Teil II Deskriptive Entscheidungstheorie 3 Narrow Thinking und Heuristiken Flashcards

Question

Das Preference-Reversal-Phänomen

Answer 1

Ebenfalls mit der Verankerungsheuristik ist das sogenannte Preference-Reversal-Phänomen zu erklären. Hierzu betrachte man die folgenden beiden Lotterien: c Lotterie A: Mit einer Wahrscheinlichkeit von 30 % erhält man einen Gewinn von 1700 € Lotterie B: Mit einer Wahrscheinlichkeit von 97 % erhält man einen Gewinn von 450 €. In einer empirischen Studie wurden diese Lotterien Spielern in Spielkasinos von Las Vegas vorgestellt und unterschiedliche Befragungen durchgeführt.13 Fragten die Forscher danach, welche Lotterie die Versuchspersonen in einem direkten Vergleich vorziehen würden, antworteten die meisten Versuchspersonen mit Lotterie B. Die Forscher erfragten zusätzlich für jede Lotterie das sogenannte Sicherheitsäquivalent, also den sicheren Betrag, den ein Versuchsteilnehmer gleichwertig zu einer Lotterie ansieht. Hierbei zeigte sich, dass die meisten Versuchspersonen der Lotterie A ein höheres Sicherheitsäquivalent (z. B. 450 €) zuwiesen als der Lotterie B (z. B. 430 €). Die Inkonsistenz dieser Bewertung erkennt man, wenn man die Bewertung noch einmal zusammenfasst: 430 € sind genauso gut wie Lotterie B, Lotterie B ist besser als Lotterie A und Lotterie A ist genauso gut wie 450 €. Unterstellt man Transitivität in der Bewertung, müssten auch 430 € gegenüber 450 € präferiert werden. Weil Letzteres offensichtlich nicht gilt, verletzten die Versuchsteilnehmer eine grundlegende Rationalitätsbedingung.

Answer 2

Diese Irrationalität lässt sich nicht ohne den Compatibility-Effekt erklären.14 Durch die unterschiedliche Fragetechnik wird die Aufmerksamkeit der Befragten jeweils auf unterschiedliche Skalen gelenkt. Diese zunächst vorgenommene Fokussierung auf eine mit der Frage kompatible Skala führt bei der Abfrage nach Sicherheitsäquivalenten dazu, dass sich die Individuen zunächst die unterschiedlichen Geldbeträge der Lotterien ansehen. Hierdurch entsteht eine Verankerung, d. h. ein großer Vorteil für die Lotterie A. Da der anschließende Anpassungsprozess über die geringere Wahrscheinlichkeit von A gemäß der Verankerungsheuristik zu gering ausfällt, bleibt es bei der Präferenz für A. Im direkten Vergleich schauen Individuen jedoch zunächst darauf, mit welcher Lotterie sie eher etwas gewinnen können, d. h. auf die Wahrscheinlichkeit. Der hierdurch initiierte Verankerungsprozess führt in gleicher Argumentation zu einer Präferenz für B.

Answer 3

Somit beschreibt der Begriff Repräsentativitätsheuristik im Grunde genommen die Neigung des Menschen, zu schnell in ein Schema-Denken zu verfallen

Answer 4

Ganz allgemein gesprochen drückt Repräsentativität eine bestimmte Beziehung eines Objektes zu einer Objektklasse aus. So ist ein Objekt repräsentativ für die Objektklasse, falls eine hohe Ähnlichkeit dieses Objektes zu typischen oder vielen Vertretern der Objektklasse wahrgenommen wird.15 Betrachten wir beispielsweise eine Folge von 6 Würfen mit einem Spielwürfel, z. B. 245364. Diese Folge ist repräsentativ für eine Würfelfolge, da sie sehr ähnlich zu vielen anderen möglichen Würfelfolgen aussieht. Oder sehen Sie einen großen Unterschied zur Folge 245164 oder 243564? Man muss schon sehr genau vergleichen, ob und wie sich diese Folgen unterscheiden. Anders verhält es sich mit der Folge 666666, denn man erkennt sehr leicht, wenn man diese Folge modifziert, z. B. in 666566. Die Folge 666666 ist demnach nicht repräsentativ für die Menge aller möglichen Würfelfolgen. Mit der Defnition des Begriffs Schema als Aussage über eine Gesamtheit von Objekten (Objektklasse) lässt sich Repräsentativität noch etwas einfacher beschreiben. Eine hohe Repräsentativität ist dann gegeben, wenn eine Beobachtung gut „in ein Schema passt“, eine niedrige Repräsentativität entsprechend, wenn kein passendes Schema gefunden bzw. aktiviert werden kann. Bezogen auf die Würfelfolgen wäre ein passendes Schema beispielsweise: „Eine zufällige Würfelfolge enthält mehrere Zahlen zwischen 1 und 6, und zwar durcheinander“. Die Würfelfolge 245364 passt in dieses Schema, die Würfelfolge 666666 nicht.

