URTEILEN und ENTSCHEIDEN

Präsentation zum Thema: "URTEILEN und ENTSCHEIDEN"—  Präsentation transkript:

1 URTEILEN und ENTSCHEIDEN
Wahrscheinlichkeitsurteile Entscheidungen Einführungsliteratur: Jungermann, Pfister & Fischer: Die Psychologie der Entscheidung. 2. Aufl. Heidelberg: Spektrum, 2005

2 Wahrscheinlichkeitsurteile
Gefühl der Unsicherheit Beispiele für alltagssprachliche Formulierungen: “vermutlich…” “ich bin mir nicht sicher, ob ….” “dafür lege ich meine Hand ins Feuer” “.. es wird eher ….” “… da ist die Unsicherheit zu gross …” “ wahrscheinlich …” “die Chancen sind gut/schlecht…..” - “…stehen 50 zu 50” “ich glaube, ….”

3 unterschiedliche Intensität der empfundenen Unsicherheit
subjektive Wahrscheinlichkeit - Intensität der Unsicherheit (in Ökonomie, Philosophie,.. auch “psychologische Wahrscheinlichkeit”) Wahrscheinlichkeitsurteile unterschiedliche Skalenniveaus x ist wahrscheinlicher als y, die Wahrscheinlichkeit von x ist 0.60 verbale Ausdrücke - numerische Werte gleiche Bezeichnungen unterschiedlich verstanden z.B. “wahrscheinlich” 30% - 80% Auch Abhängigkeit vom Kontext

4 Beispiele für Fragen, die Wahrscheinlichkeitsurteile erfordern
Für wie wahrscheinlich, sicher, etc. halten Sie es, dass Die Schweiz in 10 Jahren bei der EU ist? Dass Clinton Präsidentin der USA wird? Dass Herr K. (60 Jahre, Raucher) an Lungenkrebs erkrankt? Dass Frau X (2.Semester Psychologie) ihr Studium erfolgreich abschliesst

5 Wahrscheinlichkeitsurteile
relevant für Vorhersage, Planung, Abschätzen der Erfolgs- Misserfolgschancen, u.ä. Entscheiden negatives Ereignis Erfolg von Kontrolle Risiko Eintretenswahrscheinlichkeit als eine Komponente der Risikowahrnehmung

6 Überschätzen/Unterschätzen Summe ist nicht gleich 1
Wahrscheinlichkeitsurteile stimmen oft nicht mit Wahrscheinlichkeitstheorie überein Überschätzen/Unterschätzen Summe ist nicht gleich 1 z.B.: Norderneyer Badezeitung 41/1991 (aus Hohlspiegel, 1997) „Fuhr vor einigen Jahren noch jeder zehnte Autofahrer zu schnell, so ist mittlerweile heute `nur noch` jeder fünfte. Aber auch fünf Prozent sind zu viele, und so wird weiterhin kontrolliert, und die Schnellfahrer haben zu zahlen.“

7 Wie kommen Wahrscheinlichkeitsurteile zustande?
in manchen Fällen: Wissen ( z.B. Statistiken) mentale Modelle / Kausalmodelle Frequenzenspeicherung Heuristiken (Heuristics and Biases, Kahneman & Tversky)

8 Heuristics-and-Bias Ansatz von Kahnemann & Tversky
z.B.: Kahneman, Slovic & Tversky (Eds): Judgment under Uncertainty: Heuristics and biases Cambridge: Cambridge University Press, 1982 "Programm" von Kahneman & Tversky  bei Wahrscheinlichkeits-Urteilen: systematische Fehler ( cognitive illusions )  diese erlauben Rückschluss auf verwendete Urteils-Heuristik ( analog zu visual illusions )

9 Heuristiken sind “Daumenregeln” -
werden angewendet, wenn Wahrscheinlichkeitsurteile ohne vorhandenem Kausal- bzw. Strukturwissen gefordert werden. 2 wichtige Heuristiken:  Availability - Heuristik  Representativeness-Heuristik

10 AVAILABILITY (Heuristik der Verfügbarkeit)
Wie leicht lassen sich Beispielsinstanzen im Gedächtnis finden? Je leichter und mehr Beispiele, desto wahrscheinlicher

