verde all’inizio, quindi è meno probabile della prima

(Linda cassiera femminista). 2/3 dei soggetti scommisero sulla 2 anziché sulla 1.

Quando venne spiegato però trovarono convincente il ragionamento che portava

a 1.

Es. Due gruppi, leggera variante dello stesso problema.

Problema A: è stato condotto un sondaggio su un campione di maschi adulti della

Columbia Britannica di tutte le età e professioni. Siete pregati di dare il vostro

giudizio sui seguenti valori: che percentuale di intervistati ha avuto uno o più in-

farti? Che percentuale di intervistati ha più di 55 anni e ha avuto uno o più in-

farti?

Problema A: è stato condotto un sondaggio su un campione di 100 maschi adulti

della Columbia Britannica di tutte le età e professioni. Siete pregati di dare il vo-

stro giudizio sui seguenti valori: quanti dei 100 partecipanti hanno avuto uno o

più infarti? Quanti dei 100 intervistati ha più di 55 anni e ha avuto uno o più in-

farti?

L’incidenza di errori fu del 65 percento nel gruppo che vide la prima formulazione

del problema, del 25 percento nel gruppo che vide la seconda. Perché la do-

manda “Quanti dei 100…” è tanto più facile di “Che percentuale di…”? La risposta

è che il riferimento a 100 individui evoca un riferimento spaziale. Immaginiamo

che si ordini ad un gran gruppo di persone di distribuirsi in una stanza. Quelli il

cui cognome va da A a L nell’angolo davanti a sinistra; poi suddivisi ulterior-

mente, quelli il cui cognome parte con C risultano un sottoinsieme dell’insieme A-

L. Applichiamo alle persone colpite da infarto: 100 persone sono intervistate, al-

cune hanno avuto un infarto (A-L), e tra queste alcune hanno più di 55 anni (C).

“La rappresentazione della frequenza” rende più facile capire che un gruppo è

completamente incluso nell’altro. La soluzione dell’enigma sembra essere che la

domanda “quanti?” fa pensare ad individui, mentre quella “che percentuale” no,

nonostante sia la stessa cosa.

Il sistema 2 non è particolarmente vigile. L’assurdità del modello “meno è più” ri-

sultò evidente nell’indagine sulle stoviglie, e fu facilmente riconosciuta

nell’espressione “quanti?”, ma non risultò altrettanto evidente a migliaia di per-

sone che caddero nella fallacia in merito al problema di Linda e altri dello stesso

tipo. In tutti quei casi, la congiunzione risultò plausibile, e questo bastò perché il

sistema 2 avallasse. Nessuno dedicò l’attenzione necessaria, tutti si comporta-

rono come se fosse solo loro chiesa un’opinione. La pigrizia del sistema 2 però è

un fatto importante, ed è di un certo interesse anche osservare che la rappresen-

tatività è in grado di impedire l’applicazione di una regola logica ovvia.

Singolare della storia di Linda è il contrasto con l’indagine dei piatti rotti. I due

problemi hanno la stessa struttura, ma danno esiti diversi. I soggetti che vedono

il servizio comprendente i piatti rotti gli assegnano un prezzo molto basso, riflet-

tendo una regola dell’intuizione. Gli altri che vedono contemporaneamente i due

servizi gli assegnano un prezzo più alto, perché più piatti generano più valore.

L’intuizione regola le priorità singole, le regole logiche la valutazione congiunta.

In Linda invece l’intuizione spesso superava la logica anche nella valutazione con-

giunta, benché avessimo identificato alcune condizioni in cui la logica prevaleva.

Il problema di Linda diventò un caso di studio che assunse forte rilevanza scienti-

fica. Alcuni ricercatori trovarono combinazioni di istruzioni che riducevano l’inci-

denza della fallacia, altri sostennero che, nel contesto del problema di Linda, era

comprensibile che i soggetti considerassero “probabilità” come sinonimo di “plau-

sibilità”.

Non si parlava dell’evidenza dell’euristica dimostrata a partire dagli esperimenti

intersoggetti. La sua importanza era sminuita dalla concentrazione dei critici sulla

fallacia della congiunzione.

Capitolo 16 “Le cause battono la statistica”

Considera il problema e annota la risposta: Di notte un taxi è coinvolto in un inci-

dente e tira dritto. In città ci sono due agenzie di taxi, la Verde e la Blu. Dati:

- L’85 percento dei taxi della città è Verde, il 15 percento Blu.

- Un testimone ha identificato il taxi come Blu. Il tribunale ha verificato l’attendi-

bilità del testimone ponendolo nelle stesse condizioni e ha constatato che egli

ha riconosciuto ciascuno dei due colori l’80 percento delle volte, sbagliando il

20 percento delle volte.

Quale è la probabilità che il taxi coinvolto fosse Blu anziché Verde?

È un problema standard di inferenza bayesiana. Due sono gli item di informa-

zione: una probabilità a priori e la testimonianza non perfettamente attendibile,

del testimone. In mancanza di testimone la probabilità che il taxi fosse Blu è del

15 percento (probabilità a priori). Se le due agenzie avessero avuto una stessa

fetta di mercato, la probabilità a priori non sarebbe stata informativa, perché si

sarebbe considerata solo la testimonianza e sarebbe stato considerato l’80 per-

cento di probabilità che il taxi fosse Blu. La legge di Bayes combina le due infor-

mazioni: la risposta corretta è 41 percento.

Tuttavia è chiaro cosa fanno le persone: ignorano le probabilità a priori e pensano

solo al testimone. La risposta più comune è 80 percento.

Stereotipi causali

Dati alternativi: le due agenzie gestiscono lo stesso numero di taxi, ma i Verdi

sono coinvolti nell’85 percento degli incidenti. Le informazioni sul testimone sono

le stesse della versione precedente.

I soggetti che leggono la prima versione non sanno usare la probabilità a priori,

spesso la ignorano. I soggetti che però vedono la seconda versione assegnano

notevole peso alla probabilità a priori e il loro giudizio risulta più vicino alla solu-

zione bayesiana: perché?

Nella prima versione, la probabilità a priori dei taxi Blu è un dato statistico riguar-

dante i taxi in città. Una mente affamata di storie causali non trova niente da

sgranocchiare: in che modo il numero il numero di taxi Verdi e Blu in città indur-

rebbe un tassista ad investire qualcuno e tirare dritto?

Nella seconda versione, invece, i tassisti Verdi provocano oltre il quintuplo degli

incidenti dei tassisti Blu: i tassisti Verdi devono essere un branco di pazzi scate-

nati! Ci si è ora formati uno stereotipo della sconsideratezza dei Verdi, che si ap-

plica a singoli, tassisti ignoti.

Ci sono due storie casuali devono essere combinate o conciliate. La prima è l’atto

di pirateria stradale, che naturalmente evoca l’idea di un tassista Verde sperico-

lato responsabile dell’incidente. La seconda è la testimonianza che fa seriamente

pensare che il taxi fosse Blu. Le due inferenze praticamente si annullano a vi-

cenda, e anche secondo la stima bayesiana le probabilità sono pressoché uguali

(41 % Blu, ovvero la probabilità a priori del taxi Verde è poco più estrema di

quella del testimone che ha visto quello Blu).

Ci troviamo quindi di fronte a due tipi di probabilità a priori: le probabilità a

priori statistiche sono dati su una popolazione a cui appartiene un caso, ma che

non riguardano il singolo caso. Le probabilità a priori causali invece modifi-

cano la nostra visione di come si sia verificato il singolo caso. I due tipi di infor-

mazioni sulle probabilità a priori sono trattati in maniera diversa:

- Le probabilità a priori statistiche sono in genere sottostimate e a volte trascu-

rate del tutto, quando ci sono informazioni specifiche sul caso.

