Adaptive Sampling Policies führen zu verzerrten Überzeugungen: Eine Verallgemeinerung des Hot-Stove-Effekts

Conceptos Básicos

Adaptive Stichprobennahme-Strategien führen zu systematischen Verzerrungen in den Überzeugungen von Lernenden, selbst wenn diese die Informationen unverzerrt verarbeiten.

Resumen

Der Artikel untersucht, wie adaptive Stichprobennahme-Strategien zu systematischen Verzerrungen in den Überzeugungen von Lernenden führen können, selbst wenn diese die Informationen unverzerrt verarbeiten.
Kernpunkte:

In einem zweistufigen Lernprozess beobachtet ein Lernender zunächst k Auszahlungen einer Alternative und berechnet den Durchschnitt. In der zweiten Stufe nimmt der Lernende eine weitere Stichprobe von n Auszahlungen, wobei n eine Funktion des in der ersten Stufe berechneten Durchschnitts ist.
Es wird gezeigt, dass der endgültige Durchschnittswert über beide Stufen hinweg verzerrt sein wird, wenn n eine streng monotone Funktion des ersten Durchschnitts ist. Bei steigendem n für höhere erste Durchschnittswerte ergibt sich eine Negativitätsverzerrung, bei sinkenden n eine Positivitätsverzerrung.
Dieser Effekt tritt auch bei Bayesscher Aktualisierung auf: Die meisten Bayesschen Lernenden unterschätzen den erwarteten Wert, wenn die Stichprobengröße in der zweiten Stufe mit dem ersten Durchschnittswert steigt.
Die Verzerrungen verschwinden asymptotisch, wenn die Gesamtstichprobengröße gegen unendlich geht, können aber in der Praxis signifikant sein.
Adaptive Stichprobennahme-Strategien, die notwendig sind, um Suchkosten zu reduzieren, bieten eine alternative Erklärung für beobachtete Urteilsverzerrungen, ohne dass kognitive Verzerrungen angenommen werden müssen.

Estadísticas

Die erwartete Differenz zwischen dem endgültigen Durchschnittswert und dem wahren Erwartungswert ist proportional zu σ√(k(h-l))/(√(2π)(k+l)(k+h)), wobei σ die Standardabweichung der Auszahlungen, k die Stichprobengröße in der ersten Stufe, h die Stichprobengröße in der zweiten Stufe bei positivem Durchschnittswert in der ersten Stufe und l die Stichprobengröße in der zweiten Stufe bei negativem Durchschnittswert in der ersten Stufe ist.
Wenn die Stichprobengröße in der zweiten Stufe mit dem ersten Durchschnittswert steigt, unterschätzen die meisten Bayesschen Lernenden den wahren Erwartungswert.

Citas

"Adaptive Stichprobennahme-Strategien, die notwendig sind, um Suchkosten zu reduzieren, bieten eine alternative Erklärung für beobachtete Urteilsverzerrungen, ohne dass kognitive Verzerrungen angenommen werden müssen."
"Selbst rationale Bayessche Lernende tendieren dazu, den erwarteten Wert einer Alternative zu unterschätzen, wenn die Gesamtstichprobengröße höher ist, wenn die anfänglich beobachteten Auszahlungen hoch sind."

Ideas clave extraídas de

Adaptive Sampling Policies Imply Biased Beliefs

by Jerker Denre... a las arxiv.org 04-04-2024

https://arxiv.org/pdf/2404.02591.pdf

Consultas más profundas

Wie können adaptive Stichprobennahme-Strategien in der Praxis so gestaltet werden, dass die Verzerrungen minimiert werden?

Adaptive Stichprobennahme-Strategien können in der Praxis so gestaltet werden, dass Verzerrungen minimiert werden, indem die Auswahl der Stichprobengröße sorgfältig gesteuert wird. Eine Möglichkeit besteht darin, die Stichprobengröße nicht nur von den bisherigen Beobachtungen abhängig zu machen, sondern auch von anderen Faktoren wie der Varianz der Daten oder der Zuverlässigkeit der bisherigen Schätzungen. Durch die Berücksichtigung dieser zusätzlichen Informationen kann die adaptive Stichprobennahme dazu beitragen, Verzerrungen zu reduzieren, indem sie sicherstellt, dass genügend Daten gesammelt werden, um fundierte Entscheidungen zu treffen.

Welche Implikationen haben die Ergebnisse für die Aggregation von Informationen in Online-Bewertungen oder in Finanzmärkten?

Die Ergebnisse haben wichtige Implikationen für die Aggregation von Informationen in verschiedenen Kontexten, einschließlich Online-Bewertungen und Finanzmärkten. In Online-Bewertungen könnten adaptive Stichprobennahme-Strategien dazu führen, dass negative Bewertungen überproportional stark gewichtet werden, was zu einer Verzerrung der Gesamtbewertung führt. Dies könnte dazu führen, dass Produkte oder Dienstleistungen ungerechtfertigt schlecht bewertet werden. In Finanzmärkten könnten ähnliche Verzerrungen auftreten, wenn Anleger dazu neigen, negative Informationen stärker zu berücksichtigen als positive Informationen, was zu irrationalen Handelsentscheidungen führen kann.

Inwiefern können ähnliche Verzerrungen auch in anderen Lernkontexten auftreten, z.B. beim Lernen von Fähigkeiten oder beim Erwerb von Wissen?

Ähnliche Verzerrungen können auch in anderen Lernkontexten auftreten, insbesondere beim Lernen von Fähigkeiten oder beim Erwerb von Wissen. Wenn Lernende dazu neigen, negative Rückmeldungen stärker zu berücksichtigen als positive Rückmeldungen, kann dies zu einer Verzerrung in ihren Fähigkeiten oder ihrem Wissenserwerb führen. Dies könnte dazu führen, dass Lernende bestimmte Fähigkeiten oder Konzepte unterschätzen oder überbewerten, je nachdem, wie sie mit positiven und negativen Informationen umgehen. Daher ist es wichtig, in verschiedenen Lernkontexten bewusst mit adaptiven Lernstrategien umzugehen, um Verzerrungen zu minimieren und fundierte Entscheidungen zu treffen.