極端な結果が平均へ回帰することを予想する

異常に良い、あるいは悪いパフォーマンスは次回はより平均的なパフォーマンスを予測する——賞賛や非難をする前にこれを考慮する。

Why it works

平均への回帰は、パフォーマンスにスキルと偶然の両方が関わる場合に必ず生じる数学的な必然だ。代表性ヒューリスティックは人にそれを無視させる。極端な結果を根底にある現実を完全に反映しているかのように説明し(「彼らは角を曲がった」「この人は絶望的だ」)、部分的に偶然の変動を反映しているに過ぎないとは考えない。これが有名な介入の錯覚を生む。悪いパフォーマンスの後の厳しいフィードバックは「効く」ように見え、良いパフォーマンスの後の賞賛は「害になる」ように見える——単に極端な結果は介入とは関係なく回帰するからだ。

How to do it

1. 異常に高い、あるいは低い結果を観察した後、「これはどれだけ真の平均周辺の偶然の変動によるものか」を問う。
2. 次の結果は、その人やプロセスの長期的な平均に近づく可能性が高く、それほど極端ではないと予測する。
3. 変化を介入に帰属させる前に、複数回の追跡観察でそれを検証する。
4. 観察できることについてのフィードバックと、根底にある才能や状態についての結論を切り分ける。

エビデンス

平均への回帰は相関する変数の数学的な性質だ(フランシス・ゴルトンが1886年に発見した)。カーネマンの介入の錯覚の例(飛行教官が賞賛か批判かをする)は、回帰を無視することが誤った因果帰属を生む様子を示している。これは教育的な例であり、正式な研究ではない。 (mechanistic)

ある結果がどれだけ回帰するかは、スキルと運がどれだけ強くそれを決定するかに依存する。回帰は、高分散で運の影響が強い領域では、スキルに強く決定される領域よりも重要になる。

出典

• Galton (1886), Regression towards mediocrity in hereditary stature, Journal of the Anthropological Institute of Great Britain and Ireland

よくある間違い

回帰をフィードバックを無視する理由として扱うこと——本当のスキル向上は起こるが、単一の極端な結果から推測するのではなく、複数の観察にわたって確認されるべきだ。