- Le probabilità a priori causali sono trattate come informazioni sul singolo caso e

vengono facilmente combinate con altre informazioni specifiche del caso.

La versione causale forma lo stereotipo: “i tassisti Verdi sono pericolosi”. Gli ste-

reotipi sono asserzioni riguardanti un gruppo, che vengono accettate come dati di

fatto validi per ciascun membro del gruppo:

- La maggior parte dei diplomati in quella scuola di un quartiere popolare va

all’università

- L’interesse per il ciclismo è diffuso in Francia

Queste due asserzioni portano a dedurre la propensione dei singoli membri del

gruppo a fare una certa cosa, e si prestano all’elaborazione di una storia causale.

Molti diplomati di quella scuola di un quartiere popolare sono desiderosi e capaci

di andare all’università, presumibilmente per via di alcune caratteristiche positive

della vita di quella scuola. Vi sono poi nella vita socio-culturale francese molti ele-

menti che inducono molti elementi ad interessarsi al ciclismo. Ricorderemo questi

dati quando si parlerà di un particolare diplomato di quella scuola e che vada al

college, oppure quando decideremo se parlare del Tour de France con un francese

che abbiamo appena conosciuto per fare conversazione.

“Ragionare per stereotipi” è un’espressione che ha un significato negativo nella

nostra cultura, ma possiamo utilizzarla anche in senso neutro. Il sistema 1 rap-

presenta categorie come norme ed esemplari prototipi; così pensiamo ai cavalli,

ai frigoriferi, ai poliziotti di New York. Conserviamo nella memoria uno o più

esempi “normali” delle categorie: quando le categorie sono sociali questi sono

detti “stereotipi”. Alcuni stereotipi sono sbagliati e pericolosi, e creare stereotipi

ostili ha spesso conseguenze terribili, ma i dati di fatto psicologici non si possono

ignorare: gli stereotipi, veri o falsi che siano, riflettono il nostro modo di rappre-

sentare le categorie. Nel problema del taxi, la disattenzione per le informazioni a

priori è un errore cognitivo, un’incapacità di condurre un ragionamento baye-

siano, ed è auspicabile affidarsi alle probabilità a priori causali. Ridurre a stereo-

tipo i tassisti Verdi infatti migliora l’accuratezza del giudizio. In altri contesti come

l’assunzione di lavoratori o l’elaborazione di profili psicologici, una forte norma

sociale, anche ratificata dalla legge, vieta gli stereotipi. È giusto che sia così, per-

ché in contesti sociali delicati non è giusto trarre conclusioni magari errate ri-

guardo al singolo individuo in base alla statistica del gruppo.

Le norme sociali contro il ragionare per stereotipi, tra cui l’opposizione all’elabo-

razione di profili psicologici di gruppo, hanno avuto il grande pregio di creare una

società più civile ed egualitaria.

Però trascurare gli stereotipi produce risultati non ottimali. La resistenza allo ste-

reotipo è una posizione morale lodevole, ma l’idea che questa resistenza non ab-

bia un costo è errata. Vale la pena pagare quel prezzo per avere una società mi-

gliore, ma negare che ci sia un costo è non è scientificamente difendibile. Affi-

darsi all’euristica dell’affetto è comune nelle discussioni politicamente impegnate:

le posizioni che prediligiamo non hanno un costo, e quelle cui ci opponiamo non

hanno un beneficio.

Situazioni causali

La nozione di “probabilità a priori causali” fu inventata dallo psicologo Ajzen, che

mostrò ai suoi volontari concise descrizioni di un gruppo di studenti che avevano

sostenuto un esame a Yale e chiese loro di giudicare la probabilità che ognuno

avesse superato la prova. A un gruppo disse che gli studenti appartenevano a

una classe in cui il 75 % aveva superato l’esame, all’altro che i medesimi studenti

erano in una classe dove avevano superato solo il 25 %. È una manipolazione po-

tente, perché la probabilità a priori del superamento dell’esame suggerisce che

l’esame superato solo dal 25 % degli studenti fosse molto, molto difficile.

I volontari giudicarono più probabile che ciascuno studente avesse superato la

prova nella condizione di alta percentuale della classe che nella condizione oppo-

sta. Ajzen usò un metodo ingegnoso per suggerire una probabilità a priori non

causale. Disse ai volontari che gli studenti cui fanno riferimento le descrizioni

erano stati a loro volta estratti da un campione di studenti che erano stati pro-

mossi oppure boccati all’esame.

Le indicazioni del gruppo ad alta percentuale di bocciatura dicevano: Il ricerca-

tore, interessato soprattutto alle cause del fallimento, ha messo insieme un cam-

pione costituito da un 75 percento di allievi che non avevano superato l’esame.

Questa probabilità a priori è un dato puramente statistico riguardante l’insieme

da cui sono stati estratti i casi. Non è connessa alla domanda posta al volontario,

ovvero se il singolo abbia o meno superato l’esame. Le probabilità a priori dichia-

rate esplicitamente ebbero qualche effetto, ma ne ebbero molto meno delle pro-

babilità a priori causali statisticamente equivalenti. Il sistema 1 sa gestire bene le

storie i cui elementi sono legati causalmente, ma è debole nel ragionamento sta-

tistico. Per un logico bayesiano, naturalmente, le versioni sono equivalenti. Si sa-

rebbe tentati di dire che siamo giunti a una conclusione soddisfacente: le proba-

bilità a priori causali sono usate, mentre i dati meramente statistici sono trascu-

rati.

La psicologia si può insegnare?

I tassisti pazzi e l’esame incredibilmente difficile illustrano due inferenze che le

persone traggono da probabilità a priori causali: un tratto stereotipico viene attri-

buito a un individuo è una caratteristica importante della situazione in cui influi-

sce sul risultato di un individuo.

L’esperimento classico che descriverò a breve (Nisbett e Borgida) mostrerà come

le persone non traggano dalle probabilità a priori inferenze che entrino in conflitto

con le loro altre credenze. Insegnare psicologia è dunque una banale perdita di

tempo. Parliamo dell’”esperimento del soccorso”. I volontari parlano in cabine

singole, al microfono, di quella che fu la loro vita, a turno per circa due minuti.

ogni gruppo era composto da 6 persone, di cui un attore. L’attore parlava per

primo e seguendo un copione preparato dagli sperimentatori. Confessava di avere

fatto fatica ad adattarsi a New York e affermava di essere soggetto a crisi epiletti-

che, specie nei momenti di stress. Quando il microfono passò di nuovo a lui si-

mulò una crisi epilettica chiedendo aiuto, e a quel punto si accese il microfono del

volontario successivo non facendo più sentire nulla dell’attore.

Gli altri partecipanti all’esperimento sapevano che la persona stava avendo un at-

tacco epilettico e aveva chiesto aiuto. Però c’erano molte persone che in teoria

avevano sentito, quindi potevano starsene nella loro cabina. Il risultato? Solo 4

dei 15 volontari corsero in soccorso, 6 non uscirono dalla cabina, e 5 solo

dopo che la vittima era apparentemente soffocata. Gli individui si sentono solle-

vati dalle responsabilità quando sanno che anche altre persone hanno udito la ri-

chiesta d’aiuto.

Tutti noi pensiamo con ogni probabilità di essere brave persone e che aiute-

remmo gli altri in situazioni di questo tipo, così come pensiamo che gli altri fareb-

bero lo stesso. Beh, nemmeno le persone normali e rispettabili corrono a dare

aiuto al prossimo quando pensano che altri possano assumersi l’ingrato compito.