Answer 5

Eine wesentliche Erkenntnis zur Repräsentativitätsheuristik ist es, dass Menschen die Wahrscheinlichkeit von repräsentativen Ereignissen meist überschätzen. Nehmen wir das Würfelbeispiel: Wenn Sie einige Bekannte befragen, welche der beiden Würfelfolgen 245364 oder 666666 diese für wahrscheinlicher halten, was werden Sie zu hören bekommen? Sicherlich werden Sie von manch schlauen Köpfen unmittelbar die richtige Antwort hören, und zwar dass selbstverständlich beide Folgen gleichwahrscheinlich sind mit einer Wahrscheinlichkeit von 1/6 × 1/6 × 1/6 × 1/6 × 1/6 × 1/6. Nicht wenige werden aber auch dabei sein, die der ersten Würfelfolge eine höhere Wahrscheinlichkeit beimessen. Schließlich handelt es sich hierbei um eine offenbar sehr typische (repräsentative) Abfolge. Keiner wird Ihnen jedoch sagen, dass die Folge 666666 wahrscheinlicher ist. In diesem Beispiel führt also die Repräsentativität zu einer systematischen Verzerrung. Dieser beschriebene Effekt hat weitere Konsequenzen. Stellen Sie sich bei einem Besuch im Spielkasino vor, dass in den letzten 10 Ausspielungen am Roulette-Tisch die Farbe Schwarz ausgespielt wurde. Viele Spieler neigen dann dazu, in dieser Situation auf Rot zu setzen.17 Warum? Sie vergleichen die beiden Folgen „11-mal Schwarz“ vs. „10-mal Schwarz und einmal Rot“ und stellen in diesem Vergleich fest, dass die zweite Folge als

Answer 6

Unter der Prämisse, dass es im Kasino mit rechten Dingen zugeht, sagt die Wahrscheinlichkeitsrechnung jedoch ganz eindeutig, dass in der nächsten Ausspielung (bzw. auch in allen weiteren) die Farben Schwarz und Rot immer gleichwahrscheinlich sind. Die höhere Repräsentativität der zweiten Abfolge sorgt also für eine Verzerrung in der Wahrscheinlichkeitsschätzung, die auch als Gamblers Fallacy bezeichnet wird.

Answer 7

Ein weiteres Beispiel ist die sogenannte Conjunction Fallacy, die den Menschen dazu bringt, grundlegende Wahrscheinlichkeitsaxiome zu verletzen. So ist aus der Wahrscheinlichkeitsrechnung bekannt, dass die gemeinsame Wahrscheinlichkeit zweier Ereignisse nie größer sein kann als die Wahrscheinlichkeit jedes einzelnen Ereignisses. Falls die Wahrscheinlichkeit für Regen am nächsten Tag mit 40 % und für den angekündigten Besuch der Schwiegermutter mit 80 % anzusetzen ist, kann das Ereignis „Schwiegermutter kommt im Regen“ nie eine höhere Wahrscheinlichkeit als 40 % besitzen. Dies ist unmittelbar einleuchtend. Umso mehr verwundert es, dass viele Menschen diesen grundlegenden Zusammenhang schlicht und einfach übersehen. Sie tun dies, wenn das gemeinsame Ereignis eine höhere Repräsentativität besitzt als eines der Einzelereignisse, wie es das folgende Beispiel veranschaulicht

