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.
Why it works
L'heuristique de représentativité est insensible à la taille de l'échantillon : les gens jugent la probabilité d'une séquence de résultats avec 4 observations de la même façon qu'une avec 40. Mais plus l'échantillon est petit, plus la variance est élevée — les résultats extrêmes ou en motif sont bien plus probables par hasard. Reconnaître que les petits échantillons ne sont pas fiables corrige la tendance à donner du sens aux premiers résultats et à faire des généralisations prématurées.
How to do it
- En tirant une conclusion de données, écrivez explicitement la taille de l'échantillon.
- Demandez : « si la vérité sous-jacente était aléatoire, à quelle fréquence verrais-je un résultat aussi extrême par hasard dans un échantillon de cette taille ? »
- Retenez les conclusions fermes jusqu'à avoir un échantillon qui rend les explications par le hasard peu plausibles.
- Si vous ne pouvez pas obtenir un échantillon plus grand, élargissez votre intervalle de confiance plutôt que de resserrer votre conclusion.
Données probantes
La « loi des petits nombres » (Tversky & Kahneman, 1971) décrit la croyance erronée selon laquelle les petits échantillons sont aussi représentatifs que les grands. Ceci est bien répliqué tant dans les populations profanes qu'expertes, y compris chez des psychologues raisonnant sur la puissance statistique. (observational)
Le scepticisme envers les petits échantillons peut être surcorrigé — tout résultat précoce ne devrait pas être rejeté ; la mise à jour bayésienne avec un a priori raisonnable est plus calibrée qu'un scepticisme général.
Sources
- Tversky & Kahneman (1971), Belief in the law of small numbers, Psychological Bulletin
Erreur fréquente
Élargir les intervalles de confiance numériquement mais agir quand même sur l'estimation ponctuelle — l'ajustement doit changer la décision, non seulement la reconnaissance verbale de l'incertitude.
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.
- 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.
- 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.
- 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