E tra questi potresti esserci anche tu.

La lezione che gli studenti dovrebbero imparare è che una caratteristica determi-

nante della situazione, come la diffusione della responsabilità, induce persone

normali a mostrarsi ben poco disposte a correre in aiuto al prossimo. Cambiare

idea sulla natura umana è difficile, cambiare idea su sé stessi ancora di più.

Per scoprire se le credenze dei volontari sarebbero cambiate veramente, mostrò

loro video di brevi interviste che dissero essere state fatte a due soggetti

dell’esperimento di NY. Erano brevi e neutre, e gli intervistati apparivano come

persone simpatiche, normali, rispettabili, che descrivevano i loro hobby, le loro

attività nel tempo libero. Dopo aver visto i video chiesero di indovinare chi fosse

corso in aiuto e chi no.

Per rispondere partiamo da ciò che avremmo affermato senza interviste: la pro-

babilità a priori. Solo 4 corsero in soccorso, quindi la probabilità che un soggetto

non identificato fosse corso in soccorso era del 27 percento. Quindi la credenza a

priori è che qualsiasi non identificato non sia andato in soccorso; la logica baye-

siana però dice di aggiustare il giudizio alla luce delle informazioni specifiche

sull’individuo. I video però erano appositamente non informativi, perciò ci si sa-

rebbe dovuti attenere alla probabilità a priori.

I gruppi erano due: al primo venne spiegato tutto, non i risultati, e la previsione

fu che entrambi erano andati in soccorso della vittima. Il secondo gruppo sapeva

anche i risultati, e la domanda è: hanno appreso dai risultati dell’esperimento

qualcosa che modificò il loro modo di pensare? La risposta è NO. Anche il secondo

gruppo affermò che entrambi erano corsi in soccorso.

Quando insegniamo come si comportano le persone nell’esperimento del soc-

corso, ci aspettiamo che gli studenti apprendano qualcosa che prima non sape-

vano, e cambino il loro modo di pensare rispetto al comportamento della gente in

determinate situazioni.

Analoghi risultati si ebbero in un’indagine in cui una leggera pressione sociale in-

duceva i soggetti ad accettare scariche elettriche più dolorose di quelle che cia-

scuno di noi (e non di loro) avrebbe pensato potessero sopportare. Gli studenti

che non cambiano idea sul potere della pressione sociale dopo un esperimento

del genere non hanno imparato niente di importante. I soggetti “tacitamente si

esonerano” dalle conclusioni degli studenti che li stupiscono.

Allora Nisbett e Borgida illustrarono un modo per far sì che gli studenti apprez-

zassero il senso dell’esperimento del soccorso. Scelsero un nuovo gruppo di stu-

denti e gli insegnarono la procedura dell’esperimento senza rivelare i risultati:

mostrarono i due video e dissero che i due non avevano aiutato lo sconosciuto,

quindi li invitarono a stimare i risultati globali. Le previsioni furono enormemente

precise. Per insegnare agli studenti una psicologia di cui non hanno nozione, biso-

gna stupirli, ma facendo attenzione a come. Quando viene mostrato un dato sta-

tistico non funziona, quando lo si fa attraverso la storia individuale di due brave

persone, immediatamente essi generalizzano e pensano che prestare soccorso è

più difficile di quanto pensassero.

“La riluttanza degli studenti a dedurre il particolare dal generale era pari solo alla

loro propensione a inferire il generale dal particolare.”

I casi individuali sorprendenti sono uno strumento più efficace (di quelli statistici)

per insegnare psicologia, perché l’incongruenza deve essere risolta e incorporate

in una storia causale. È più probabile che tu riesca a imparare qualcosa stupen-

doti del tuo stesso comportamento che udendo fatti sorprendenti sulla gente in

generale. Capitolo 17 “Regressione verso la media”

(Nell’insegnamento agli istruttori di volo della psicologia più efficace nell’adde-

stramento piloti).

Un principio importante nell’insegnamento di un mestiere è che l’uso delle ricom-

pense per aver migliorato qualcosa è più efficace dell’uso delle punizioni per aver

commesso un errore. Venne ribattuto che le ricompense non funzionano con gli

uomini: quando lodati fanno peggio, quando rimproverati fanno meglio.

A questo punto divenne chiaro un principio statistico che dallo stesso Kahneman

era insegnato da anni. Le occasioni in cui si effettuava il rimprovero erano seguite

da miglioramenti, quelle in cui si effettuava un elogio da peggioramenti. Quello

che era sbagliato era la motivazione: era stata osservata, nell’obiezione, la “re-

gressione verso la media”, che in quel caso era dovuta a fluttuazioni casuali

nella performance. L’ufficiale era solito lodare un allievo pilota solo quando la sua

performance era superiore alla media, ma con tutta probabilità la performance

era riuscita solo per fortuna, quindi mostrava un peggioramento in seguito. Ana-

logamente rimproverava solo quando una performance faceva particolarmente

schifo, quindi si mostrava tendenza a migliorare indipendentemente dai rimpro-

veri.

Es. Gessetto per disegnare un bersaglio sul pavimento. Richiesta di lanciare una

dietro l’altra due monete in direzione del bersaglio. Distanze delle monete dal

bersaglio annotate e poi riscritti i risultati di ogni concorrente in ordine di miglio-

ramento/peggioramento rispetto al primo tiro. Quasi (non tutti) coloro che ave-

vano fatto un buon risultato la prima volta avevano fatto peggio alla seconda, e

viceversa. Stessa cosa dei piloti in addestramento nel tempo: chi fa benissimo

tende a peggiorare, chi fa malissimo a migliorare.

Il feedback della vita è perverso: tendiamo a essere buoni con gli altri quando ci

sono simpatici, cattivi quando non lo sono. Siamo statisticamente ricompensati

per essere cattivi, puniti per essere buoni.

Talento e fortuna

Equazione preferita? Successo = talento + fortuna. Grande successo = un po’ più

di talento + un sacco di fortuna.

Es. Applichiamo la possibilità che la fortuna possa contribuire al successo, ai

primi due giorni di un torneo di golf di alto livello. Lo score medio dei giocatori è

stato 72 per entrambi i giorni. Un giocatore che ha registrato ottimi risultati il

primo giorno ha chiuso con 66. Se si accetta che talento e fortuna generino il

successo, si può dire che il giocatore è stato molto bravo e molto fortunato.

Allo stesso modo, un giocatore che lo stesso giorno ha registrato uno score di 5

sopra il par sarà sia piuttosto scarso sia piuttosto sfortunato. Né l’una né l’altra

inferenza sono sicure, ma entrambe risulteranno statisticamente più corrette che

errate.

Ora supponiamo di conoscere lo score di un golfista il primo giorno e ci chiedano

di predire quello del giorno seguente. Immaginiamo che egli conservi lo stesso

grado di talento, così la stima sarà “sopra la media” per il primo giocatore, “sotto

la media” il secondo. La fortuna però è un altro discorso, poiché non abbiamo

modo di prevederla, e la nostra stima dev’essere per forza nella media. Ciò signi-

fica che la nostra stima sarà che il secondo giorno non dovrebbe ripetersi lo score

del primo.

Il giocatore che è andato bene il primo giorno andrà bene, ma peggiorerà, perché

difficilmente si ripeterà la fortuna che probabilmente ha avuto.

Il giocatore che è andato male il primo giorno probabilmente andrà male, ma mi-

gliorerà, perché difficilmente si ripeterà la sfortuna che probabilmente ha avuto.

