18 - Apprivoiser les prédictions intuitives

18

 

 

Apprivoiser les prédictions intuitives

 

La vie nous offre bien des occasions de prédire. Les économistes

prédisent l'inflation et le chômage, les analystes financiers prédisent

les bénéfices, les spécialistes militaires prédisent les pertes, les

capital-risqueurs évaluent la profitabilité, les éditeurs et les

producteurs misent sur un public, les chefs cuisiniers anticipent la

popularité des plats de leur menu, les ingénieurs estiment la quantité

de béton nécessaire à un chantier, les commandants de pompiers

évaluent le nombre de camions qu'il faudra pour éteindre un

incendie. Et dans notre vie privée, nous prédisons la réaction de

notre conjoint à nos projets, ou notre propre adaptation à un nouvel

emploi.

Certains jugements prédictifs, comme ceux des ingénieurs,

reposent essentiellement sur des tables de correspondance, des

calculs pointus et l'analyse précise de résultats antérieurs obtenus

dans des conditions similaires. D'autres impliquent l'intuition et le

Système 1, de deux façons principales. Certaines intuitions font

principalement appel aux compétences et à l'expertise par la

répétition de l'expérience. Les jugements rapides et automatiques et

les choix des maîtres d'échecs, des commandants de pompiers et des

médecins que Gary Klein a décrits dans Sources of Power et ailleurs

illustrent ces intuitions de compétence, qui permettent à une solution au problème en cours de venir rapidement à l'esprit parce que des

indices familiers ont été reconnus.

D'autres intuitions, qui sont parfois subjectivement impossibles à

distinguer des premières, viennent du fonctionnement d'heuristiques,

qui substituent souvent une question facile à celle, plus dure, qui

avait été posée. Des jugements intuitifs peuvent ainsi être rendus

avec une grande confiance même quand ils sont fondés sur des

évaluations non régressives d'informations faibles. Bien sûr, bon

nombre de jugements, surtout dans le domaine professionnel, sont

influencés par une combinaison d'analyse et d'intuition.

 

Intuitions non régressives

 

Revenons à une personne que nous avons déjà rencontrée :

 

Julie est actuellement en dernière année à l'université. Elle

lisait couramment à l'âge de quatre ans. Quelle est la moyenne

de ses notes ?

 

Les gens qui connaissent le système éducatif américain

imagineront rapidement un chiffre, souvent situé aux alentours de

3,7 ou 3,8. Comment cela se fait-il ? Plusieurs opérations du

Système 1 sont impliquées.

 

◆ On recherche un lien causal entre la preuve (la capacité de lecture de Julie) et la cible de la prédiction (sa

moyenne). Ce lien peut être indirect. En l'occurrence, une capacité de lecture précoce et une moyenne élevée sont l'une et l'autre le signe d'un don pour les études. Il faut établir une connexion. Vous (votre Système 2) rejetteriez sans doute une information sur la victoire de Julie dans un concours de pêche à la mouche ou sur ses performances en haltérophilie à l'école, les considérant comme inappropriés. C'est effectivement un processus dichotomique. Nous sommes capables de rejeter des informations considérées comme inadaptées ou fausses, mais le Système 1 n'est pas à même de prendre en compte des failles plus infimes dans les indices. Par conséquent, les prédictions intuitives sont presque complètement imperméables à la véritable qualité prédictive de la preuve. Quand on trouve un lien, comme dans le cas des capacités de lecture de Julie, COVERA s'applique : votre mémoire associative bâtit rapidement et automatiquement la meilleure histoire possible à partir des informations disponibles.

