Utiliser le raisonnement maximin pour les décisions à enjeu élevé et irréversibles sous ambiguïté
Choisissez l'option dont le pire résultat plausible est le plus supportable — quand vous ne pouvez pas calculer la valeur attendue, optimisez le plancher.
Why it works
Sous une véritable incertitude knightienne, la maximisation de la valeur attendue est incohérente — vous ne pouvez pas la calculer sans distribution de probabilité. Le cadre maxmin de Gilboa et Schmeidler recommande de choisir l'option dont le pire résultat plausible est le meilleur. Ceci est conservateur mais approprié quand : (1) les enjeux sont élevés, (2) les résultats sont irréversibles, et (3) la distribution de probabilité est véritablement inconnue.
How to do it
- Listez tous les scénarios plausibles, y compris les cas extrêmes.
- Pour chaque option, identifiez le pire résultat réaliste.
- Choisissez l'option où le pire résultat est le plus supportable ou réversible.
- Réservez ceci aux décisions à enjeu élevé et irréversibles ; pour les décisions à faible enjeu, faites de petits paris.
Données probantes
Maximin est une règle de décision bien formalisée en théorie des jeux et théorie de la décision sous ambiguïté (Gilboa & Schmeidler, 1989). Son efficacité en conditions réelles n'est pas testée en essais contrôlés randomisés mais elle est logiquement défendable sous incertitude véritable. (mechanistic)
Maximin est extrêmement conservateur et peut être pire que le raisonnement en valeur attendue quand les probabilités sont réellement estimables — à utiliser seulement quand la distribution de probabilité est véritablement inconnue.
Sources
- Gilboa, I., & Schmeidler, D. (1989). Maxmin expected utility with non-unique prior. Journal of Mathematical Economics, 18(2), 141–153.
- Gilboa, I., & Schmeidler, D. (1989). Maxmin expected utility with non-unique prior. Journal of Mathematical Economics, 18(2), 141-153.
Erreur fréquente
Appliquer maximin à des décisions à faible enjeu où une petite expérience produirait de vraies données — maximin est un dernier recours pour les choix irréversibles à haut enjeu, pas une règle décisionnelle quotidienne.
Pratiquez cela avec IX Coach
More practices for L'aversion à l'ambiguïté — pourquoi les probabilités inconnues semblent pires que les mauvaises probabilités
- Distinguer le risque de l'ambiguïté avant de réagir
Identifiez si vous faites face à des probabilités connues ou véritablement inconnues — le bon outil dépend de la réponse.
- Faire de petits paris pour convertir l'ambiguïté en données
Remplacez la paralysie par des expériences peu coûteuses qui génèrent des preuves locales et réduisent l'incertitude progressivement.
- Vérifier si vous exigez une prime d'ambiguïté injuste
Estimez ce que vous accepteriez sous un risque comparable à probabilités connues — si votre barre est bien plus haute pour les probabilités inconnues, cet écart est le biais.
- Suivre les domaines récurrents où vous évitez systématiquement le non-familier
Repérez où la non-familiarité — pas le risque réel — pilote votre évitement, en consignant les décisions d'évitement dans le temps.
- Mettre à jour progressivement à mesure que les preuves arrivent plutôt que d'attendre la certitude
Énoncez votre meilleure estimation actuelle de probabilité, identifiez ce qui la ferait bouger, et mettez à jour quand cette preuve arrive.
- Séparer « le monde est incertain ici » de « je n'en sais pas encore assez »
Demandez : un expert du domaine ferait-il encore face à cette incertitude ? Sinon, le problème est un manque de compétence — pas une ambiguïté fondamentale.
Concepts associés
- Le biais de statu quo — pourquoi on s'en tient au défaut
The cognitive roots of inertia — and six ways to make real choices instead of non-choices
- L'heuristique de l'affect — quand les sentiments remplacent les faits
How immediate feelings shape risk perception — and how to calibrate them
- L'actualisation hyperbolique — pourquoi le vous futur écope toujours
The gap between your present self and future self — and seven ways to bridge it