Ci aspettiamo anche che la differenza tra i due diminuisca, anche se il primo re-

sterà sempre con un punteggio superiore al secondo. Per questo il modello è

chiamato di regressione verso la media. Più è estremo il punteggio originale, più

regressione ci aspettiamo, perché un punteggio eccezionalmente buono fa pen-

sare a una giornata molto fortunata.

Ora proviamo ad invertire il tempo. Disponiamo i golfisti in base alle prestazioni

del secondo giorno e guardiamo a quella del primo. Scopriremo lo stesso modello

di regressione verso la media. I giocatori con uno score migliore il secondo giorno

probabilmente avranno avuto più fortuna quel giorno, quindi l’ipotesi è che siano

stati meno fortunati il giorno prima. Il fatto che si osservi la regressione quando

si predice un evento precedente in base a quello successivo ci dovrebbe convin-

cere a comprendere che il fenomeno non ha una spiegazione causale.

Gli effetti della regressione sono ubiqui e altrettanto lo sono le storie causali fuor-

vianti che dovrebbero spiegarli.

Es. Sfiga di Sport Illustrated, in base alla quale un atleta che finisce in copertina

nella rivista sarebbe destinato a fare schifo la stagione successiva; la spiegazione

è l’eccessiva fiducia in sé, l’ansia di dover soddisfare grandi aspettative. Ma più

razionalmente, se un atleta finisce in copertina di Sport Illustrated, sicuramente

ha fatto cose eccezionali la stagione precedente, e si sa, la fortuna è volubile.

Es. Salto con gli sci maschile alle Olimpiadi invernali. Commenti del telecronista

prima del secondo salto: “Ha fatto uno strepitoso primo salto e sarà teso, pen-

serà solo a proteggere il vantaggio e farà peggio”, oppure, “Ha fatto un primo

salto brutto, ora non ha niente da perdere e potrà fare meglio”. La regressione

verso la media è notata ma inventato una storia di cui non esistevano prove.

Il principio da ricordare è che non occorre una spiegazione causale per la diffe-

renza tra il primo e il secondo salto, essa è una conseguenza matematicamente

inevitabile del fatto che la fortuna ha avuto un ruolo nel primo salto. Non è una

storia soddisfacente, preferiremmo tutti una relazione causale, ma è l’unica che

c’è.

Capire la regressione

Il fenomeno della regressione è strano per la mente umana. È così strano che fu

riconosciuto e compreso per la prima volta 200 anni dopo la gravitazione univer-

sale e il calcolo differenziale. La regressione verso la media fu scoperta e battez-

zata a fine 1800 da Galton, erudito cugino di Darwin. “Risultava che i semi figli

non tendevano ad avere dimensioni simili a quelle dei genitori, ma più mediocri:

più piccoli con genitori grandi, più grandi con genitori piccoli.” A essere degno di

nota è che si meravigliasse di una regolarità non meno comune dell’aria che re-

spiriamo.

Es. Supponiamo che siano misurati il peso corporeo e l’abilità nel suonare il piano

di tutti i bambini di tutte le classi di una scuola elementare, e che siano classifi-

cati in ordine decrescente per ciascuna misura. 3° classificata nel suonare il piano

e 27° nel peso corporeo: più brava a studiare il piano che alta di statura. Assunto

che:

- L’abilità nel suonare il piano dipende solo dalle ore quotidiane di esercizio

- Il peso corporeo dipende solo dal consumo di gelati

- Il consumo di gelati e le ore quotidiane di esercizio al piano non sono correlati.

Possiamo elaborare alcune equazioni:

1. Peso corporeo = età + consumo di gelato

2. Abilità nel piano = età + ore di esercizio quotidiano

Vi è regressione verso la media quando prevediamo l’abilità nel suonare il piano

in base al peso corporeo, e viceversa. Tom è 12° al peso corporeo (molto sopra la

media) e possiamo quindi dire che mangia molto gelato ed è più grande degli altri

bambini. Barbara è 85° a suonare il piano (molto sotto la media) e quindi pos-

siamo dire che sia piccola e si eserciti meno degli altri bambini.

Il coefficiente di correlazione tra due misure, che varia da 0 a 1, è una misura

del peso relativo dei fattori che condividono.

1. La correlazione tra le dimensioni di oggetti misurati con precisione tra sistema

metrico e misure inglesi è 1. Qualunque fattore influenzi una misura influenza

anche l’altra; 100% dei determinanti condiviso.

2. La correlazione tra altezza e peso dei maschi adulti americani è 0,41%. Se si

includessero anche donne e bambini sarebbe molto superiore perché genere

ed età degli individui influenzano molto altezza e peso, accrescendo il peso re-

lativo dei fattori condivisi.

3. La correlazione tra i punteggi del test di valutazione per le università ameri-

cane e la media finale dei voti dell’università è 0,60. Ma la correlazione tra i

test attitudinali e il successo all’università è molto più bassa, perché l’attitu-

dine misurata varia poco in questo gruppo selezionato.

4. La correlazione tra reddito e livello di istruzione negli USA è 0,40.

5. La correlazione tra il reddito di famiglia e le ultime quattro cifre del numero di

telefono è 0.

Correlazione e regressione non sono due concetti, ma due modi di vedere lo

stesso concetto. Ogni volta che la correlazione tra due punteggi è imperfetta, si

ha regressione verso la media.

“Donne molto intelligenti tendono a sposare uomini meno intelligenti di loro.”

Alcuni penseranno che le donne intelligenti vogliano evitare la competizione di

uomini altrettanto intelligenti, o che siano state costrette a fare un compromesso

nella scelta del coniuge perché gli uomini intelligenti non vogliono competere con

le donne intelligenti.

“La correlazione tra i gradi di intelligenza dei coniugi è imperfetta.”

L’enunciato è palesemente vero e per niente interessante. Chi si aspetterebbe

mai che sia una correlazione perfetta? Ma l’affermazione che abbiamo trovato in-

teressante (donne che sposano uomini meno intelligenti) e questa sono algebri-

camente equivalenti. Se la correlazione tra l’intelligenza dei coniugi è imperfetta

(e se uomini e donne in media non differiscono per grado di intelligenza) è mate-

maticamente inevitabile che le donne molto intelligenti sposino uomini meno in-

telligenti di loro (e viceversa). La regressione verso la media che si osserva non

può essere più interessante o più vera della correlazione imperfetta.

Se in una causa civile o penale saltasse fuori la regressione, la parte che dovesse

spiegarlo alla giuria probabilmente perderebbe il processo. Come mai è tanto dif-

ficile? La nostra mente è fortemente incline alle spiegazioni causali e non sa ge-

stire bene i meri dati statistici. Quando un evento attira la nostra attenzione, la

memoria associativa ne cerca la causa, o meglio, l’attivazione si trasmette auto-

maticamente a qualunque causa sia già immagazzinata in memoria. Quando si ri-

vela la regressione si evocano spiegazioni causali che però si rivelano sbagliate,

perché la verità è che la regressione verso la media ha una spiegazione,

ma non una causa. L’evento che attira la nostra attenzione al torneo di golf è il

frequente peggioramento dei golfisti che il giorno prima avevano fatto molto

bene. La spiegazione è che quei giocatori abbiano avuto grande fortuna all’inizio,

ma non ha la forza causale che la nostra mente predilige. Anzi, noi paghiamo

profumatamente persone perché diano spiegazioni agli effetti di regressione.

“L’economia è andata meglio quest’anno perché era andata male l’anno scorso.”