Answer 8

Linda ist 31 Jahre alt, sehr intelligent, und nimmt kein Blatt vor den Mund. Sie hat Philosophie studiert. Als Studentin hat sie sich intensiv mit Fragen sozialer Gerechtigkeit und Diskriminierung auseinandergesetzt. Außerdem hat sie an AntiKernkraft-Demonstrationen teilgenommen. Danach wurden die Versuchspersonen nach Wahrscheinlichkeiten für weitere Eigenschaften befragt. So wurden unter anderem die beiden Aussagen 1. Linda ist Bankangestellte. 2. Linda ist Bankangestellte und aktiv in der Frauenbewegung präsentiert, wobei die Mehrheit der Versuchspersonen (ca. 90 %) die zweite Aussage für wahrscheinlicher hielt. Hierbei ist der Repräsentativitätsheuristik folgend davon auszugehen, dass den Personen bei der zweiten Aussage schnell ein Schema der Art: „Wer Philosophie studiert und sich mit sozialen Fragen und Diskriminierung beschäftigt, kann auch durchaus in einer Frauenbewegung aktiv sein“ einfel, sodass diese zweite Aussage über Linda als repräsentativer wahrgenommen wurde als die erste. Allgemein neigen also Menschen dazu, die Repräsentativität von Ereignissen als wichtige Maßgröße für die Wahrscheinlichkeit anzusehen. Sie erachten repräsentative Ereignisse für wahrscheinlich und setzen sich in unverzeihlicher Weise durch ein schematisches Denken über weitere Rahmenbedingungen, wie z. B. Wahrscheinlichkeitsaxiome, hinweg. Zu Beginn dieses Abschnitts zur Repräsentativitätsheuristik wurde davon gesprochen, dass Menschen zu schnell etwas für wahr halten, wenn es plausibel ist. Genau dies ist hiermit gemeint. Plausibilität ist einer der größten Feinde der Wahrheit.

Answer 9

die Neigung des Menschen, bei bedingten, hohen Wahrscheinlichkeiten durchaus schon einmal Bedingung und Ereignis zu vertauschen.

Answer 10

Nach einer Zeitungsmeldung hat ein US-amerikanischer Arzt 90 Frauen aus einer „Hochrisikogruppe“ vorsorglich die Brust amputiert, da 93 % der Brustkrebsfälle aus der Hochrisikogruppe stammen. Hierbei ist er offensichtlich davon ausgegangen, dass mit der Zugehörigkeit zur Hochrisikogruppe eine ähnlich hohe Wahrscheinlichkeit besteht, dass der Brustkrebs ausbricht.: Die Wahrscheinlichkeitsrechnung zeigt uns jedoch, dass dies nicht der Fall ist. Unter der Annahme, dass die Häufgkeit für Brustkrebs in der Gesamtpopulation der amerikanischen Frauen bei p(Bk) = 7,5 % (A-priori-Wahrscheinlichkeit) liegt und der Anteil der Hochrisikogruppe an der bezeichneten Population p(Hr) = 57 % beträgt, gilt nach dem Bayes-Theorem20:: p Bk Hr p Bk p Hr Bk p Hr | | ( ) = ( )⋅ ( ) ( ) = ⋅ = 0 075 0 933 0 57 12 3 , , , , % Das bedeutet, dass Patientinnen aus der Hochrisikogruppe nur ein Risiko von 12,3 % haben, um an Brustkrebs zu erkranken. Dieses Risiko ist wohl eher zu gering, um vorsorglich zu amputieren. Die Erklärung dieser Falle wird verständlich, wenn man das für den Arzt verfügbare Schema „Wer Brustkrebs hat, ist typischerweise in der Hochrisikogruppe“ berücksichtigt. Jede Patientin aus der Hochrisikogruppe „passt“ natürlich in dieses Schema, das Schema wird also schnell aktiviert und gemäß der Heuristik eine hohe Wahrscheinlichkeit für Brustkrebs hergeleitet. Dass durch dieses enge Denken in Schemata bzw. Ähnlichkeiten (als das der Repräsentativitätsheuristik zugrunde liegende Konzept) Bedingung und Ereignis vertauscht werden, fällt in gleicher Weise unter den Tisch, wie in der Gamblers Fallacy und in der Conjunction Fallacy die betrachteten Basiswahrscheinlichkeiten.

