S'attendre à ce que les résultats extrêmes régressent vers la moyenne
Une performance inhabituellement bonne ou mauvaise prédit une performance plus moyenne la prochaine fois — tenez-en compte avant de louer ou blâmer.
Why it works
La régression vers la moyenne est une inévitabilité mathématique chaque fois que la performance implique à la fois de la compétence et du hasard. L'heuristique de représentativité fait que les gens l'ignorent : ils expliquent les résultats extrêmes comme s'ils reflétaient entièrement la réalité sous-jacente (« ils ont pris un tournant » / « cette personne est désespérée »), plutôt que de refléter en partie une fluctuation du hasard. Cela produit la fameuse illusion d'intervention : un retour dur après une mauvaise performance « fonctionne » et l'éloge après une bonne « nuit », simplement parce que les résultats extrêmes régressent, indépendamment de l'intervention.
How to do it
- Après avoir observé un résultat inhabituellement élevé ou faible, demandez : « quelle part de ceci pourrait être due à une fluctuation du hasard autour de la vraie moyenne ? »
- Prédisez que le résultat suivant sera probablement plus proche de la moyenne à long terme de la personne ou du processus, pas aussi extrême.
- Avant d'attribuer un changement à une intervention, vérifiez-le avec plus d'une ou deux observations de suivi.
- Séparez le retour sur ce que vous pouvez observer des conclusions sur le talent ou l'état sous-jacent.
Données probantes
La régression vers la moyenne est une propriété mathématique des variables corrélées (Francis Galton l'a identifiée en 1886). L'exemple d'illusion d'intervention de Kahneman (instructeurs de vol louant ou critiquant) illustre comment ignorer la régression cause de fausses attributions causales ; c'est un exemple pédagogique, non une étude formelle. (mechanistic)
À quel point un résultat régresse dépend de la force avec laquelle la compétence versus le hasard le détermine ; la régression compte davantage dans les domaines à forte variance influencés par le hasard que dans ceux fortement déterminés par la compétence.
Sources
- Galton (1886), Regression towards mediocrity in hereditary stature, Journal of the Anthropological Institute of Great Britain and Ireland
Erreur fréquente
Traiter la régression comme une raison d'ignorer le retour — de véritables améliorations de compétence se produisent, mais elles devraient être confirmées sur plusieurs observations, non inférées d'un seul résultat extrême.
Pratiquez cela avec IX Coach
More practices for L'heuristique de représentativité — juger par ressemblance
- Vérifier les taux de base avant de former un jugement de ressemblance
Avant de décider « ceci ressemble à X », demandez à quel point X est réellement commun dans la population concernée.
- Identifier quelles caractéristiques sont réellement diagnostiques
Séparez les caractéristiques qui différencient réellement les catégories de celles qui complètent seulement le tableau.
- Reconnaître que les séquences aléatoires ne « doivent » pas d'équilibre
Les processus aléatoires n'ont pas de mémoire — une série de piles ne rend pas face plus probable.
- Traiter les petits échantillons avec un scepticisme explicite
Une courte séquence peut sembler représentative sans être statistiquement fiable — ajustez la confiance selon la taille de l'échantillon.
- Auditer les jugements sur les personnes pour la substitution de prototype
Vérifiez si un jugement sur une personne est fondé sur son comportement réel ou sur sa ressemblance à un type.
- Nommer le prototype auquel vous comparez avant de décider
Rendez explicite le prototype que vous utilisez comme référence — les modèles cachés biaisent les décisions sans examen.
Concepts associés
- Le sophisme de la conjonction — Quand « plus de détails » semble plus probable
How narrative coherence tricks probability judgment — and how to think past it
- Le biais de planification — Pourquoi vos estimations sont toujours fausses
The cognitive bias behind missed deadlines — and six evidence-grounded corrections