Un pregiudizio di mediazione

L’amore per il pregiudizio non è corrisposto – di nuovo.

“Παν μέτρον άριστον. [Tutto con moderazione.] “ -Kleoboulos di Lindos, attribuito, VI secolo aC

La capacità di media su dati rumorosi è essenziale per una cognizione e un processo decisionale efficaci. Gli studenti introdotti alla distribuzione degli errori gaussiana sono viziati perché questa distribuzione non è solo normale ma anche bella. Il fatto che ci siano diverse misure di ” tendenza centrale ” non ha ancora colpito casa, perché con Gauss sono tutti uguali: la media (la media aritmetica), la modalità (il picco) e la mediana (il 50 ° percentile ). Quando viene introdotta la distorsione, le tre parti. Per una distribuzione distorta negativamente (con la coda sottile a sinistra) e con numeri che salgono da sinistra, la modalità è maggiore della mediana, che è maggiore della media.

Quando i ricercatori presentano ai partecipanti una serie di numeri e chiedono loro di stimare la media, fanno bene a spiegare i tre tipi di tendenza centrale e chiarire quale di essi cercano. Spesso i ricercatori sembrano supporre che chiedere una “media” sarà inteso come “media aritmetica” e quando le stime medie si allontanano dalle medie reali, i ricercatori concludono che sta accadendo qualcosa di interessante.

Se le stime medie colpiscono sempre le medie reali, non ci sarebbe molto di psicologia (Peterson e Beach, 1967). Le discrepanze sollevano domande su ciò che le persone effettivamente fanno per risolvere il compito e su come modellarlo. Parducci (1965) ha presentato un resoconto semplice ed elegante della media. Secondo la sua teoria dell’intervallo di frequenza (RFT), le stime delle medie derivano da un compromesso tra un principio di intervallo e un principio di rango . Il principio dell’intervallo prende il punto a metà tra il valore osservato più piccolo e il più grande, e il principio di rango prende la mediana. Se i due differiscono, dividi la differenza. La RFT ha un buon successo nel predire le prestazioni umane nella media delle attività in un’ampia varietà di contesti (Wedell e Parducci, 2000).

• 31 Knights of Halloween: “Alieni”
• Sei abbastanza persuaso a cambiare la mente di qualcuno?
• L’attività fisica potrebbe essere efficace quanto gli antidepressivi?
• Cani, prigionieri e persone
• Trattamento canalare o ri-impostare un’altra password dannata?

Di volta in volta, i ricercatori cercano di reinventare la RFT o migliorarla – con un successo limitato. In un saggio precedente (Krueger, 2018), ho descritto gli sforzi di un team di Harvard per introdurre un nuovo concetto di espansione di categoria , solo per scoprire che RFT descrive bene i dati senza richiedere un nuovo processo psicologico, per non parlare di “pregiudizi”.

Ora, i ricercatori di Yale e di Cornell ci parlano di una bia bia , un euristico medio ipotetico che produce errori sistematici (Fisher & Keil, 2018, Fisher et al., 2018). Il peccato psicologico è la dicotomia. La media è difficile, e si ritiene che gli intervistati dividano l’intervallo di valori osservati nella metà sinistra e nella metà destra (richiama il principio dell’intervallo), e quindi stimano il numero di osservazioni in ciascuna metà e sottraendo un conteggio dall’altra per arrivare a un punteggio di squilibrio. Questo suona molto simile a RFT perché raccoglie il principio dell’intervallo (utilizzando il mezzo campo come criterio di dicotomia) e il principio di rango (utilizzando le variazioni di inclinazione distribuita). Infatti, la misura dipendente critica, il punteggio di squilibrio , prevede stime della media sull’intero intervallo. Sorprendentemente, tuttavia, il modello computazionale per il bias binario è muto su come il punteggio di squilibrio si traduce in una media stimata; prevede solo che i due siano correlati su coppie di distribuzioni.

• 3 motivi per cui il “piccolo cervello” potrebbe diventare la prossima grande cosa
• Chi è più intelligente: gatti o cani?
• Veloce o lento: stiamo soffrendo di una sindrome da due menti?
• Come la scelta del cocktail predice la spesa online
• Costruire relazioni di supporto

Una storia di 2 menu

Fonte: J. Krueger

Per testare l’ipotesi di bias binario, gli autori costruiscono coppie di distribuzioni in cui i due mezzi sono gli stessi ma lo skew è diverso. Ora, l’inclinazione influisce sia sul punteggio di squilibrio che sulla mediana, confondendo così i due. Considera l’esempio dei due menu (mostrato nella prima figura inserita). Ci sono 10 voci nel menu. I prezzi vanno da $ 12 a $ 20 nel menu 1, e da $ 10 a $ 17 nel menu 2. Quindi, il midrange è $ 16 nel menu 1 e $ 13,5 nel menu 2. Nel menu 1, 7 articoli sono più economici del prezzo medio e 3 sono più costoso. Questo produce un punteggio di squilibrio di 4 (7 – 3). Nel menu 2, 2 elementi sono più costosi rispetto alla gamma media e 8 sono più economici. Questo produce un punteggio di squilibrio di -6 (2 – 8). La previsione è che gli intervistati stimano un prezzo medio più basso per il menu 1 rispetto al menu 2, e in effetti lo fanno. Et voilà , il bias cede errore.