Answer 11

noch eine Variante der Repräsentativitätsheuristik, in der die Verzerrung insofern noch gravierender wird, als dass Menschen aufgrund des Denkens in Schemata sogar dazu neigen, Zusammenhänge wahrzunehmen, die als solche gar nicht vorhanden sind. Beschränkt man sich zunächst auf die Wahrnehmung von empirischen Abhängigkeiten, so kann in diesem Zusammenhang auch von Scheinkorrelationen gesprochen werden

Answer 12

Zur Erläuterung zunächst ein Beispiel: In der Einschätzung des HIV-Risikos für lesbische Frauen tendieren viele Leute dazu, von einem vergleichsweise hohen Risiko auszugehen.21 Tatsächlich liegt die HIV-Infektionsrate bei lesbischen Frauen jedoch niedriger als bei männlichen Homosexuellen, sie ist sogar niedriger als bei allen männlichen und weiblichen Heterosexuellen. Eine Begründung für diese Fehleinschätzung kann im Rahmen der Repräsentativitätsheuristik wie folgt gegeben werden: Menschen haben zwei Schemata im Kopf: „Homosexuelle besitzen ein hohes HIV-Infektionsrisiko“ und „Lesbische Frauen sind Homosexuelle“. Beide Schemata sind für sich gesehen objektiv richtig, die Schlussfolgerung, bei lesbischen Frauen von einem hohen Infektionsrisiko auszugehen, ist jedoch nicht möglich.

Answer 13

Menschen neigen dazu, beobachtete empirische Zusammenhänge insbesondere dann vorschnell als kausale Zusammenhänge zu interpretieren, wenn diese Zusammenhänge gut in ein Schema passen. Narrow Thinking zeigt sich hierbei in dem Punkt, dass es für den Menschen schlichtweg einfacher ist, einen gut passenden Zusammenhang als konsistente Geschichte zu akzeptieren, als Ressourcen aufzuwenden, um sich Alternativhypothesen über die Gründe für den betrachteten Zusammenhang zu machen