Le nostre difficoltà con il concetto di regressione verso la media sono originarie

sia del sistema 1 chele sistema 2. Senza istruzioni speciali, e in molti casi anche

dopo istruzioni statistiche, la relazione tra correlazione e regressione rimane

oscura. Il sistema 2 trova difficile capire e imparare assieme. Questo è dovuto in

parte alla richiesta insistente di interpretazioni causali, che è una caratteristica

del sistema 1.

Es. I bambini depressi cui viene somministrata con regolarità una bibita energe-

tica migliorano sensibilmente in un periodo di tre mesi.

Questo titolo è inventato, ma il dato riportato è vero. Se in un certo lasso di

tempo si somministrasse con regolarità una bibita energetica ad un gruppo di

bambini depressi, questi mostrerebbero un miglioramento clinicamente significa-

tivo. È vero che mostrano miglioramenti anche i bambini che passano tempo a

testa in giù e piedi in aria, o tengono un gatto in braccio 20 minuti al giorno.

La maggior parte delle persone dedurrà che la ragione del miglioramento è la bi-

bita, o il gatto, ma è una conclusione ingiustificata. I bambini depressi sono un

gruppo estremo, perché sono più depressi della maggior parte degli altri bambini,

e i gruppi estremi regrediscono verso la media nel corso del tempo. I bambini de-

pressi migliorerebbero anche senza Red Bull e gatti. Per concludere in merito ad

un effetti terapeutico della Red Bull ci sarebbe bisogno di un esperimento clinico,

per cui un ad un gruppo viene somministrata la presunta cura, ad un altro gruppo

un placebo, e si osserva come il gruppo senza effettiva cura dovrebbe migliorare

solo per regressione verso la media, e bisognerebbe determinare se chi è trattato

con la cura migliora di più del miglioramento naturale della regressione verso la

media.

Es. Sei un esperto in previsioni di vendita in una catena di grandi magazzini. Tutti

hanno dimensioni e prodotti analoghi, ma le vendite differiscono per affitti, ven-

dite e fattori casuali. Ti vengono forniti i dati del 2011 e ti si chiede di prevedere

quelle del 2012. Ti hanno ordinato di considerare valida la previsione generale

degli economisti, per cui le vendite aumenteranno nel complesso del 10%. Com-

pleta la tabella.

Le previsioni devono essere regressive. Quindi bisognerà aggiungere più del 10%

ai negozi che hanno guadagnato poco e aggiungere meno (o anche sottrarre) a

quelli che hanno guadagnato di più.

Capitolo 18 “Correggere le predizioni intuitive”

Abbiamo un sacco di occasioni per fare pronostici. Gli economisti l’inflazione e la

disoccupazione, gli analisti finanziari i guadagni, gli esperti militari le vittime, ecc.

Alcuni giudizi predittivi, come quelli degli ingegneri, fanno in gran parte affida-

mento su tabelle di ricerca, calcoli precisi, analisi dettagliate dei risultati osservati

in occasioni analoghe. Altri si affidano al sistema 1, secondo due principali moda-

lità.

- Alcune intuizioni attingono soprattutto all’abilità e alla competenza acquisita at-

traverso l’esperienza ripetuta. Le valutazioni e le scelte rapide di campioni di

scacchi, comandanti dei vigili del fuoco, medici, illustrano queste intuizioni

esperte, in cui una soluzione al problema del momento viene in mente in fretta

per il riconoscimento di indizi familiari.

- Altre intuizioni nascono dalle operazioni euristiche che spesso sostituiscono con

un quesito facile quello più difficile che è stato posto al soggetto. I giudizi intui-

tivi sono formulati con grande sicurezza anche quando si basano su valutazioni

non regressive poco corroborate da prove. Naturalmente molti giudizi, specie in

campo professionale, sono influenzati da una combinazione di analisi e intui-

zione.

Intuizioni non regressive

Es. Julie frequenta attualmente l’ultimo anno di un’università statale. Da bambina

imparò a leggere speditamente già a 4 anni. Qual è la sua media finale dei voti

all’università?

Per rispondere alla domanda si attivano diverse operazioni del sistema 1:

- Ricerca di un nesso causale tra le prove a nostra disposizione (precoce abilità di

lettura) e bersaglio della predizione (media finale). Il nesso è indiretto: sia la

precoce abilità di leggere che un’alta media indicano attitudine allo studio. Un

nesso deve esserci: noi (il sistema 2) probabilmente scarteremmo la notizia se-

condo cui Julie avrebbe vinto una gara di pesca o avrebbe brillato nel solleva-

mento pesi, perché giudicheremmo ciò irrilevante.

Siamo in grado di rifiutare info che giudichiamo irrilevanti o false, ma correg-

gere piccole lacune non è qualcosa che può fare il sistema 1. Quindi le previ-

sioni immediate sono del tutto insensibili alla reale qualità predittiva delle

prove. Quando c’è un nesso si ricorre al WYSIATI: la nostra memoria associa-

tiva costruisce subito la migliore storia possibile partendo dalle informazioni di-

sponibili.

- Dopo le prove vengono valutate in relazione con la norma pertinente. Quanto è

precoce un bambino che legge speditamente a 4 anni? Quale rango relativo o

punti percentili corrispondono a questa abilità? Il gruppo con cui la bambina è

confrontata (gruppo di riferimento) non è ben specificato, ma questa è la

norma.

- Il passo successivo è la sostituzione e il marchingegno di intensità. La valuta-

zione delle deboli prove di abilità cognitiva nell’infanzia va a sostituire la rispo-

sta alla domanda sulla media dei voti al college. A Julie vengono assegnati gli

stessi punti percentuali per la media finale dei voti e per le imprese di lettrice

precoce.

- Un’altra operazione di matching è necessaria, perché bisogna passare dall’im-

pressione generale dei successi accademici di Julie a una media voto che corri-

sponda alle prove del suo talento. L’impressione deve quindi essere tradotta in

un numero.

Il matching di intensità induce i soggetti a fornire la stessa risposta a due quesiti

alquanto diversi:

- Quanto vale, in punti percentili, la precocità di Julie nel leggere?

- Quanto vale, in punti percentili, la media voto di Julie?

Tutto è parte del sistema 1, e nonostante l’elenco, tutto è estremamente rapido e

volto alla ricerca della soluzione più coerente.

Es. Giudicare i profili di 8 matricole universitarie, presumibilmente scritti da uno

psicologo sulla base di colloqui con una nuova classe di studenti. Ogni descrizione

era fatta da 5 aggettivi, come questa: Intelligente, sicuro di sé, istruito, tenace,

curioso. I volontari dovevano rispondere a due domande:

• Quanto pensi che sia connessa, questa descrizione, con il successo del soggetto

negli studi?

• In percentuale, quante altre descrizioni di matricole pensi ti farebbero miglior

effetto?

Le domande impongono di valutare le prove confrontando la descrizione con

quella che riteniamo essere la norma delle descrizioni di studenti fatte dagli psi-

cologi. Benché non sappiamo come abbiamo acquisito questa norma, abbiamo

un’impressione abbastanza definita del grado di entusiasmo che lo psicologo

vuole trasmettere: lo studente è bravo, non eccezionale. È intelligente (non bril-

lante, né creativo), è istruito (non colto o erudito o straordinariamente infor-

mato), tenace (non appassionato o perfezionato). Molto probabilmente rientra nel

primo 15 percento degli studenti, ma non nel primo 3 percento.

Ad altri partecipanti venne chiesto invece:

1. Secondo te, quale media finale otterrà lo studente?

2. Qual è la percentuale di matricole che ottengono la media voto più alta?

Diversamente dalla prima serie di quesiti che invitava solo a valutare le prove,

qui c’è un certo grado di incertezza. La prima domanda fa riferimento al rendi-

mento concreto della matricola a fine anno accademico, senza considerare tutto

ciò che sarebbe potuto accadere nell’anno.