◆ Ensuite, les indices sont évalués en relation avec la norme appropriée. À quel point un enfant qui lit couramment à

quatre ans est-il précoce ? Quel classement ou score en pourcentage relatif correspond à cet exploit ? Le groupe auquel l'enfant est comparé (ou groupe de référence) n'est pas totalement spécifié, mais c'est ainsi dans la plupart des cas : si quelqu'un qui prépare un diplôme universitaire est qualifié de « très intelligent », il est rare que vous ayez besoin de demander, « quand vous dites “très intelligent”, c'est par rapport à quel groupe de référence ? »

◆ L'étape suivante implique la substitution et l'équivalence d'intensité. L'évaluation de la preuve, fragile, de la

capacité cognitive dans l'enfance est substituée à une réponse à la question sur la moyenne des notes de Julie. Elle se verra assigner le même pourcentage pour ses notes que pour ses succès en tant que lectrice précoce.

◆ La question spécifiait que la réponse soit chiffrée comme une note universitaire, ce qui nécessite une nouvelle

opération d'équivalence d'intensité, pour passer de l'impression générale de la réussite universitaire de Julie à la moyenne équivalant à la preuve de son talent. L'étape finale est la traduction de l'impression de la réussite scolaire relative de Julie à la note moyenne qui y correspond.

 

L'équivalence d'intensité donne des prédictions qui sont aussi

extrêmes que les preuves sur lesquelles elles reposent, ce qui amène

les gens à fournir la même réponse à deux questions différentes :

 

Quelle est, en pourcentage, l'évaluation de Julie en termes de

lecture précoce ?

Quelle est, en pourcentage, l'évaluation de Julie en termes de

note moyenne universitaire ?

 

Vous devriez désormais reconnaître facilement que toutes ces

opérations sont des caractéristiques du Système 1. Je les ai

présentées ici sous la forme d'une série ordonnée d'étapes, mais,

bien sûr, ce n'est pas comme cela que fonctionne l'activation de la

mémoire associative. Vous devriez plutôt imaginer un processus

d'activation par extension progressive, déclenché au départ par la

preuve et la question, se renvoyant à lui-même des informations

pour choisir, in fine, la solution la plus cohérente possible.

 

Un jour, Amos et moi avons demandé aux participants d'une

expérience d'évaluer la description de huit étudiants de première

année, censées avoir été rédigées par un conseiller d'orientation sur

la base des entretiens de début d'année. Chaque description se

composait de cinq adjectifs, comme dans l'exemple qui suit :

 

Intelligent, sûr de lui, cultivé, travailleur, curieux

Nous avons demandé à certains participants de répondre à deux

questions :

 

À quel point cette description vous impressionne-t-elle en

termes de capacités scolaires ?

Selon vous, quel pourcentage des descriptions des étudiants

de première année vous impressionnerait encore plus ?

 

Les questions vous obligent à évaluer les preuves en comparant

les descriptions à ce qui serait votre norme en matière de description

d'étudiants par des conseillers d'orientation. L'existence même d'une

telle norme est tout à fait remarquable. Bien que vous ne sachiez

sans doute pas comment vous l'avez acquise, vous avez une idée

assez juste du degré d'enthousiasme que traduit la description : le

conseiller d'orientation pense que cet étudiant est bon, mais pas

spectaculairement bon. Il y a de la place pour des adjectifs plus forts

qu'intelligent (brillant, créatif), cultivé (érudit, très savant) ou

travailleur (passionné, perfectionniste). D'où votre diagnostic : cet

étudiant a sans doute sa place parmi les 15 % les meilleurs, mais

sûrement pas parmi les 3 %. Un tel jugement rencontre un consensus

impressionnant, du moins au sein d'une même culture.

Les autres participants à notre expérience devaient répondre à des

questions différentes :

 

A combien estimez-vous la note moyenne qu'obtiendra cet

étudiant ?

Quel est le pourcentage d'étudiants de première année qui

obtiennent une meilleure moyenne ?