11 Rationalität der Availability-Heuristik abhängig von Frage:
Wie stark korreliert Häufigkeit mit Verfügbarkeit? Häufigere Ereignisse vermutlich leichter verfügbar. Aber: Verfügbarkeit kann auch zusammenhängen mit: - Auffälligkeit - Wie frisch im Gedächtnis - Selektivität der verfügbaren Information

12 z.B.: Todesursachen: Welche von je zwei Todesarten ist in den USA häufiger? Von herabfallenden Flugzeugteilen erschlagen werden oder von einem Hai angegriffen und getötet zu werden. Diabetes oder Mord Autounfall oder Magenkrebs

13 Antworten (Nach Death Odds, September 1990):
Von fallenden Flugzeugteilen erschlagen zu werden, ist 30 wahrscheinlicher An Diabetes bzw. Magenkrebs sterben 2 soviele Menschen wie an Mord bzw. Autounfällen. Erklärung mittels Availability und verzerrter Häufigkeit im Gedächtnis: Morde und Autounfälle hohe Publicity Diabetes, Magenkrebs nicht Hai-Überschätzung - Der weisse Hai ?

14 REPRÄSENTATIVITÄTS-HEURISTIK
eine Instanz einer Kategorie (Prozess oder Modell) wird präsentiert wie weit stimmen die charakteristischen Eigenschaften der Instanz mit der typischen Kategorie überein je ähnlicher - desto wahrscheinlicher Besonders zur Beantwortung von 2 Fragetypen: Mit welcher Wahrscheinlichkeit gehört Element a zur Menge X? Mit welcher Wahrscheinlichkeit wurde Ereignis e durch Prozess Y erzeugt?

15 Fehler bei Anwendung der Repräsentativitäts-Heuristik aus verschiedenen Gründen:
Betrachten Sie das Geschlecht der nächsten 6 Kinder, die im Kantonsspital Fribourg zur Welt kommen. ( W ... Kind ist weiblich, M ... Kind ist männlich ) Die Reihenfolgen der W und M für die nächsten 6 Kinder können verschieden sein. In A und B sind zwei Reihenfolgen von 6 Kindern dargestellt, welche ist wahrscheinlicher ? A M M M W W W B M W W M W M Üblicherweise: B wahrscheinlicher als A Grund für Fehler: Falsche Annahme über Zufallsprozesse (B erscheint als repräsentativer für Zufallsprozess)

16 CONJUNCTION FALLACY als Spezialfall der Repräsentativitäts -Heuristik
Linda ist 31 jahre alt und single. Sie ist offen und sehr intelligent. Sie hat sechs Semester Philosophie studiert. Während ihrer Studienzeit hat sie sich intensiv mit Fragen der Diskrimination von Ausländern, Randgruppen, etc. und sozialer Gerechtigkeit befasst. Sie hat auch an Demonstrationen gegen Atomkraftwerke teilgenommen.

17 Was ist subjektiv wahrscheinlicher, A oder B ?
A Linda ist Kassierin in einer Bank X B Linda ist Kassierin in einer Bank, und aktiv tätig in der feministischen Bewegung X & Y ( Konjunktion von X und Y ) Üblicherweise: B wahrscheinlicher als A ( = “technisch” unmöglich)

18 Lt. Wahrscheinlichkeitstheorie falsch:
p(X & Y) kann nie grösser sein als p(X) p(weibl & Studentin) kann nie grösser sein als p(weibl) Aufgrund der Beschreibung erscheint X&Y als repräsentativer für Linda

19 POSITIV AM HEURISTICS AND BIAS - ANSATZ
Kann viele Fehler bei Wahrscheinlichkeitsurteilen erklären KRITIK : (u.a. von Gruppe um G. Gigerenzer) Kaum Vorhersagen, wann welche Heuristik eingesetzt wird. Kein Prozessmodell - komputationales Modell für Heuristiken Durch frequentistische Formulierung werden Effekte manchmal verkleinert (Gigerenzer), jedoch nicht immer.

20 Problem der Übersetzung von alltagssprachlichen Formulierungen in Sprache der Wahrscheinlichkeitstheorie nicht untersucht.