Benché le due serie di domande fossero differenti, i soggetti le hanno trattate

come se fossero state identiche. Come per Julie, la previsione del futuro non si

distingue dalla valutazione delle prove disponibili: la previsione completa è la va-

lutazione.

È forse la dimostrazione migliore della sostituzione. Ai volontari si chiede una

previsione, essi sostituiscono a questa una valutazione delle prove, generando

previsioni sistematicamente distorte.

Es. Durante il militare nell’esercito israeliano di Kahneman fu assegnato ad

un’unità che selezionava i candidati all’addestramento ufficiali sulla base di collo-

qui e prove. Il criterio era il voto finale che sarebbe stato assegnato al cadetto al

termine della scuola ufficiali. Anni dopo Kahneman chiese un favore agli ufficiali,

ovvero di dare lui oltre al consueto metodo di assegnazione dei voti ai candidati,

anche la migliore stima del voto che ogni futuro cadetto avrebbe avuto alla

scuola ufficiali. Gli ufficiali conoscevano i calcoli scolastici e le percentuali di voti

A, B, ecc. I risultati furono sorprendenti: la frequenza delle A e B nelle previsioni

era quasi identica a quella di tali lettere nelle stime sui voti finali della scuola. Gli

ufficiali non distinsero i due compiti:

- Valutare le performance dei candidati di stanza presso l’unità

- Prevedere concretamente il voto futuro dei candidati.

Avevano solo tradotto i loro voti sulla scala usata alla scuola ufficiali, ricorrendo

al marchingegno d’intensità. L’incapacità di affrontare la notevole incertezza delle

previsioni li aveva indotti a previsioni per niente regressive.

Una correzione delle previsioni intuitive

Torniamo a Julie. Il modo corretto di predire la sua media voto è stato illustrato

nel precedente capitolo. Come per i golfisti, scrivo la formula schematica dei fat-

tori che determinano l’età in cui si comincia a leggere e i voti all’università: Età in

cui si comincia a leggere = fattori condivisi + fattori specifici dell’età per leggere

= 100 percento.

Media voto finale= fattori condivisi + fattori specifici della media voto finale =

100 percento.

I fattori condivisi sono le attitudini geneticamente determinate, il sostegno della

famiglia, qualsiasi cosa porti gli individui a leggere più o meno precocemente e

giovani adulti con brillanti risultati all’università. La correlazione tra due misure -

età in cui si comincia a leggere e media finale all’università - è pari alla percen-

tuale di fattori condivisi dei loro determinanti. L’ipotesi più ottimistica è del 30

percento. Abbiamo tutti gli elementi per creare una stima non distorta.

1. Stima della media finale media all’università (condizioni di base, elementi che

avremmo predetto senza sapere niente di Julie, ovvero la media voto che si ha

in media)

2. Determinazione della media finale che corrisponde all’impressione ricavata

dalle prove (predizione intuitiva che corrisponde alla valutazione delle prove)

3. Valutazione della correlazione tra le prove e la media finale (spostamento dalle

condizioni di base verso l’intuizione, distanza dipendente dalla stima della cor-

relazione)

4. Se la correlazione è 0.30 sposta il 30 per cento della distanza dalla media

verso la corrispondente media voto finale (predizione influenzata dall’intui-

zione ma più moderata).

Il metodo si basa sull’intuizione ma la modera, facendola regredire verso la me-

dia. Quando hai buoni motivi di fidarti dell’esattezza della tua predizione intuitiva,

l’aggiustamento sarà piccolo. Le predizioni intuitive devono essere corrette per-

ché non sono corrette e quindi sono distorte.

Se si usano i successi dell’infanzia per predire i voti dell’università senza far re-

gredire le proprie predizioni verso la media, si rimarrà spesso e volentieri delusi

dai risultati accademici dei ragazzi più precoci, e piacevolmente sorpresi da quelli

dei ragazzi leggermente più in ritardo.

Una difesa delle predizioni estreme?

Il problema di Tom W. per illustrare le predizioni di risultati discreti come una fa-

coltà universitaria o il successo in un esame, espressi assegnando una probabilità

ad un evento specifico. È stata anche descritta una procedura volta a contrastare

i comuni bias di predizione discreta, che sono la disattenzione per le probabilità a

priori e l’insensibilità per la qualità delle informazioni.

I bias delle predizioni espresse su una scala (come la media voto) sono simili a

quelli della probabilità dei risultati. Anche le procedure correttive sono simili:

- Entrambe contengono una predizione delle condizioni di base, che faremmo se

non sapessimo niente del caso in questione. Nel caso della categoria la probabi-

lità a priori, nel caso numerico il risultato medio della categoria pertinente.

- Entrambe consentono una predizione intuitiva, che esprime il numero che ci

viene in mente, sia esso una probabilità o una media voto finale.

- In entrambi i casi si punta a una predizione intermedia tra le condizioni di base

e la nostra risposta intermedia.

- Nel caso di default in cui non vi sia prova utile ci si attiene alle condizioni di

base.

- Anche all’estremo opposto ci si attiene alla predizione iniziale. Questo accadrà

naturalmente solo se continueremo a nutrire totale fiducia nelle nostre predi-

zioni iniziali dopo un’analisi critica delle prove che le giustificano.

- Nella maggior parte dei casi si trova qualche ragione di dubitare che la correla-

zione tra il nostro giudizio intuitivo e la verità sia perfetta, e si finisce in una

zona tra i due poli.

Le due procedure hanno lo scopo di contrastare lo stesso bias: le predizioni intui-

tive tendono ad essere troppo sicure e troppo estreme. Correggerle è un compito

del sistema 2, ed occorrono notevoli sforzi per trovare la categoria di riferimento

pertinente, stimare la predizione di base e valutare la qualità delle prove. Correg-

gere le proprie intuizioni può complicarci la vita. Una caratteristica delle predi-

zioni non distorte è che permettono di prevedere eventi rari ed estremi solo con

informazioni ottime.

Se le predizioni sono libere da bias, non avremo la gratificante sensazione di indi-

viduare correttamente un caso estremo. La mancanza di bias non è sempre la

cosa più importante.

Vi sono situazioni in cui un tipo di errore è molto peggiore di un altro. Quando un

investitore in capitale di rischio cerca il grande affare del futuro, il pericolo di per-

dersi il Facebook o Google di domani è maggiore rispetto a quello di fare un mo-

desto investimento in una start-up che alla fine fallisce. Lo scopo è individuare

correttamente i casi estremi, anche a costo di sovrastimare le prospettive di

molte altre imprese. Per un banchiere conservatore che concede prestiti ingenti, il

rischio di un singolo cliente che va in bancarotta dopo aver ricevuto un grosso

prestito forse pesa più del rischio di negare un prestito a parecchi potenziali

clienti che adempirebbero ai loro obblighi.

Per una persona razionale, le predizioni imparziali e moderate non dovrebbero

rappresentare un problema; dopotutto, l’investitore razionale in capitale di rischio

sa che anche le più promettenti start-up hanno solo una probabilità moderata di

successo. Una persona razionale investirà una somma ingente in un’impresa ad

alto rischio se giudicherà i vantaggi di un eventuale successo sufficientemente

considerevoli, senza con questo farsi troppe illusioni in merito alle probabilità di

riuscita. Se scegliamo di illuderci accettando predizioni estreme, sarà meglio ren-

derci bene conto della nostra autoindulgenza. Il contributo già prezioso delle pro-

cedure correttive che si propongono in questo testo è che ci impongono di riflet-

tere su quanto sappiamo.

