카니만의 학문적 사고

카네만과 토비스키는 불확실한 조건 하에서의 판단과 전통 경제 이론 가설의 이성 사이의 체계적 편차의 메커니즘을 발견했다. Kahneman 과 Toviski 의 초기 연구에 대한 기본적인 결론은 사람들이 일반적으로 경제적 판단과 확률 판단과 관련된 환경을 완전히 분석할 수 없다는 것이다. 이런 환경에서 사람들은 몇 가지 지름길이나 원칙에 의지하여 판단을 내리는데, 이것은 때때로 기대효용 최대화 이론과 체계적인 편차를 일으킨다.

기본적인 편차는 사람들이 소수 법칙을 적용하여 작은 샘플과 큰 샘플에서 얻은 경험 평균에 동일한 확률 분포를 부여하여 확률론에서 많은 수의 법칙을 위반한다는 것이다. 예를 들어, 유명한 실험에서, 그들은 "어느 날 신생아의 60% 가 소년이 될 것" 이라고 생각하는 확률이 작은 병원과 큰 병원에서 같다는 것을 발견했다. 사람들은 무작위 변수 샘플의 평균과 분산이 샘플량에 따라 감소하는 속도를 의식하지 못하는 것 같다.

많은 수의 통계 법칙에 따르면 무작위 변수의 큰 샘플에 대한 독립 관찰의 평균 확률 분포는 무작위 변수의 기대 값 근처에 집중되어 있습니다. 샘플 수가 증가함에 따라 샘플 평균의 분산은 0 이 됩니다. 심리학의 소수 법칙에 따르면 작은 샘플 평균의 분포도 무작위 변수의 기대치 근처에 집중되어 있다고 생각하는 사람들이 있다. 예를 들어 소수 법칙을 설명할 수 있습니다. 투자자가 펀드 매니저의 실적이 2 년 연속 평균을 초과하는 것을 보면, 일반적으로 해당 관리자의 실적이 평균보다 낫다는 결론을 도출할 수 있지만 관련 데이터의 실제 통계적 의미는 상당히 미미합니다. 또 다른 예로 도박꾼의 오해가 있습니다. 카드는 통계적으로 독립적이지만, 많은 사람들은 무작위적 메커니즘에서 2 차 패를 1 차 패와 연관짓는다고 생각합니다. 마찬가지로, 이전에 동전을 던진 결과가 대부분 정면이라면, 다음 번 동전을 던지는 결과가 반대일 가능성이 더 높다고 생각하는 사람들이 많다.

소수 법칙은 대표적인 특징과 관련이 있다. 카네만과 토비스키는 이것이 사람들의 판단에 중요한 결정적인 요인이라고 생각한다. Toviski 와 Kahneman 은 몇 가지 아름다운 실험에서 이 원리의 메커니즘을 분석했다. 피실험자는 주어진 설명에 따라 사람을' 영업사원' 이나' 국회의원' 과 같은 여러 유형으로 나누라는 요청을 받았다. 어떤 집단에서 무작위로 뽑은 어떤 사람의 묘사가' 정치에 관심이 있고, 토론에 참여하기를 좋아하며, 언론에 나타나기를 갈망한다' 는 것이었을 때, 대부분의 피험자들은 그 사람을 의원으로 여겼다. (윌리엄 셰익스피어, 정치학, 정치학, 정치학, 정치학, 정치학, 과학명언) 사실, 그룹 내 영업사원의 높은 비율은 그 사람을 영업사원이 될 가능성이 더 크다. 다른 실험에서 Toviski 와 Ka 153 Nieman 은 이런 사고방식을 더 분석했다. 예를 들어, 한 실험에서 분류할 사람이 한 30% 엔지니어, 70% 변호사의 집단에서 왔다는 것을 분명히 알렸고, 다른 실험에서는 두 비율이 뒤바뀌었다. 그 결과 이런 차이는 판단에 참여하는 대상에 영향을 주지 않는 것으로 나타났다. 같은 요인으로 인해 두 사건의 합동확률이 그 중 하나보다 더 크다고 생각하는 것은 확률론의 기본 원리인 합동확률의 법칙에 어긋난다. 행동심리학자들은 대량의 실험 연구를 통해 사람들의 의사결정이 모두 이성적인 것은 아니며, 위험에 대한 태도와 행동은 종종 전통적인 경제 이론에서 최적의 행동 패턴의 가설에서 벗어나는 경향이 있다는 것을 발견했다. 의사 결정 과정에서 직관적인 편차뿐만 아니라 프레임워크 의존성 편차도 있다. 사람들은 종종 서로 다른 시간에 같은 문제에 대해 서로 다르거나 모순된 선택을 한다.