Tuttavia, la mediana mostra la stessa disuguaglianza. La distribuzione dei prezzi per il menu 1 è positivamente distorta (con la maggior parte dei piatti a buon mercato), mentre la distribuzione per il menu 2 non è distorta. Il prezzo medio nel menu 1 è $ 14 e il prezzo medio nel menu 2 è $ 16. Questa parte di RFT sta andando bene. Se, tuttavia, gli intervistati dovessero attribuire alla mediana e al prezzo medio un peso equivalente nella stima delle medie, la media stimata per il menu 1 sarebbe leggermente superiore alla media stimata per il menu 2.

La possibilità che gli intervistati prendano semplicemente la mediana quando stimano i telai medi come un’alternativa plausibile. Gli autori annotano ripetutamente la confusione tra bias binario e giudizio median-driven, ma fanno ben poco per romperlo. Il test più diretto si trova nello studio 7 di Fisher et al. (2018). Qui, troviamo 3 tipi di coppie di distribuzione. In tutte e tre le coppie, la distribuzione con l’inclinazione positiva ha una media leggermente inferiore rispetto alla distribuzione con l’inclinazione negativa. Poiché i numeri presentano un valore in questo esperimento, tutti gli intervistati dovrebbero scegliere tra quest’ultima distribuzione; eppure la maggior parte no, che è coerente con il bias binario. I risultati sono praticamente gli stessi quando i 5 scomparti sono etichettati da “molto poveri” a “molto buoni”. Qui, il mezzo campo coincide con l’etichetta neutra. Nella terza condizione, tuttavia, gli intervistati trovano una scala univoca che va da “fiera” (1) a “estremamente buona” (5). Circa la metà di questi intervistati preferisce ancora la distribuzione con la media inferiore ma l’inclinazione positiva. Gli autori concludono che se l’inclinazione fosse fonte di errore, l’introduzione delle etichette non dovrebbe avere importanza.

Questo è un modo curioso di provare a separare le ipotesi in competizione. L’introduzione di etichette da “fiera” (1) a “estremamente buona” (5) genera una nuova competizione sia per il bias binario che per l’account di skew. In questa condizione, il limite di categoria suggerito semanticamente è passato da 3 a 1,5. Ora c’è una forte richiesta di raggruppare tutte le valutazioni contenenti la parola “buono”. E a quanto pare, la distribuzione con la media più bassa ha meno elementi “giusti” della distribuzione con la media più alta. Questo test non è forte perché si basa sull’idea che qualsiasi effetto significativo confuta l’ipotesi che non prevede alcun effetto (Krueger & Heck, 2017). Spiegando una forte manipolazione della domanda, il mazzo viene impilato. Con un significato importante, è facilmente trascurato che anche in queste circostanze urgenti, la maggior parte delle risposte erano simili piuttosto che diverse dalle risposte nelle altre due condizioni.

Che ci sia la bistecca!

Fonte: J. Krueger

Anche se questo test potrebbe non essere terribile, deve essere considerato debole quando viene chiesto di fare tutto il lavoro. Non è difficile trovare un altro, complementare, modo per mettere in discussione l’ipotesi di bias binario contro l’ipotesi di skew. Torniamo al paradigma del menu e aggiungiamo un oggetto costoso (bistecca ribeye per $ 30) a ciascuna lista. La seconda figura mostra che le medie sono aumentate e che la seconda lista mantiene un prezzo medio più alto. Criticamente, il punteggio di squilibrio è ora bilanciato, quindi non è previsto alcun bias binario. L’RFT, utilizzando sia le informazioni a metà campo che quelle di classifica, prevede una piccola differenza.

Con un po ‘più di ricerca, potremmo imparare se abbiamo bisogno del nuovo concetto di bias binario. Parte del – ingannevole – appello di questa ricerca così com’è è che utilizza l’osservazione non controversa che le persone categorizzano spontaneamente stimoli continui (Krueger e Clement, 1994; Tajfel, 1969) per affermare che questa tendenza compromette la cognizione cross-categoriale come media.

Riferimenti

Fisher, M., & Keil, FC (2018). La distorsione binaria: una distorsione sistematica nell’integrazione delle informazioni. Scienza psicologica . DOI: 10,1177 / 09.567.718,792256 millions

Fisher, M., Newman, GE, e Dhar, R. (2018). Stelle che vedono: come la distorsione binaria distorce l’interpretazione delle valutazioni dei clienti. Journal of Consumer Research . DOI: 10.1093 / jcr / ucy017

Krueger, JI (2018, 16 luglio). Problemi sociali e cognizione umana. Psicologia oggi online . https://www.psychologytoday.com/intl/blog/one-among-many/201807/social-problems-and-human-cognition

Krueger, J., & Clement, RW (1994). Giudizi basati sulla memoria di più categorie: una revisione e un’estensione della teoria dell’accentuazione di Tajfel. Journal of Personality and Social Psychology, 67 , 35-47.

Krueger, JI, & Heck, PR (2017). Il valore euristico di p in inferenza statistica induttiva. Frontiere in Psicologia: Psicologia dell’educazione [Argomento di ricerca: Aspetti epistemologici ed etici della ricerca nelle scienze sociali] . https://doi.org/10.3389/fpsyg.2017.00908

Parducci, A. (1965). Giudizio di categoria: un modello di intervallo-frequenza. Revisione psicologica, 72 , 407-418.

Peterson, CR, & Beach, LR (1967). Uomo come uno statistico intuitivo. Bollettino psicologico, 68 , 29-46.

Wedell DH, & Parducci A. (2000). Confronto sociale. In: J. Suls, & L. Wheeler (eds.), Manuale di confronto sociale: Teoria e ricerca (pagg. 223-252). New York: Plenum / Kluwer.

Tajfel, H. (1969). Aspetti cognitivi del pregiudizio. Journal of Social Issues, 25 , 79-97.