Es. Un dipartimento universitario sta per assumere un giovane professore e vuole

scegliere quello più promettente sotto il profilo della produttività scientifica. La

commissione è arrivata a due candidate:

- Kim ha portato a termine il suo lavoro di specializzazione. Le sue credenziali

sono eccellenti e nei colloqui è stata molto brillante e ha colpito tutti. Non ha

un sostanzioso curriculum di produttività scientifica.

- Jane è reduce da un incarico postdottorale di 3 anni. È stata molto produttiva

ed il suo curriculum di ricerca è eccellente, me è un’oratrice meno brava di Kim

e nei colloqui si è dimostrata meno brillante.

La scelta intuitiva dice Kim, perché affascina di più la commissione, e WYSIATI

colpisce ancora. Tutta via vi sono molte meno informazioni su Kim che su Jane.

Ecco che torniamo alla legge dei piccoli numeri. Di fatto si hanno meno informa-

zioni su Kim che su Jane, ed è molto più probabile che si osservino risultati

estremi in campioni piccoli. La predizione del rendimento di Kim dovrebbe regre-

dire maggiormente verso la media. Tenendo conto del fatto che Kim regredirà più

di Jane, si finirà per selezionare Jane anche se ha impressionato meno la com-

missione. Nel contesto delle scelte accademiche io voterei Jane ma dovrei fare

violenza a me stesso per vincere la migliore impressione intuitiva di Kim.

Si possono facilmente immaginare i problemi analoghi in contesti differenti, come

un investitore in capitale di rischio che deve scegliere se investire in una o in

un’altra start-up, entrambe con mercati e prodotti diversi. Una start-up ha un

prodotto la cui domanda si può stimare con buona precisione, l’altra è più entu-

siasmante e a prima vista appare più promettente anche se con meno prospet-

tive. Valutare la migliore stima della seconda start-up dopo aver incluso anche il

rischio è difficile, richiede un’attenta considerazione.

Una visione bisistemica della regressione

La predizione estrema e la tendenza a predire eventi rari in base a prove deboli

sono manifestazioni del sistema 1. È naturale per i meccanismi associativi fare

corrispondere il carattere estremo delle predizioni al carattere estremo delle

prove su cui esse si basano: così funziona la sostituzione. La tua intuizione farà

previsioni troppo estreme e sarai incline a riporvi troppa fiducia.

La regressione però è un problema anche del sistema 2. L’idea stessa di regres-

sione verso la media è straniante e difficile da comunicare come comprendere. Il

sistema 2 ha bisogno di speciale addestramento; collegare le predizioni alle prove

non è solo una cosa che facciamo istintivamente, ma anche una prassi ragione-

vole. Anche quando si identifica una regressione, di essa si dà un’interpretazione

causale quasi sempre sbagliata.

Capitolo 25 “Gli errori di Bernoulli”

Per uno psicologo è ovvio che le persone non sono né razionali né del tutto egoi-

ste, e che i loro gusti sono tutto fuorché stabili. Psicologia ed economia sembra-

vano studiare due specie diverse, “gli Econ” e “gli Umani”. Gli Umani hanno un si-

stema 1, hanno una visione del mondo limitata dalle informazioni disponibili in

quel momento (WYSIATI) e quindi non possono essere logici e coerenti come gli

Econ. Kahneman apprese che il tema del suo studio con il collega sarebbero stati

gli atteggiamenti della gente verso le opzioni di rischio e che avrebbero cercato di

rispondere ad un interrogativo: quali regole governano le scelte delle persone

quando devono decidere tra vari tipi di azzardi semplici e tra azzardi e cose si-

cure?

Le scelte sugli azzardi (per gli studiosi del processo decisionale) costituiscono un

semplice modello che ha alcune importanti caratteristiche in comune con i pro-

cessi decisionali più complessi, di cui i ricercatori cercano di capire la dinamica.

Gli azzardi rappresentano il fatto che le scelte non sono mai certe. Anche i risul-

tati apparentemente sicuri sono incerti: quando si firma un accordo per acqui-

stare una casa non si sa a quale prezzo si potrà eventualmente rivendere, né se il

figlio del vicino comincerà a suonare il clarinetto 24/7.

Esisteva una teoria, la teoria dell’utilità attesa, che era alla base dell’agente

razionale e che è ancora oggi la più importante teoria delle scienze sociali. Non si

proponeva come modello psicologico, ma come logica della scelta basata su ele-

mentari regole (assiomi) di razionalità.

Es. Se preferiamo una mela a una banana, allora preferiremo anche un 10 per-

cento di probabilità di vincere una mela a un 10 percento di probabilità di vincere

una banana.

Mela e banana rappresentanti qualsiasi oggetto di scelta (comprese le opzioni di

rischio), e il 10 percento qualsiasi altra probabilità. Gli economisti adottarono la

teoria dell’utilità attesa facendole assolvere un duplice ruolo: quello di logica che

prescrive come debbano essere prese le decisioni, quello di descrizione di come

gli Econ compiano le loro scelte. Kahneman e socio (Amos) però volevano capire

come gli Umani operassero in concreto le loro scelte rischiose, senza fare alcuna

assunzione in merito alla loro razionalità.

Il processo fu di inventare semplici problemi decisionali e chiedersi in che modo

avrebbero scelto.

Es. Che cosa preferite?

1. Lanciare una moneta: se viene testa 100 dollari, se viene croce niente.

2. Ricevere sicuramente 46 dollari.

Volevamo solo scoprire quale fosse la scelta intuitiva quella istantaneamente al-

lettante. Scelsero quasi sempre la stessa opzione, la cosa sicura. Quando erano

d’accordo ritenevano che fosse così per la maggior parte della gente (consapevoli

che tutto sarebbe dovuto essere provato). La teoria (Prospect theory) era mo-

dellata sulla falsariga della teoria dell’utilità attesa, ma in modello era puramente

descrittivo e con lo scopo di documentare e spiegare le sistematiche violazioni

degli assiomi della razionalità nella scelta tra opzioni di rischio. La prospect

theory si rivelò il loro lavoro più importante.

Fechner (1800) si proponeva di scoprire leggi psicofisiche che collegano la quan-

tità soggettiva nella mente dell’osservatore con la quantità oggettiva nel mondo

materiale.

L’errore di Bernoulli

Come Fechner sapeva bene, non era stato lui il primo a cercare una funzione che

collegasse l’intensità psicologica e la grandezza fisica dello stimolo. Bernoulli

(1700) aveva anticipato il suo ragionamento applicandolo alla relazione tra il va-

lore psicologico o la desiderabilità del denaro (oggi detta utilità) e la quantità

concreta di denaro. Sosteneva come un dono di 10 ducati avesse per una per-

sona già in possesso di 100 ducati la stessa utilità di un dono di 20 ducati per

una che ne possedesse 200. Noi di norma parliamo delle variazioni di reddito in

percentuali, come quando diciamo “ha avuto un aumento del 30 percento”. L’idea

è che un aumento del 30 percento induca una reazione psicologica abbastanza si-

mile in ricchi e poveri, cosa che un aumento di 100 dollari non farebbe.

Bernoulli attesi alla sua intuizione psicologica sull’utilità della ricchezza per pro-

porre un metodo radicalmente nuovo di valutare gli azzardi, un argomento impor-

tante per i matematici della sua epoca. Prima di lui i matematici avevano assunto

che le opzioni di rischio fossero valutate in base al valore atteso, una media pon-

derata dei possibili risultati dove ciascun risultato è ponderato in base alla sua

probabilità.

Es. il valore di: l’80% di probabilità di vincere 100 dollari e il 20% di vincerne 10

è 82 dollari (0,8 x 100 + 0,2 x 10).