 

Vous devez vous y reprendre à deux fois pour déceler la subtile

différence entre les deux séries de questions. Elle devrait pourtant

sauter aux yeux, mais dans les faits, ce n'est pas le cas : contrairement aux premières questions, qui ont seulement nécessité

que vous évaluiez les preuves, la deuxième série implique une

grande incertitude. La question se rapporte aux accomplissements

effectifs de l'étudiant en fin de la première année – ce qui n'est pas

sans poser problème : que s'est-il passé pendant l'année qui s'est

écoulée depuis l'entretien ? Avec quelle précision pouvez-vous

prédire la réussite réelle de l'étudiant durant sa première année à

l'université à partir de cinq adjectifs ? Le conseiller d'orientation lui-

même pourrait-il prédire une moyenne avec exactitude à partir d'un

entretien ?

L'objectif de cette étude était de comparer les jugements en

pourcentage effectués par les participants quand ils évaluaient les

preuves dans un cas, et quand ils prédisaient le résultat final dans

l'autre. Il est facile d'en résumer les conclusions : les jugements

furent identiques. Bien que les deux séries de questions aient été

différentes (l'une porte sur la description, l'autre sur la réussite

universitaire future de l'étudiant), les participants les ont traitées

comme si elles étaient semblables. Comme dans le cas de Julie, la

prédiction du futur ne se distingue pas d'une évaluation des preuves

disponibles – la prédiction équivaut à l'évaluation. C'est peut-être là

la meilleure preuve que nous ayons du rôle de la substitution. On

demande aux gens une prédiction, mais ils y substituent une

évaluation fondée sur des preuves, sans s'apercevoir que la question

à laquelle ils répondent n'est pas celle qu'on leur a posée. Ce

processus ne peut que produire des prédictions systématiquement

biaisées, ignorant totalement la régression vers la moyenne.

Pendant mon service militaire dans l'armée israélienne, j'ai passé

un certain temps affecté à une unité chargée de sélectionner les

candidats à une formation d'officier sur la base d'une série

d'entretiens et de tests sur le terrain. Le critère de réussite de notre

sélection était la note finale obtenue par l'élève à l'école d'officiers.

La notation était connue pour être d'une validité douteuse (j'y

reviendrai dans un chapitre ultérieur). Des années plus tard, alors

que j'étais devenu professeur et que je collaborais avec Amos à

l'étude du jugement intuitif, cette unité existait toujours. J'avais de

bons contacts avec ses membres, et leur ai demandé une faveur. Outre le système de notation habituel qu'ils utilisaient pour évaluer

les candidats, je leur ai demandé d'estimer au plus près la note que

chacun des futurs élèves officiers obtiendrait à l'école militaire. Ils

rassemblèrent quelques centaines de prédictions de ce genre. Les

officiers qui étaient les auteurs de ces prédictions étaient tous

familiers du système de notation par lettres que l'école appliquait à

ses élèves, et de la proportion approximative de A, de B, etc. parmi

ces notes. Les résultats furent stupéfiants : la fréquence relative des

A et des B dans les prédictions était presque identique à celle des

notes finales de l'école.

C'est là un exemple convaincant à la fois de substitution et

d'équivalence d'intensité. Les officiers auteurs des prédictions

avaient complètement échoué à faire la distinction entre deux

tâches :

* leur mission habituelle, qui était d'évaluer la performance de

candidats durant leur séjour dans l'unité ;

* la tâche que je leur avais demandé d'accomplir, soit la véritable

prédiction d'une note future.

Ils s'étaient contentés de traduire leurs propres notes sur l'échelle

utilisée dans l'école d'officiers, en appliquant l'équivalence

d'intensité. Une fois encore, l'incapacité à gérer l'incertitude

(considérable) de leurs prédictions les avait amenés à des

prédictions totalement non régressives.

 

Corriger les prédictions intuitives

 

Revenons à Julie, notre lectrice précoce. Nous avons vu dans le

chapitre précédent comment prédire au mieux sa note moyenne.