1 .. 직관적 판단

카니만과 토비스키는 직관적인 판단이 지각의 자동조작과 심사숙고한 추리 사이에서 중요한 위치를 차지한다고 생각한다. Kahneman 과 Toviski 의 첫 번째 협력 문장 (Cooperational Foundation) 는 경험 많은 통계 연구자들의 임시 통계 판단에서의 시스템 오차를 측정했다. 이 전문가들의 직감적 판단은 분명히 그들이 매우 잘 아는 통계학 원리를 따르지 않았다. 특히, 그들의 직감 통계 선호도와 통계 능력에 대한 그들의 추정치는 샘플 크기에 대한 인상이 극도로 민감하지 않다는 것을 보여준다. 이를 바탕으로 Kahneman 과 Toviski 는 많은 직관적인 오류에 초점을 맞추고, 2 층 시스템 모델을 구축하고, 직관과 추리를 구분합니다. 직관적 판단과 선호 분석의 핵심 개념은 가용성 또는 접근성, 즉 특정 정신 내용이 개인의 머리 속에 쉽게 나타난다는 것이다. 133- 168 직관적인 사고의 정의적 특징 중 하나는 인식처럼 자연스럽게 사람들의 머릿속에 떠오를 수 있다는 것이다. 직감을 이해하기 위해서, 우리는 왜 어떤 아이디어는 쉽게 얻을 수 있고, 어떤 아이디어는 쉽지 않은지 이해해야 한다. 예를 들어 특정 시간과 장소에서 특정 개인을 조사할 때 범주 이름, 설명 차원 (속성 및 특성) 및 차원 평가를 어느 정도 액세스할 수 있는 것으로 설명할 수 있습니다. 접근 가능성을 결정하는 요소는 물리적 중요도와 같은 객체의 실제 특성입니다. 자극을 깨우는 모든 특징은 뚜렷한 동기와 정서와 관련된 특징을 포함하여 가능해질 것이다. 동시에, 자연평가와 어경 효과는 모두 접근성을 해석하는 데 도움이 된다.

2. 프레임 효과

같은 특징을 한 디스플레이에서는 쉽게 얻을 수 있지만 다른 디스플레이에서는 쉽게 얻을 수 없습니다. 두 디스플레이에 같은 정보가 포함되어 있지만 이러한 현상을 프레임 효과라고 합니다. [7] 이런 경우는 매우 심상치 않다. 어떤 자극은 자동으로 감지된다. 다른 자극은 반드시 계산을 거쳐야 감지된다. 또는 한 객체의 동일한 특성이 한 화면표시에서 인식되지만 다른 화면표시에서 계산되어야 합니다.

우리가 흔하지 않은 질병의 발발을 준비하고 있다고 가정해 봅시다. 이번 전염병으로 약 600 명이 사망할 것으로 추산된다. 두 가지 옵션 a 와 b 가 제안되었습니다. 각 시나리오의 결과에 대한 추정치는 다음과 같습니다. 시나리오 A 를 채택하면 200 명을 절약할 수 있습니다. 시나리오 B 를 채택하면 1/3 이 600 명이 구조될 확률이 있고, 2/3 이 구조될 확률도 있다.

