Überzeugungen häufig und in kleinen Schritten aktualisieren

Wenn neue Evidenz eintrifft, passen Sie Ihre Wahrscheinlichkeitsschätzung an — auch wenn die Änderung klein ist.

Why it works

Superforecaster aktualisieren häufiger und in kleineren Schritten als durchschnittliche Vorhersager. Der Mechanismus ist bayesianisch: Jedes neue Beweisstück hat ein diagnostisches Gewicht, und proportional zu diesem Gewicht zu aktualisieren erzeugt Kalibrierung. Die zwei Fehlermodi sind Unter-Aktualisierung (Verankerung an der ursprünglichen Schätzung) und Über-Aktualisierung (Überbewertung jüngster auffälliger Ereignisse). Kleine, häufige Aktualisierungen widerstehen beidem, indem sie die Schätzung nahe an der aktuellen Evidenz halten.

How to do it

1. Legen Sie einen regelmäßigen Überprüfungsrhythmus für aktive Prognosen fest: wöchentlich für kurzfristige, monatlich für langfristige.
2. Fragen Sie bei jeder Überprüfung: „Welche Evidenz ist seit dem letzten Mal eingetroffen, und in welche Richtung drängt sie meine Schätzung?“
3. Nehmen Sie eine numerische Aktualisierung vor — selbst ±3 Prozentpunkte —, um die Entscheidung zu protokollieren.
4. Wenn die Evidenz mit dem vorherigen Wert übereinstimmt, notieren Sie das explizit, statt die Zahl unverändert zu lassen.

Evidenz

Im Good Judgment Project aktualisierten Superforecaster ihre Vorhersagen mehr als doppelt so häufig wie der durchschnittliche Teilnehmer und behielten dadurch bessere Kalibrierung. Sequenzielle bayesianische Aktualisierung ist der formale Rahmen; die Turnierdaten bestätigen ihn in der Praxis. (observational)

Die Aktualisierungsfrequenz, die in Vorhersageturnieren die Genauigkeit verbesserte, gilt möglicherweise nicht identisch für persönliche Entscheidungskontexte mit geringerer Signaldichte.

Quellen

• Tetlock & Gardner (2015), Superforecasting

Häufiger Fehler

Zu warten, bis man sich „sicher“ ist über eine Änderung, bevor man aktualisiert — auf Gewissheit zu warten bedeutet, zu spät und um zu viel zu aktualisieren, was genau der Verankerungsfehler ist.