Comme je l'ai fait pour les résultats de golf sur deux jours de

compétition et pour le poids et le piano, je rédige une formule

schématique incluant les facteurs qui déterminent l'âge de la lecture

et les notes universitaires :

 

âge de lecture = facteurs partagés + facteurs spécifiques à

l'âge de lecture = 100 %

note moyenne = facteurs partagés + facteurs spécifiques à la

note moyenne = 100 %

 

Les facteurs partagés recouvrent des aptitudes génétiquement

déterminées, l'importance que la famille accorde aux études, et tout

ce qui peut contribuer à faire d'une même personne un lecteur

précoce dans l'enfance et un étudiant brillant. Bien sûr, de nombreux

facteurs sont susceptibles d'affecter l'un ou l'autre de ces résultats :

Julie pourrait avoir été poussée trop tôt à la lecture par des parents

exagérément ambitieux, elle a pu vivre une histoire d'amour

malheureuse qui a fait baisser ses notes à l'université, elle a pu avoir

un accident de ski à l'adolescence qui l'a laissée légèrement

handicapée, et ainsi de suite.

Rappelez-vous que la corrélation entre deux mesures – dans le cas

présent l'âge des premières lectures et la note universitaire

moyenne – est égale à la proportion de facteurs partagés par leurs

déterminants. À combien estimez-vous cette proportion ?

Personnellement, je l'évalue au mieux à 30 %. Partant de cette

estimation, nous avons tout ce qu'il nous faut pour produire une

prédiction qui ne sera pas biaisée. Voici comment y parvenir en

quatre étapes simples :

 

1. commencez par estimer la note moyenne ;

2. déterminez la note moyenne qui correspond à l'impression que vous a laissée la preuve ; 3. estimez la corrélation entre la preuve dont vous disposez et la note moyenne ; 4. si la corrélation est de 0,3, écartez-vous de 30 % par rapport à la moyenne équivalente.

 

L'étape 1 vous donne la base, la note moyenne que vous auriez

prédite si on ne vous avait rien dit de Julie en dehors du fait qu'elle

était en année de diplôme. En l'absence d'informations, vous auriez

prédit la moyenne. (C'est la même chose que d'assigner une

probabilité de taux de base des étudiants en gestion quand on ne

vous dit rien de Tom W.) L'étape 2 est votre intuition prédictive, qui

correspond à votre évaluation de la preuve. L'étape 3 vous fait

passer de votre base à votre intuition, mais la distance que vous êtes autorisé à parcourir dépend de votre estimation de la corrélation.

Avec l'étape 4, vous vous retrouvez avec une prédiction influencée

par votre intuition, mais beaucoup plus modérée 166 .

Cette approche de la prédiction est générale. Vous pouvez

l'appliquer chaque fois que vous en avez besoin pour prédire une

variable quantitative, comme une note moyenne, un retour sur

investissement ou la croissance d'une société. Cette approche se

fonde sur votre intuition, mais en la modérant, en la faisant régresser

vers la moyenne. Quand vous avez de bonnes raisons d'avoir

confiance dans l'exactitude de votre prédiction intuitive – une

corrélation forte entre la preuve et la prédiction –, l'ajustement sera

minime.

Il est nécessaire de corriger les prédictions intuitives parce

qu'elles ne sont pas régressives et sont par conséquent biaisées.

Supposez que je prédise pour chaque golfeur d'un tournoi que son

score le deuxième jour sera le même que celui du premier jour. Cette

prédiction ne laisse pas de place à la régression vers la moyenne :

les golfeurs qui ont bien joué le premier jour joueront en moyenne

moins bien le lendemain, et ceux qui ont mal joué s'amélioreront.

Quand on les compare aux véritables résultats, on voit que les

prédictions non régressives sont biaisées. En moyenne, elles sont

exagérément optimistes pour ceux qui ont mieux joué le premier

jour, et exagérément pessimistes pour ceux qui ont mal commencé.

Les prédictions sont aussi extrêmes que les preuves. De même, si

vous vous appuyez sur des exploits remontant à l'enfance pour

prédire des notes universitaires sans faire régresser vos prédictions

vers la moyenne, vous serez bien souvent déçu par les résultats

universitaires d'anciens lecteurs précoces et agréablement surpris par

les notes de ceux qui ont appris à lire relativement tard. La

correction des prédictions intuitives élimine ces biais, si bien que les

prédictions (les plus hautes comme les plus basses) ont à peu près

autant de chances de surestimer que de sous-estimer la vraie valeur.