당신은 어느 방안에 관심이 있습니까?

이런 형태의 문제에서, 대다수의 피험자들은 위험을 감수하고 싶지 않다는 것을 나타내는 방안 A 를 선택했다. 무작위로 선택한 다른 피실험자들은 같은 질문을 받았지만 각 시나리오의 결과에 대한 추정치는 다르게 표현됩니다.

A 계획을 채택하면 400 명이 사망합니다.

프로그램 B 를 채택하면 1/3 의 영생 가능성과 2/3 의 600 사망 가능성이 있을 것이다. 당신은 어느 하위 계획에 관심이 있습니까?

대부분의 피실험자들은 위험한 B 계획을 선택했다.

이 두 가지 가설 형식은 실질적인 변화는 없지만, 확실히 사람들의 다른 생각과 평가를 불러일으켰다. 이 점은 어떤 선택에서는 쉽게 볼 수 있다. 결과가 확정적이기 때문에 사람의 선택은 가능성이 높거나 중간 결과와 연결될 가능성이 매우 높기 때문이다. 따라서 구조자의 확실성은 인간의 매력에 큰 영향을 미친다. 이런 죽음의 확실성의 비율은 혐오스럽다. 이 두 가지 방안에 대한 즉각적인 정서적 반응은 각각 B 가 아닌 A, A 가 아닌 B 로 편향된다.

두 가지 결정이 같은지 다른지 어떻게 결정할지, 이 문제는 결코 통일된 답이 없다. 이를 피하기 위해 Toviski 와 Kahneman 은 의사결정자 선택 문제의 차이에 프레임워크 효과를 적용했습니다. 선택하기 어려운 프레임워크 효과에 대한 유명한 묘사에서 학자들은 생존율과 사망률 기반 통계적 결과를 묘사함으로써 수술 치료와 방사선 치료 중에서 선택할 수 있도록 지도한다. 90% 의 단기 생존이 10% 의 즉각적인 사망 위협보다 작기 때문이다. 생존의 희망은 사람들이 수술에 대해 상당히 높은 선호도를 가지게 한다. 이런 프레임 효과는 경험이 있는 의사에게 환자보다 더 두드러진다.

이러한 주어진 패러다임을 수동적으로 채택하는 것은 보편적인 원칙인 것 같으며, 표준에 대한 프레임워크 효과도 마찬가지이다. 흥미를 위해, 일부 전문적인 인식과 인지 시스템은 이미 특정 유형의 자극에 대해 규범적인 성명을 낼 수 있는 제한된 능력을 증명했다. 예를 들어, 사람들은 특정 장소에서 한 번만 사람을 알아볼 수 있으며, 이런 방식으로 흑백 사진을 구분하거나 윤곽을 그릴 수도 있습니다. 이 보편적인 표면 인식 모델은 자신의 한계 154 를 가지고 있지만, 즉 거꾸로 된 익숙한 얼굴의 인식에서 잘 수행되지 않지만, 뇌 메커니즘 자체는 언어에 대한 이해를 지원할 수 있으며 대화에는 세부 사항을 제거하고 본질을 유지하는 기본적인 능력이 있지만, 이런 능력은 확실히 제한되어 있다. 주관적인 계산을 거치지 않고' 137×24' 와' 3288' 이 같은 것을 알아보는 사람은 거의 없다.

사양 표현식을 안정적으로 생성할 수 있는 시스템이 없다면, 직관적인 판단은 서로 다른 특징과 상황을 결정하는 접근성의 영향을 받게 됩니다. 얻기 어려운 많은 수의 피쳐가 무시될 때 도달 가능한 피쳐는 의사 결정에 영향을 줄 수 있습니다. 불행히도, 우리는 가장 쉽게 액세스할 수 있는 특성이 좋은 의사결정과 가장 관련이 있다고 믿을 이유가 없다. 의사 결정 이론에서' 전경' 이라는 단어는 Pi 확률을 사용하여 가능한 결과 Cj 의 집합을 나타내는 특수 용어로, 예비 선택 시나리오와 같습니다. 위험 결정 문제의 본질은 다양한 전망의 선택입니다.

