18 - Domando Previsões Intuitivas

18

DOMANDO PREVISÕES INTUITIVAS

A vida nos apresenta inúmeras ocasiões para prognósticos. Os economistas fazem previsões sobre inflação e desemprego, os analistas financeiros fazem prognósticos sobre lucros, especialistas militares preveem baixas, investidores em capital de risco avaliam lucratividade, editoras e produtores fazem previsões sobre o público, empreiteiros estimam o tempo requerido para completar projetos, chefs calculam a demanda dos pratos em seu cardápio, engenheiros estimam a quantidade de concreto necessária para um edifício, comandantes do corpo de bombeiros avaliam o número de caminhões que serão exigidos para apagar um incêndio. Em nossas vidas privadas, prevemos a reação do cônjuge à proposta de uma mudança de casa ou nossa própria adaptação futura a um novo emprego.

Alguns julgamentos preditivos, como os que são feitos por engenheiros, apoiam-se basicamente em tabelas de dados, cálculos precisos e análises detalhadas de resultados observados em ocasiões semelhantes. Outros envolvem intuição e o Sistema 1, em duas variedades principais. Algumas intuições recorrem primordialmente à habilidade e especialização adquiridas com a experiência repetida. Os julgamentos rápidos e automáticos e as decisões dos mestres enxadristas, chefes de bombeiros e médicos que Gary Klein descreveu em Fontes do poder e em outros textos ilustram essas intuições de peritos, em que uma solução para o problema presente vem à mente numa fração de segundo porque indícios familiares são reconhecidos.

Outras intuições, que às vezes subjetivamente são indistinguíveis da primeira, surgem da operação de heurísticas que com frequência substituem a questão mais difícil que foi feita por uma questão fácil. Julgamentos intuitivos podem ser feitos com grande dose de confiança até mesmo quando estão baseados em avaliações não regressivas de evidência fraca. Claro, muitos julgamentos, sobretudo no terreno profissional, são influenciados por uma combinação de análise e intuição.

INTUIÇÕES NÃO REGRESSIVAS

Vamos voltar a alguém que já conhecemos:

Julie está atualmente no último ano de uma universidade estadual. Ela lia fluentemente quando tinha 4 anos de idade.

Qual é sua média GPA ( grade point average)?

Pessoas familiarizadas com o sistema de ensino norte-americano rapidamente pensam em um número, que em geral fica por volta de 3.7 ou 3.8. Como isso acontece? Diversas operações do Sistema 1 estão envolvidas.

• Uma ligação causal entre a evidência (competência leitora de Julie) e o alvo da previsão (sua GPA) é buscada. A ligação pode ser indireta. Nesse caso, precocidade

de alfabetização e uma GPA elevada são ambas indicativos de talento acadêmico.

Alguma ligação é necessária. Você (seu Sistema 2) provavelmente rejeitaria como irrelevante um relato de Julie vencendo uma competição de pesca com mosca ou se destacando no levantamento de peso no colegial. O processo é efetivamente dicotômico. Somos capazes de rejeitar informação como irrelevante ou falsa, mas ajustar para fraquezas menores na evidência não é algo que o Sistema 1 consegue fazer. Como resultado, previsões intuitivas são quase completamente insensíveis à qualidade preditiva real da evidência. Quando uma ligação é encontrada, como no caso da capacidade precoce de ler de Julie, WYSIATI (“o que você vê é tudo que há”) se aplica: sua memória associativa constrói rápida e automaticamente a melhor história possível a partir da informação disponível.

• Em seguida, a evidência é estimada em relação a uma norma relevante. Quão precoce é uma criança que lê fluentemente com a idade de 4 anos? Que classificação relativa ou pontuação percentual corresponde a essa realização? O grupo ao qual a criança é comparada (chamamos isso de grupo de referência) não está plenamente especificado, mas essa também é a regra no discurso normal: se um aluno é descrito como “bem inteligente”, você raramente precisa perguntar: “Quando você diz ‘bem inteligente’, que grupo de referência tem em mente?”

• O próximo passo envolve substituição e equiparação de intensidade. A avaliação da evidência inconsistente de capacidade cognitiva na infância entra em substituição a uma resposta para a questão sobre a GPA universitária dela. Julie receberá a mesma pontuação percentual por sua GPA e por suas conquistas como uma leitora precoce.

• A questão especificava que a resposta deve estar na escala GPA, a qual exige outra operação de equiparação de intensidade, desde uma impressão geral das realizações acadêmicas de Julie à GPA que se equipara à evidência de seu talento. O passo final é uma tradução, de uma impressão sobre a situação acadêmica relativa de Julie à GPA que corresponde a isso.

A equiparação de intensidade fornece previsões que são tão extremas quanto a evidência na qual estão baseadas, levando as pessoas a dar a mesma resposta para duas questões bem diferentes:

Qual é a pontuação percentual de Julie em precocidade de leitura?

Qual é a pontuação percentual de Julie em GPA?