Vous continuez à faire des erreurs, mais ces erreurs sont moins

importantes et ne penchent pas en faveur de résultats extrêmes – très

hauts ou très bas.

Avantages et inconvénients des prédictions extrêmes

 

Je vous ai présenté Tom W pour illustrer les prédictions de

résultats discrets, comme le domaine de spécialisation ou la réussite

à un examen, qui s'expriment en assignant une probabilité à un

événement précis (ou, dans le cas de Tom, en classant des résultats

du plus probable au moins probable). Je viens par ailleurs de décrire

une procédure qui permet de contrer les biais courants de la

prédiction discrète, à savoir la négligence des taux de base et la non-

prise en compte de la qualité de l'information.

Les biais que nous trouvons dans les prédictions exprimées sur

une échelle, comme la note moyenne ou les revenus d'une

entreprise, sont semblables aux biais observés quand on juge les

probabilités d'un résultat précis.

Par conséquent, les procédures de correction sont elles aussi

semblables :

 

◆ dans les deux cas, nous avons une prédiction de base, que vous feriez si vous ne saviez rien du cas à l'étude. S'il est

question de catégorie, c'est le taux de base. Si c'est une question numérique, c'est le résultat moyen de la catégorie concernée ;

◆ dans les deux cas, nous avons une prédiction intuitive – le nombre qui vous vient à l'esprit, qu'il s'agisse d'une

probabilité ou d'une note moyenne ;

◆ dans les deux cas, vous cherchez à obtenir une prédiction intermédiaire entre la base et votre réponse intuitive ;

◆ en l'absence de preuves utiles, par défaut, vous vous en tenez à la base ;

◆ dans le cas contraire, vous vous en tenez également à votre prédiction de départ. Cela ne se produira bien sûr que si

vous restez totalement sûr de votre prédiction de départ après avoir procédé à une analyse critique des preuves qui l'appuient ;

◆ dans la plupart des cas, vous aurez une raison ou une autre de douter que la corrélation entre votre jugement intuitif

et la vérité soit parfaite, et vous vous retrouverez quelque part entre ces deux pôles.

 

Cette procédure doit vous permettre d'approcher les résultats

d'une bonne analyse statistique ; de tendre à des prédictions non

biaisées, des évaluations raisonnables des probabilités et des

prédictions modérées de résultats numériques. Les deux procédures

sont censées répondre au même biais : les prédictions intuitives ont

tendance à être trop sûres d'elles et à basculer dans l'extrême.

 

La correction de vos prédictions intuitives est une tâche réservée à

votre Système 2. Un effort substantiel est nécessaire pour trouver la catégorie de référence appropriée, estimer la prédiction de base et

évaluer la qualité des preuves. Cet effort ne se justifie que quand les

enjeux sont importants et quand vous tenez particulièrement à ne pas

commettre d'erreur. De plus, sachez que le fait de corriger vos

intuitions risque de vous compliquer la vie. Une caractéristique des

prédictions non biaisées est qu'elles permettent la prédiction

d'événements rares seulement quand l'information dont on dispose

est d'excellente qualité. Si vous vous attendez à ce que vos

prédictions ne soient que modestement valides, vous n'avancerez

jamais un résultat rare ou très éloigné de la moyenne. Si vos

prédictions ne sont pas biaisées, vous ne connaîtrez jamais

l'expérience satisfaisante de répondre avec exactitude à un cas

extrême. Vous ne pourrez jamais vous dire : « J'en étais sûr ! »

quand vous verrez votre meilleur élève de la faculté de droit devenir

juge à la Cour suprême, ou quand une start-up que vous trouviez très

prometteuse remporte un fabuleux succès commercial. Compte tenu

des limites des preuves dont vous disposez, jamais vous ne pourrez

prédire qu'un très bon élève du lycée va obtenir une superbe

moyenne à Princeton. Pour la même raison, un capital-risqueur

n'entendra jamais dire que la probabilité de réussite d'une start-up

est « très élevée » alors que l'entreprise n'en est qu'à ses débuts.