21 ENTSCHEIDEN Arbeitsdefinition Prozess vom Bewusstwerden von mindestens zwei Handlungsmöglichkeiten bis zur präferentiellen Wahl einer (Festlegung auf eine) Handlungsmöglichkeit Multidimensionalität Risiko

22 Beispiele für Entscheidungen
Mieten einer Wohnung Wahl eines Themas für die Bachelorarbeit Kauf eines Laptops betriebliche Investition Medikament oder Operation? Heirat o.ä, (noch) ein Kind? jetzt/später?

23 Entscheiden als kognitiver Prozess
Denkprozess (Lösen eines schlecht definierten Problems) eng verknüpft mit anderen kognitiven Funktionen (Wahrnehmung, Wissensrepräsentation, etc.) eng verknüpft mit Motivation (Ziele, Werte) eng verknüpft mit Emotion - in Verbindung mit Alternativen, Konsequenzen (Angst, Vorfreude, etc.) - während des Prozesses (Stress, Unsicherheit, Freude, …) oft sozialer Aspekt Entscheidung im sozialen Feld (Gruppe, Organisation,…) Rechtfertigung der Entscheidung

24 RISIKOENTSCHEIDUNGEN
BEISPIELE neuer Posten bei Fa A bleiben zu Fa B wechseln Unsicherheit: überlebt Firma B das erste Jahr? Medikament einnehmen (Unsicherheit: Nebenwirkungen) nicht einnehmen (Unsicherheit: Heilung möglich?) EU Beitritt für Schweiz Spiele Roulette, Münzwurf, Lotto, ...

25 Einfache Strategien für Risikoentscheidungen
Maximax (Maximiere den maximalen Gewinn) - bei jeder Alt: was ist die beste (maximale) Konsequenz - Vergleich dieser besten Konsequenzen - Wahl der Alt mit der maximalen besten Konsequenz. Probleme: andere mögliche Konsequenzen unberücksichtigt keine Wahrscheinlichkeiten berücksichtigt sehr riskant ("Optimist")

26 Maximin (Minimax) (Maximiere den minimalen Gewinn / minimiere den maximalen Verlust) - bei jeder Alt: was ist die schlechteste (minimale) Konsequenz - Vergleich dieser schlechtesten Konsequenzen - Wahl der Alt mit der besten (maximalen) schlechtesten (minimalen) Konsequenz. Probleme: andere Konsequenzen unberücksichtigt keine Wahrscheinlichkeiten berücksichtigt äusserst vorsichtig ("Pessimist")

27 Subjective expected utility-Modell (SEU)
1 Bestimmung des subj Gesamtwert (subj expected utility) für jede (Handlungs)Alternative a 2 Wahl der Alternative mit dem höchsten Gesamtwert SEU(a)...subj Gesamtwert (subj expected utility) der Alt a

28 SEU(a) = u(o1)ps(o1) + u(o2)ps(o2)+ ... = u(oi)ps(oj)
ps(oj)...subjektive Wahrscheinlichkeit der Konsequenz oj subjektive Wahrscheinlichkeit - nicht objektive o … outcome (= Konsequenz) u(oi)...utility = subjektiver Wert der Konsequenz oi

29 KRITISCHE PRÜFUNGEN des SEU
Beispiel: Intransitivitäten z.B.: Tversky (1969): Lexicographische Heuristik mit Schwellen Dim 1 wichtiger als Dim 2 Alt x   y   z    nur Unterschiede > 1 werden wahrgenommen x aus x, y (d.h.: x besser als y ) y aus y, z y besser als z z aus x, z x besser als z

30 Spiele der folgenden Art:
4.50 $ $

31 Wahrscheinlichkeit. Wichtiger als Gewinn ( $ )
Alt a 7/ b / c / d / e / ( wird Unterschied  1/24 nicht wahrgenommen  Intransitivitäten bei Anwendung der Lexicograph. Heuristik) bei ca. 50 % der Vpn stabile Transitivitätsverletzungen

32 FAZIT SEU-Modell als psychologische Entscheidungstheorie falsifiziert und untauglich!! (Aber: noch immer in manchen Bereichen vorausgesetzt, z.B. Motivationstheorie) zwei "Lösungsstrategien" für Problem mit SEU (1) Änderung des SEU / Varianten des SEU z.B. Kahnemann & Tversky (1979): Prospect Theory Regret-Theorie (2) Völlige Abkehr vom SEU, andere Modelle z.B. Einfache Heuristiken (Maximin, Lexicographische Heuristik, …..)