1. 전망 이론의 이론적 근거

Kahneman 과 Toviski 는 확률과 가치 평가와 같은 주관적인 판단과 의사 결정 행위가 제한된 가용 데이터에 의존하는 경우가 많으며, 직관적인 추리와 경험 규칙에서 얻은 정보는 시스템 편차를 발생시켜 (1) 대표적인 편차로 요약될 수 있으며, 사람들은 일반적으로 두 가지 일의 유사성을 기준으로 다른 일을 평가한다. (2) 가용성 편차, 사람들은 예측과 의사결정을 할 때 흔히 익숙하고 쉽게 얻을 수 있는 정보를 근거로 하지만, 우리는 이것이 불충분하고 편차가 발생하기 쉽다는 것을 알고 있다. (3) 고정효과와 조절, 사람들은 문제를 평가할 때 다른 참조점에 따라 다른 결론을 도출한다. 참조점이 다르기 때문에 발생하는 이러한 일시적인 반응 부족과 의사 결정 편차를 앵커 효과라고 합니다. 사전에 발생 확률을 지정하면 사람들은 보통 연속 사건의 확률을 과대평가하고 분리 사건의 확률을 과소평가한다. (4) 인지 차이와 집단 영향, 즉 소수와 다수 문제. 대다수의 사람들과 다른 관점을 가진 사람들은 큰 집단의 영향을 받기 쉽다. [9] 하지만 우리는 많은 경우 관점이 일치할수록 결과가 더 신뢰할 수 없다는 것을 알고 있습니다.

2. 전망 이론의 주요 내용

전경 이론에 따르면 위험 결정 프로세스는 "편집" 과 "평가" 라는 두 가지 연속 단계로 구성됩니다. 편집 단계에서 사람들은 반드시 정보를 처리해야 한다. 먼저, 활동의 결과가 이익인지 손실인지 결정해야 하며, 이익이나 손실은 참조점이나 기대치 수준에 상대적입니다 (즉, 그 가치는 참조점이나 기대수준에서 0 임). 둘째, 다양한 전망의 공통점을 제거하여 의사결정자들이 선택할 때 그 차이에만 집중할 수 있도록 합니다. 카니만과 토비스키는 편집 단계의 기본 기능을 의사 결정 문제를 형성하는 프레임워크로 정의했다. 위험 결정 프로세스의 두 번째 단계는 편집 후 전망을 평가하는 것입니다. 평가 프로세스는 이벤트 발생 가치 함수와 주제 선택에 대한 의사 결정 가중치의 두 부분으로 설명할 수 있습니다.

전경 이론에서 가치 함수의 첫 번째 특징은 중립 참조 결과 (종종 현재 상태) 에 대한 결과의 양수 및 음수 편차 (이익 또는 손실) 로 표시됩니다. 사람은 선택할 때 자신의 차이에만 집중하기 때문에, 현 상태를 유지하면 선택하지 않기 때문에, 현 상태는 선택의 중립 참조점으로만 사용할 수 있으며, 그 자체의 가치는 0 이다. 가치 함수의 두 번째 특징은 가치가 순익일 때 의사결정자가 위험 혐오감을 나타내고, 가치가 순손실일 때 의사결정자가 위험 추구를 나타낸다는 것이다. 이 특징은 의사결정자의' 확실성 효과' 에서 비롯된다. 즉, 의사결정자는 확실성 결과와 비교할 때 일반적으로 무작위 결과의 효용을 과소평가하는 경향이 있다. 가치 함수의 세 번째 특징은 같은 수의 통화를 얻는 것보다 어떤 통화를 잃는 것에 대해 사람들이 일반적으로 기뻐하는 것이다. (존 F. 케네디, 돈명언) 이 현상은 이미 많은 학자들의 연구소에 의해 증명되었다. 이 세 가지 특징에 따르면 Kahneman 과 Toviski 는 가상의 가치 함수가 그림 1 과 같은 S 자형을 가져야 한다고 생각합니다.