Answer 14

Man stelle sich hierzu zwei Analysten vor, die täglich eine kurzfristige Prognose über die Entwicklung des Dollarkurses abgeben. Diese beiden Analysten wurden von einem Kunden nur zwei Tage beobachtet, in diesen beiden Tagen machte der Analyst 1 immer (d. h. zwei) richtige Prognosen, der Analyst 2 lag zweimal falsch. Bei der nun anstehenden Prognose schenkt der Kunde dem Analysten 1 erheblich mehr Glauben, aber warum? Die richtigen bzw. falschen Prognosen führen schnell zur Etablierung von Schemata: „Analyst 1 bringt (typischerweise) richtige Prognosen“ und „Analyst 2 bringt (typischerweise) falsche Prognosen“. Als Folge der Repräsentativitätsheuristik wird der Kunde dem Analysten 1 somit eine höhere Trefferwahrscheinlichkeit für die nächste Prognose beimessen. Das heißt, der Kunde geht davon aus, dass das in der Vergangenheit gebildete Schema in die Zukunft fortgeschrieben werden kann. Dies wiederum ist letztlich nichts anderes als die Unterstellung, dass der Analyst 1 besser ist als der Analyst 2. Es ist somit aus einem empirischen Zusammenhang ein kausaler abgeleitet worden. In diesem Beispiel lässt sich nicht bestreiten, dass der Analyst 1 möglicherweise wirklich besser ist als der Analyst 2. So zeigt sich ja schließlich die Qualität eines Analysten insbesondere darin, dass seine Prognosen mit einer höheren Wahrscheinlichkeit eintreffen, und zweimal hatte er ja schon Recht. Tatsächlich kann aber auch Analyst 2 der bessere sein und lediglich Pech gehabt haben, während der Analyst 1 zwei Zufallstreffer gelandet hat. 3.4 Repräsentativitätsheuristiken 68 Man muss sich in diesem Zusammenhang bewusst machen, dass in dieser Situation zwei Beobachtungen kaum etwas aussagen. Zum einen ist den Worten von André Kostolany folgend ein Analyst schon wirklich sehr gut, wenn er in 51 % seiner Prognosen richtigliegt. Hieraus müssen wir folgern, dass Prognosen viel mit Glück zu tun haben. Zum anderen gilt, dass bei einer ausreichend großen Zahl von Analysten allein nach den Gesetzen der Wahrscheinlichkeitsrechnung einige dabei sein werden, die auch über einen längeren Zeitraum immer Recht hatten. Um diese letzte Aussage besser zu verstehen, noch ein Beispiel: c Stellen Sie sich bitte eine Menge von tausend Kindern in einem sehr großen Kindergarten vor, die täglich mit einem Münzwurf die Entwicklung des Dax für den nächsten Tag prognostizieren. Kommt „Kopf“, steigt der Dax, erscheint „Zahl“, so wird er fallen. Nun gibt es die Regel, dass ein Kind, das einmal falsch lag, nicht mehr mitmachen darf. Das heißt, an jedem Tag werden der Wahrscheinlichkeitsrechnung folgend ca. die Hälfte der Kinder falsch liegen und ausfallen. Nach einiger Zeit wird noch ein Kind übrig bleiben, das immer richtiglag. Was glauben Sie: Würde eine Fondsgesellschaft dieses „Wunderkind“ einstellen? Die Antwort dürfte leichtfallen: sicherlich nicht! Denn in diesem Fall ist es offensichtlich und bedarf keiner ressourcenschluckenden Überlegung, dass es nicht die Fähigkeiten des Kindes sein können, die den großen Erfolg des Siegerkindes erklären.

Answer 15

Wenn Menschen Projekte durchführen, neigen sie zur Schonung von Informationsverarbeitungskapazitäten dazu, sich in ihrem mentalen Modell der Entscheidungssituation nur auf die Auswirkungen dieses Projektes zu konzentrieren und Wechselwirkungen mit anderen Projekten weitestgehend zu vernachlässigen. Die Auswirkungen des Projektes werden isoliert in einem eigenen mentalen Konto verbucht.

Answer 16

Situation A: Sie haben eine Eintrittskarte für ein Konzert zum Preis von 100 € erworben. Vor dem Konzerthaus angekommen, bemerken Sie, dass Sie Ihre Karte 3 Narrow Thinking und Heuristiken 69 verloren haben. An der Abendkasse gibt es noch gleichwertige Karten. Kaufen Sie eine neue Karte? Situation B: Sie haben sich an der Abendkasse eine Eintrittskarte für 100 € reservieren lassen. Dort angekommen, stellen Sie fest, dass Sie 100 € aus Ihrem Portemonnaie verloren haben. Kaufen Sie die Karte, wenn Sie noch genügend Geld dabeihaben? Rein ökonomisch betrachtet sind beide Fälle identisch. In beiden Situationen stellen Sie an der Abendkasse einen Verlust in Höhe von 100 € fest und es muss entschieden werden, ob Sie erneut einen Betrag von 100 € aufwenden, um das Konzert zu hören. Empirische Untersuchungen belegen, dass die Mehrheit der Befragten im ersten Fall von einem Konzertbesuch absieht, im zweiten Fall jedoch die reservierten Konzertkarten einlöst.22 Diese Verhaltensinkonsistenz lässt sich leicht erklären: Die Entscheider führen in beiden Situationen mentale Konten, nämlich ein „Konzertkonto“ und ein „sonstiges Geldkonto“. Durch den Besuch des Konzertes erhält man einen positiven Wert durch Freude, Unterhaltung, Kunstgenuss etc., der auf dem Konzertkonto (während des Konzerts) verbucht wird. Diesem Wert steht der Preis der Konzertkarte entgegen. In der ersten Situation ist dieser Preis schon auf dem Konzertkonto verbucht, wenn man an der Abendkasse steht. Der Kauf einer zweiten Karte würde dieses Konto weiter belasten, sodass dem Konzertbesuch ein Preis von 200 € gegenübersteht. Manch einem mag dies zu viel für ein Konzert erscheinen, sodass die Kaufzurückhaltung bei den Befragten erklärt ist. In der zweiten Situation wurde der Verlust der 100 € auf einem anderen Konto, dem Geldkonto, verbucht. Diese Verringerung des Kontostands mag zwar ärgerlich sein, beeinfusst aber nicht das kontenspezifsche Denken im Konzertkonto. Warum sollte man in der zweiten Situation also nicht in das Konzert gehen? Man erkennt an diesem Beispiel, dass durch das separate Führen zweier Konten ohne Berücksichtigung von Abhängigkeiten das Entscheidungsverhalten in einer ökonomisch eindeutigen Situation beeinfussbar wird. Durch Mental Accounting werden Abhängigkeiten zwischen den einzelnen Konten nicht berücksichtigt. Bei Engagements in Wertpapieren kann dies unter anderem zu dem Effekt führen, dass Risiken falsch bewertet werden. Dieser Zusammenhang soll an einem kleinen Beispiel verdeutlicht werden