Il faut prendre au sérieux les objections au principe qui veut que

l'on modère les prédictions intuitives, car l'absence de biais n'est pas

forcément toujours ce qui importe le plus. Une préférence pour les

prédictions sans biais se justifie si toutes les erreurs de prédiction

sont traitées de la même façon, dans quelque sens qu'elles aillent.

Mais il y a des situations où un type d'erreur est pire qu'un autre.

Quand un capital-risqueur se lance à la recherche du « prochain

grand succès », le risque de passer à côté d'un futur Google ou

Facebook est bien plus important que celui de faire un

investissement modeste dans une start-up qui finit par échouer. Le

but des capital-risqueurs est de miser sur des extrêmes, au risque de

surestimer les perspectives de beaucoup d'entreprises. Pour un

banquier conservateur qui consent des prêts conséquents, le risque

qu'un seul emprunteur fasse faillite peut l'emporter sur le risque de

refuser plusieurs clients potentiels qui rempliraient leurs obligations. Dans de tels cas, le recours à un langage extrême (« très bonnes

perspectives », « grave risque de défaut de paiement ») peut se

justifier par son côté rassurant, même si l'information sur laquelle

reposent ces jugements n'est que d'une validité modeste.

Pour quelqu'un de rationnel, les prédictions qui ne sont pas

biaisées et sont modérées ne devraient pas poser de problème. Après

tout, le capital-risqueur rationnel sait que même les start-up les plus

prometteuses n'ont qu'une chance de succès modérée. Son travail

consiste à faire les paris les plus prometteurs parmi les paris

disponibles, et n'éprouve pas le besoin de se leurrer quant aux

perspectives d'une start-up dans laquelle il prévoit d'investir. De

même, les individus rationnels qui prédisent les revenus d'une

société ne se sentiront pas liés par un seul chiffre – ils considéreront

le spectre d'incertitude qui entoure le résultat le plus vraisemblable.

Une personne rationnelle investira une forte somme dans une

entreprise qui a toutes les chances d'échouer si les bénéfices associés

à un succès éventuel sont assez importants, sans se leurrer sur les

chances du succès en question. Toutefois, nous ne sommes pas tous

rationnels, et certains d'entre nous peuvent avoir besoin de

l'impression de sécurité que confèrent les estimations biaisées pour

éviter la paralysie. Mais si vous choisissez de vous bercer d'illusions

en acceptant des prédictions extrêmes, soyez bien conscient du fait

que vous êtes en train de céder à vos envies.

Selon moi, le plus grand intérêt des procédures de correction que

je propose, c'est qu'elles vont vous obliger à prendre en

considération ce que vous savez. Je vais prendre un exemple courant

dans le monde universitaire, mais dont les analogies avec d'autres

sphères de l'existence sautent aux yeux. Un département est sur le

point d'embaucher un jeune professeur et veut choisir celui dont les

perspectives de productivité scientifique sont les meilleures. La

commission de sélection a fini par garder deux candidats :

 

Kim vient d'obtenir son diplôme. Ses références sont exceptionnelles, sa présentation était brillante et elle a

impressionné tout le monde lors des entretiens. Mais son profil n'offre pas spécialement de promesse de

productivité scientifique.

Jane est post-doctorante depuis trois ans. Elle a été très productive et ses réalisations dans le domaine de la

recherche sont remarquables. Mais sa présentation et ses entretiens étaient moins brillants que ceux de Kim.