33 PROSPECT-THEORY (Kahnemann & Tversky; 1979, 1992)
2 Phasen im Entscheidungs-Prozess (1) Editing und (2) Evaluation (1) Editing Aufbau einer Repräsentation des E-Problems E-Problem wird möglichst einfach repräsentiert wichtigste Operation: coding

34 coding - Outcomes werden als Gewinn oder Verlust repräsentiert
ausgehend von Referenzpunkt ( 0-Punkt ) (z.B. momentane Lage) unterschiedliche Wertefunktionen (Utilityfunktionen) für Gewinn und Verlust  Referenzpunkt kann sich ändern z.B. durch Änderung der Situation, Formulierung

35 Verlustbereich v(x) = x.8
Beispiel Gewinnbereich v(x) = x.5 subj. Wert obj. Referenzpunkt Geldbetrag Verlustbereich v(x) = x.8

36 Wert eines Spieles mit 2 Outcomes. x, y. Outcome x mit Wahrsch p
Wert eines Spieles mit 2 Outcomes.... x, y Outcome x mit Wahrsch p Outcome y mit Wahrsch q ( mit q = 1-p ) V(Spiel) = (p)  v(x) + (q)  v(y) Prospect-Theory SEU(Spiel) = p  u(x) q  u(y) Subj Exp Utility

37 Prospect Theory kann Entscheidungen deutlich besser erklären als SEU-Modell macht viele interessante Vorhersagen z.B.: Kodierung der Konsequenzen FRAMING Unterschiedliche Formulierungen desselben Problems  unterschiedlicher Repräsentation Framing - Effekt

38 Beispiel: ASIAN DISEASE PROBLEM
(Tversky and Kahneman, 1981) Stellen Sie sich vor, in den USA ist eine unbekannte asiatische Krankheit am Ausbrechen. An dieser Krankheit werden 600 Leute sterben. Die Regierung hat die Wahl zwischen 2 Programmen (A und B) zur Bekämpfung der Krankheit. Beschreibung der Programme A und B für zwei Gruppen von Vpn variiert: Gruppe: Positives Framing Gruppe: Negatives Framing

39 Positives Framing Programm A: Genau 200 Leute werden gerettet. Programm B: Es gibt eine Wahrscheinlichkeit von 1/3, dass 600 Leute gerettet werden und eine Wahrscheinlichkeit von 2/3, dass niemand gerettet wird. Welches der beiden Programme würden Sie wählen ?

40 Negatives Framing Programm A’: Genau 400 Leute sterben. Programm B’: Es gibt eine Wahrscheinlichkeit von 1/3, dass niemand stirbt und eine Wahrscheinlichkeit von 2/3, dass alle sterben. Welches der beiden Programme würden Sie wählen ?

41 Gruppe: Positives Framing: 72% der Vpn für Programm A
Gruppe: Positives Framing: % der Vpn für Programm A Die Vpn waren also risiko-vermeidend (ziehen sichere Konsequenz der unsicheren vor) Gruppe: Negatives Framing: % der Vpn für Programm B’ Die Vpn waren also risiko-suchend. (ziehen unsichere Konsequenz der sicheren vor) Effekt mit über viele Experimente hinweg sehr robust

42 ERKLÄRUNGEN FÜR FRAMING:
Frame induziert unterschiedliche Referenzpunkte positiver Frame: alles als Gewinn codiert: A B /3* 600.5  A besser negativer Frame: alles als Verlust codiert: A’ B’ -(400.8) /3*-(600.8 )  B’ besser

43 FAZIT Prospect-Theory ist deutlich besser als SEU-Modell. klassische Entscheidungstheorie untersucht experimentell praktisch ausschliesslich mit Glückspielen oder Aufgaben, die wie Glüchspiele vorstrukturiert sind. Generalisierbarkeit?

44