전경 이론에 따르면 의사 결정 가중치는 확률이 증가함에 따라 증가하는 단조로운 함수이지만 확률과 직접 같지는 않습니다. 의사 결정 가중치는 다음과 같은 특징을 가지고 있습니다. 불가능한 사건은 제거되어야 합니다. (2) 낮은 확률 이벤트가 확률 값을 초과하는 의사 결정 가중치를 부여하고, 중간 확률 이벤트 및 높은 확률 이벤트가 확률 값보다 낮은 의사 결정 가중치를 부여합니다. (3) 확률 비율의 경우, 낮은 확률 이벤트의 의사 결정 가중치는 높은 확률 이벤트보다 높으며, 이 세 가지 특성을 만족하는 가설 결정 가중치 함수는 그림 2 에 나와 있습니다. 전망이론에서 의사결정권함수의 상술한 형식이나 특징의 가설은 기회 심리물리학의 연구 성과에서 비롯된다. 이 연구결과들은 한 사건이 불가능에서 가능성까지, 가능성에서 확정에 이르는 심리적 영향이 중간 가능성 부근의 변화보다 훨씬 크다는 것을 보여준다. 예를 들어 확률이 0 ~ 5% 인 변화는 30 ~ 35% 의 변화보다 사람에 미치는 영향이 크며, 이는 95% 에서 100% 의 변화보다 사람에 미치는 영향이 적다. 위 그림에서 볼 수 있듯이, 의사 결정 가중치는 큰 확률 범위 내에서 해당 확률보다 낮으며, 중간 및 높은 확률 영역에서 의사 결정 가중치가 낮은 경우에도 수익에 대한 위험 혐오 태도를 설명하는 데 사용될 수 있습니다. 가중치가 낮으면 긍정적인 결과가 있는 전망에 대한 매력이 줄어들기 때문입니다. 또한 손실 위험에 대한 추구를 설명하는 데도 사용할 수 있습니다. 가중치가 낮다는 것은 미래의 부정적인 결과에 대한 혐오감이 낮다는 것을 의미하기 때문입니다. 낮은 확률 영역에서는 의사 결정 가중치가 높고, 확률이 매우 낮은 이벤트의 경우 의사 결정 가중치가 상당히 높거나 무시되어 해당 영역에서 의사 결정 가중치가 불안정합니다. 낮은 확률 이벤트 가중치의 결과를 과대평가하여 낮은 적중률 이벤트의 가치를 높이는 한편, 작은 기회 대손실 사건에 대한 혐오감을 증폭시켰다. 따라서 사람들은 거의 불가능한 수익 사건을 처리할 때 위험을 추구하는 태도를 취하고, 거의 불가능한 손실을 처리할 때는 위험을 피하는 태도를 취한다. 이는 의사 결정 가중치의 성질이 복권과 보험 투자의 매력을 증가시킨다는 것을 의미한다.

Kahneman 과 Toviski 에 따르면 전경 이론은 위 그림 1 중간 가치 함수 및 의사 결정 가중치의 특징을 정의하는 것이 위험 전경 평가에 대한 근사화, 불완전 및 단순화된 설명일 뿐이라고 합니다. 위의 특징들에 대한 묘사는 일반적인 선택 패턴을 요약하지만 만능은 아니다. 실생활에서 일부 사람들은 위 그림 1 에 표시된 S 자형 가치 함수와 의사 결정 가중치와 정확히 일치하지 않을 수 있습니다. 또한 가치 함수와 의사 결정 가중치를 동시에 결정하는 데는 실질적이고 통계적인 어려움이 있으며 심리학 실험에서 앵커 편차가 자주 발생합니다. 따라서 그들 두 사람은 전경 이론이 완벽하다고 생각하지 않는다.