Le choix intuitif penche en faveur de Kim, parce qu'elle a fait plus

forte impression, et COVERA. Reste que l'on dispose de beaucoup

moins d'informations sur Kim que sur Jane. Nous revoici face à la

loi des petits nombres. Matériellement, vous avez un plus petit

échantillon d'informations sur Kim que sur Jane, et les résultats

extrêmes sont plus probables dans les petits échantillons. La chance

joue un plus grand rôle dans les résultats des petits échantillons, et

vous devriez donc faire régresser plus nettement votre prédiction

vers la moyenne en envisageant les prestations futures de Kim. Si

vous tenez compte du fait que Kim va sans doute régresser

davantage que Jane, vous finirez peut-être par embaucher Jane, bien

qu'elle vous ait moins impressionné. Dans le contexte des décisions

universitaires, je voterais pour Jane, mais j'aurais du mal à

surmonter mon impression intuitive que Kim est plus prometteuse. Il

est plus naturel, et d'une certaine façon plus agréable, de suivre nos

intuitions que d'aller à leur encontre.

Il est facile d'imaginer des problèmes similaires dans des

contextes différents, comme un capital-risqueur devant choisir

d'investir dans deux start-up intervenant sur des marchés différents.

Une start-up propose un produit dont on peut assez précisément

évaluer la demande. L'autre candidat est plus séduisant et

prometteur sur le plan intuitif, mais ses perspectives paraissent

moins sûres. L'évaluation plus favorable des perspectives de la

deuxième start-up reste-t-elle supérieure quand on intègre le facteur

d'incertitude ? C'est une question qui mérite d'être considérée avec

soin.

 

La régression du point de vue des deux systèmes

 

Les prédictions extrêmes et la tendance à prédire des événements

rares à partir de preuves ténues sont toutes des manifestations du

Système 1. Pour la machine associative, il est naturel de faire

correspondre le côté extrême des prédictions au caractère perçu

comme extrême des preuves sur lesquelles elles reposent – c'est

comme cela que fonctionne la substitution. Et il est naturel pour le

Système 1 de produire des jugements trop assurés, parce que l'assurance, nous l'avons vu, est déterminée par la cohérence de

l'histoire que vous vous êtes racontée à partir des indices dont vous

disposiez. Mais attention, vos intuitions vous donneront des

prédictions trop extrêmes et vous aurez tendance à avoir une

confiance en elles beaucoup trop grande.

La régression est également un problème pour le Système 2.

L'idée même de régression vers la moyenne est étrangère et difficile

à communiquer et à appréhender. Galton a souffert avant de la

comprendre. Bien des professeurs de statistiques redoutent le cours

où ils vont devoir l'aborder, et leurs étudiants finissent souvent par

n'avoir que vaguement compris ce concept crucial. C'est un domaine

dans lequel le Système 2 a besoin d'une formation spéciale. Établir

une correspondance entre les prédictions et les preuves n'est pas

seulement une chose que nous faisons intuitivement ; c'est aussi

quelque chose qui paraît raisonnable. L'expérience ne nous aidera

pas à comprendre la régression. Même quand un cas de régression

est bien identifié, comme on l'a vu dans l'histoire des instructeurs de

vol, on lui attribuera une interprétation causale presque toujours

fausse.

 

*

 

Les prédictions intuitives en bref

 

« Cette start-up a remarquablement imposé son concept, mais

nous devrions nous attendre à ce qu'elle ne fasse pas aussi bien à

l'avenir. Elle est très loin d'avoir conquis le marché et il y a encore

beaucoup de place pour une régression. »

« Notre prédiction intuitive est très favorable, mais elle est

probablement trop élevée. Tenons compte de la robustesse de nos

preuves et faisons régresser la prédiction vers la moyenne. »

« Cet investissement est peut-être une bonne idée, même si, selon

nos meilleures estimations, il va échouer. N'allons pas prétendre que

nous savons vraiment qui est le prochain Google. »

« J'ai lu un article sur cette marque et il était excellent. Pourtant, il

pourrait s'agir d'un coup de chance. Ne prenons en considération que

les marques qui font l'objet de nombreux articles, et choisissons

celle qui a l'air le plus fiable. »

 

OceanofPDF.com