Preferiresti questa opzione di rischio o 80 dollari sicuri? Quasi tutti preferiscono

l’opzione sicura. Se le persone valutassero le prospettive incerte in base al loro

valore atteso, sceglierebbero di scommettere, perché 82 dollari sono più di 80.

Bernoulli sottolineò che la gente in realtà non valuta le opzioni di rischio in questo

modo. Le persone infatti detestano generalmente il rischio, e se viene loro offerta

la scelta tra una scommessa ed una somma uguale al suo valore atteso, scelgono

la certezza. Un decisore avverso al rischio sceglierà una cosa sicura che è infe-

riore al valore atteso, pagando un premio per evitare l’incertezza.

Le scelte della gente non si basano su valori in dollari, ma sui valori psicologici

dei risultati, le loro utilità. Il valore psicologico di un azzardo è la media delle uti-

lità dei risultati, ciascuna ponderata in base alla probabilità.

Es. aggiungere 1 milione di dollari a chi ne ha 1 dà un incremento di 20 punti di

utilità, aggiungere 1 milione a chi ne ha 9 dà un incremento di soli 4 punti di uti-

lità.

Es. uguale probabilità di avere 1 o 7 milioni -> utilità (10+82):2=47

oppure avere sicuramente 4 milioni -> utilità 60

Il valore atteso dell’azzardo e la cosa sicura sono uguali sotto il profilo del denaro

(4 milioni), ma le utilità psicologiche delle due cifre sono diverse, a causa dell’uti-

lità decrescente della ricchezza: l’incremento da 1 a 4 milioni è 50 unità, ma lo

stesso da 4 a 7 milioni accresce l’utilità della ricchezza di sole 24 unità.

Bernoulli applicò il suo nuovo concetto di utilità attesa (che definì aspettativa

morale) per calcolare quanto sarebbe stato disposto a pagare un mercante di

Pietroburgo per assicurare una spedizione di spezie da Amsterdam se fosse stato

ben consapevole che quell’epoca dell’anno 5 navi su 100 di quelle che facevano

Amsterdam-Pietroburgo andavano perse.

La sua funzione di utilità spiega perché i più poveri contraggano polizze assicura-

tive e perché i più ricchi le vendano loro. Come si vede nella tabella, la perdita di

un milione causa una perdita di 4 unità (da 100 a 96) a chi possiede 10 milioni, e

una perdita di 18 punti (da 48 a 30) per chi possiede 3 milioni. L’uomo più povero

sarà lieto di pagare un premio per trasferire il rischio al più ricco.

Bernoulli propose anche una soluzione del “paradosso di Pietroburgo”, in cui ai

soggetti cui viene offerto un azzardo che ha valore atteso infinito (in denaro)

sono disposti a spendere solo pochi soldi per esso.

Alla base della teoria di Bernoulli c’è un grave errore. Lo scenario è il seguente:

Jack e Jill hanno ciascuno una ricchezza di 5 milioni. Ieri Jack aveva 1 milione e

Jill ne aveva 9. Sono felici uguale? (Hanno la stessa utilità?)

Jack e Jill hanno la stessa ricchezza, quindi in teoria dovrebbero essere ugual-

mente felici, ma non occorre una laurea in psicologia per capire che oggi Jack è

euforico mentre Jill è avvilita. Anzi, sappiamo che Jack sarebbe molto più felice di

Jill se oggi avesse anche solo 2 milioni e lei ne avesse 5. Dunque la teoria di Ber-

noulli deve essere errata.

La felicità che Jack e Jill sperimentano è determinata dalla recente variazione

della loro ricchezza rispetto ai distinti stati di ricchezza che definiscono il punto di

riferimento (1 per Jack, 9 per Jill). Questa dipendenza dal riferimento è ubiqua

nella sensazione e nella percezione.

Per prevedere l’esperienza soggettiva della sensazione sonora, non basta cono-

scere l’energia assoluta del suono, ma bisogna sapere anche il suono di riferi-

mento con il quale è automaticamente confrontato. Bisogna essere informati sullo

sfondo prima di poter predire se una macchina grigia sulla pagina apparirà scura

o chiara.

Es. L’attuale ricchezza di Anthony è 1 milione.

L’attuale ricchezza di Betty è 4 milioni.

Ad entrambi viene offerta la scelta tra un azzardo e una cosa sicura. Azzardo =

uguale probabilità di finire per possedere 1 milione o 4 milioni. Cosa sicura =

possedere sicuramente 2 milioni.

La loro ricchezza sarà attesa sarà di 2.5 milioni se accettano l’opzione di rischio e

2 milioni se preferiranno quella sicura. Bernoulli si aspetta quindi che facciano la

stessa scelta, ma non è la previsione corretta. La teoria si rivela difettosa perché

non tiene conto dei punti di riferimento differenti da cui Anthony e Betty vedano

la cosa. Se ci mettiamo nei loro panni la loro attuale ricchezza è fondamentale.

Anthony possiede attualmente 1 milione. Se prende la sicura raddoppia, se ri-

schia ha pari probabilità di quadruplicare la sua ricchezza o non guadagnare

niente.

Betty possiede 4 milioni. Se prende la sicura perde 2 milioni, se rischia ne perde

3/4 o non ne perde niente.

I 2 milioni sicuri rendono felice Anthony e infelice Betty. Per Anthony il risultato è

la differenza tra raddoppiare la ricchezza e non guadagnare niente, per Betty tra

perdere metà o perdere 3/4. È molto più probabile che Betty azzardi, come fanno

tutti davanti ad opzioni molto brutte. Non pensano in stati di ricchezza, pensano

a guadagni e perdite.

Nella teoria di Bernoulli manca il punto di riferimento. La teoria dell’utilità attesa

non considera quindi il dato evidente per cui il risultato che va bene ad A non va

bene a B. Il modello spiega l’avversione al rischio di A, ma non può spiegare

quella di B per il rischio, un comportamento spesso osservato negli imprenditori

quando tutte le opzioni che hanno davanti sono negative.

Il mistero è come una concezione dell’utilità dei risultati, che è vulnerabile a con-

troesempi così ovvi, abbia resistito per tanti anni. Si spiega con la “cecità indotta

da teoria”: una volta che abbiamo accettato una teoria e l’abbiamo usata come

strumento di pensiero, difficilmente ne notiamo le pecche.

Si concede alla teoria il beneficio del dubbio, affidandosi alla comunità di esperti

che l’ha accettata. Quello di non credere è un duro lavoro, e il sistema 2 si stanca

facilmente. Perciò è comprensibile (ma non accettabile) la resistenza della teoria.

Capitolo 26 “La prospect theory”


PAGINE

46

PESO

943.47 KB

PUBBLICATO

10 mesi fa


DETTAGLI
Corso di laurea: Corso di laurea magistrale in comunicazione e pubblicità per le organizzazioni
SSD:
Università: Carlo Bo - Uniurb
A.A.: 2017-2018

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher GiovannaUrb di informazioni apprese con la frequenza delle lezioni di Marketing avanzato e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Carlo Bo - Uniurb o del prof Grande Nicola Giorgio.

Acquista con carta o conto PayPal

Scarica il file tutte le volte che vuoi

Paga con un conto PayPal per usufruire della garanzia Soddisfatto o rimborsato

Recensioni
Ti è piaciuto questo appunto? Valutalo!

Altri appunti di Marketing avanzato

Appunti di Marketing Avanzato (prof Grande)
Appunto
Riassunto esame Marketing avanzato, prof. Grande, libro consigliato Principi di marketing, Kotler
Appunto