Answer 17

Unter Overconfdence wird die Neigung von Menschen verstanden, bestimmte eigene Fähigkeiten systematisch zu überschätzen. Die psychologischen Gründe für eine Overconfdence liegen allerdings nur zum Teil im kognitiven Bereich des Narrow Thinking. Ebenso ist das Kontrollmotiv des Menschen, auf das im nächsten Kapitel näher eingegangen wird, gleichfalls verantwortlich dafür, dass es zu dieser Überschätzung kommt.

Answer 18

Overestimation beschreibt die Überschätzung der eigenen Fähigkeit, Leistung oder Kontrolle. Wenn ein Student beispielsweise meint, er würde in der Klausur zur Entscheidungslehre sicherlich mindestens eine 2 erreichen, dies aber nicht schafft, liegt eine Overestimation vor. * Overplacement betrifft die Überschätzung im Vergleich zu anderen, man spricht deshalb auch vom „better than average“-Effekt. Wenn der Studierende beispielsweise der Meinung ist, dass er sicherlich unter den besten 10 % in der Klausur ist, dies aber nicht erreicht, liegt ein Overplacement vor. * Overprecision (oder Miscalibration) bezieht sich auf die Angabe von Konfdenzintervallen bei einer numerischen Schätzung. Eine Studentin könnte beispielsweise sagen, dass sie zu 90 % sicher sei, eine Note zwischen 2 und 3 zu erzielen. Overprecision liegt dann vor, wenn das Konfdenzintervall zu eng oder die Wahrscheinlichkeit zu hoch angegeben wird.

Answer 19

WYSIATI steht für die Erkenntnis, dass sich die Urteile von Menschen aus einem im Kopf gezeichneten, subjektiven Bild ableiten, wobei nicht berücksichtigt wird, dass dieses mentale Abbild der Entscheidungssituation nur ein kleiner Ausschnitt der Realität ist und dass zugleich die umfassten Bildbestandteile möglicherweise nicht fundiert abgesichert sind. Vielmehr zählen nur der Gesamteindruck und die Konsistenz des Bildes. Man kann also eine gewisse Parallele zum Narrative Bias erkennen, bei dem ebenfalls aus der Konsistenz einer Geschichte eine Überbewertung abgeleitet wird. WYSIATI führt dann zur Overconfdence, wenn sich die Menschen zu sehr auf die Argumente und Belege fokussieren, die das gewünschte Erfolgsszenario unterstützen. Dann entsteht ein konsistentes Bild des Erfolgs, welches aber eben nur ein Ausschnitt einer umfassenden Einschätzung ist.

Answer 20

Betrachtet der Entscheider eine einfache Aufgabe, so wird er diese Aufgabe grundsätzlich gut lösen können, d. h., sein Ergebnis wird recht gut sein. Im Zuge der Regressivität wählt er aber eine Einschätzung, die etwas näher an einem durchschnittlichen Wert liegt. Die Folge ist Underestimation. Bei einer schwierigen Aufgabe ergibt sich der gegenteilige Effekt. Die Grundannahme hierbei ist, dass bei einer schwierigen Aufgabe eher mit einem schlechten Ergebnis zu rechnen ist und die Regressivität somit eine Verschiebung nach oben bewirkt. Die Folge ist Overestimation

Answer 21

Overprecision lässt sich vergleichsweise einfach durch WYSIATI erklären. Die anfangs genannte Studentin mit ihrer 90-prozentigen Einschätzung, eine Note zwischen 2 und 3 zu erhalten, hat nämlich ein Bild im Kopf, welches genau die diesbezüglichen Argumente für eine wahrscheinliche Note zwischen 2 und 3 liefert. Eine Aufgabe hatte sie zwar aus Zeitgründen nicht mehr geschafft, bei den anderen Aufgaben denkt sie aber, die richtigen Antworten gegeben zu haben. Die vielen kleinen Stolpersteine, die von den Klausurstellern eingebaut wurden, sind ihr aufgrund von WYSIATI aber nicht bewusst. Insofern sorgt WYSIATI dafür, dass sie es zu wenig in Erwägung zieht, dass die vermeintlich richtigen Antworten doch nicht so ganz richtig sind. Insofern fällt die von ihr angegebene Wahrscheinlichkeit zu hoch aus. Um Overprecision in Studien nachzuweisen, muss gezeigt werden, dass die angegebene Wahrscheinlichkeit zu hoch bzw. das Intervall zu gering gewählt wurde. Aber wie ist das möglich? Zur Erläuterung wollen wir an dieser Stelle einfach mal ein entsprechendes Experiment nachspielen: c Überlegen Sie doch einmal, auf wie viel Kilometer Sie die Länge des Flusses Colorado schätzen. Hierbei genügt es, ein Intervall anzugeben, zum Beispiel könnten Sie sagen: „Ich schätze, dass die Länge zwischen 4000 km und 5000 km beträgt.“ Nun würden Sie befragt, wie sicher Sie sich ihrer Antwort sind. Nehmen wir an, Sie würden sagen: „Zu 90 % bin ich mir sicher“. Woran lässt sich jetzt feststellen, ob Sie diese Zahl 90 % richtig angesetzt haben, oder möglicherweise zu niedrig oder zu hoch? Dies ist zunächst schwer zu sagen, denn Wahrscheinlichkeiten lassen sich grundsätzlich schwierig bestätigen. Wer beispielsweise die Wahrscheinlichkeit für die Würfelfolge 111111 (korrekterweise) auf ca. 0,002 % schätzt, wird nicht deshalb Unrecht haben, wenn die nächste Würfelfolge, die er wirft, genau diese Konstellation zeigt. In diesem Fall ist lediglich ein sehr unwahrscheinliches Ereignis eingetreten. Wahrscheinlichkeiten lassen sich deshalb nur dann überprüfen, wenn sehr viele Ereignisse überprüft und dann Häufgkeiten verglichen werden. Genauso lassen sich auch Aussagen der obigen Form überprüfen. Man benötigt lediglich eine große Anzahl von Versuchspersonen und muss jeweils überprüfen, ob von allen Befragten, die sich ihrer Aussage beispielsweise zu 90 % sicher waren, auch tatsächlich 90 % dieser Befragten Recht hatten. Ist dies der Fall, haben sich die Versuchspersonen im Durchschnitt richtig eingeschätzt, liegt die Zahl darunter (darüber), haben sich die Versuchspersonen überschätzt (unterschätzt). Die Forscher Lichtenstein et al. (1982) sowie Griffn und Tversky (1992) haben entsprechende Untersuchungen durchgeführt und festgestellt, dass sich bei Fragen, die ähnlich schwer wie die obige Colorado-Frage sind, eine systematische Overprecision einstellt. Die Ergebnisse der beiden Untersuchungen zeigt die folgende Abbildung (Abb. 3.5).

Teil II Deskriptive Entscheidungstheorie 3 Narrow Thinking und Heuristiken Flashcards

(45 cards)