A essa altura, você deve reconhecer facilmente que todas essas operações são características do Sistema 1. Eu as listei aqui como uma sequência ordenada de passos, mas é claro que a disseminação de ativação na memória associativa não funciona dessa maneira.

Você deve imaginar um processo de difusão da ativação que é inicialmente induzido pela evidência e pela questão, que fornece feedback para si mesmo e que finalmente se decide pela

solução mais coerente possível.

Amos e eu certa vez pedimos aos participantes de um experimento para avaliar as descrições de oito calouros de faculdade, supostamente escritas por um orientador com base nas entrevistas da classe ingressante. Cada descrição consistia em cinco adjetivos, como no seguinte exemplo:

inteligente, seguro de si, instruído, diligente, inquisitivo

Pedimos a alguns participantes para responder a duas perguntas:

Até que ponto essa descrição o impressiona com respeito à capacidade acadêmica?

Que porcentagem de descrições de calouros você acredita que o impressionaria mais?

As perguntas exigem que você avalie a evidência comparando a descrição com sua norma para descrições de alunos por parte de orientadores. A mera existência de uma norma assim já é algo notável. Embora você certamente não saiba como a adquiriu, faz uma ideia razoavelmente clara de quanto entusiasmo a descrição transmite: o orientador acredita que esse aluno é bom, mas não espetacularmente bom. Há lugar para adjetivos mais fortes do que inteligente ( brilhante, criativo), instruído ( culto, erudito, sábio) e diligente ( apaixonado, perfeccionista). O veredito: muito provavelmente figurando entre os 15% melhores, mas dificilmente entre os 3% melhores. Há um consenso impressionante em julgamentos assim, pelo menos dentro de uma mesma cultura.

Aos demais participantes de nosso experimento foram feitas perguntas diferentes: Qual é sua estimativa da grade point average (GPA) que o aluno vai obter?

Qual é a porcentagem de calouros que obtém uma GPA mais elevada?

Você precisa dar outra olhada para detectar a sutil diferença entre os dois conjuntos de questões. A diferença deve ser óbvia, mas não é. Ao contrário das primeiras perguntas, que exigiam apenas que você avaliasse a evidência, o segundo conjunto implica grande dose de incerteza. A questão se refere a desempenho real no fim do primeiro ano. O que aconteceu durante o ano desde que a entrevista foi realizada? Quão precisamente você consegue predizer as realizações reais do aluno no primeiro ano de faculdade com base nos cinco adjetivos? O

próprio orientador seria perfeitamente preciso se previsse a GPA com base numa entrevista?

O objetivo desse estudo era comparar as avaliações percentuais feitas pelos participantes quando julgassem a evidência em um caso, e quando previssem a conclusão definitiva em outro. Os resultados são fáceis de resumir: os julgamentos foram idênticos. Embora os dois conjuntos de questões difiram (um é sobre a descrição, o outro sobre o futuro desempenho

acadêmico do aluno), os participantes os trataram como se fossem o mesmo. Como foi o caso com Julie, a previsão do futuro não se distingue de uma avaliação da evidência presente — a previsão corresponde à estimativa. Essa é provavelmente a melhor evidência que temos para o papel da substituição. Pede-se às pessoas que forneçam uma previsão, mas elas a substituem por uma avaliação da evidência, sem notar que a questão que estão respondendo não é a que lhe foi perguntada. Esse processo infalivelmente gera previsões sistematicamente tendenciosas ignoram completamente a regressão à média.

Durante meu serviço militar nas Forças de Defesa de Israel, passei algum tempo ligado a uma unidade que selecionava candidatos para treinamento militar com base numa série de entrevistas e testes de campo. O critério estabelecido para uma previsão bem-sucedida era a nota final de um cadete na escola de oficiais. A validade das avaliações era notoriamente um tanto fraca (falarei mais sobre isso em um capítulo posterior). A unidade ainda existia anos depois, quando me tornei professor e colaborava com Amos no estudo do julgamento intuitivo.

Eu tinha bons contatos com o pessoal da unidade e lhes pedi um favor. Além do usual sistema de notas que utilizavam para aferir os candidatos, pedi-lhes que fornecessem a melhor suposição sobre a nota que cada um dos futuros cadetes obteria na escola de oficiais. Eles recolheram algumas centenas desses prognósticos. Os oficiais que tinham feito as previsões estavam todos familiarizados com o sistema de pontuação por letras que a escola aplicava aos seus cadetes e as proporções aproximadas de As, Bs etc. entre eles. Os resultados foram surpreendentes: a frequência relativa de As e Bs nas previsões foi quase idêntica às frequências dessas letras nas notas finais da escola.

Essas descobertas fornecem um exemplo convincente tanto da substituição como da equiparação de intensidade. Os oficiais que forneceram as previsões falharam completamente em discriminar entre duas tarefas:

• sua missão usual, que era estimar o desempenho dos candidatos durante a estadia deles na unidade;

• a tarefa que eu lhes pedira para realizar, que era uma previsão efetiva de uma futura nota.

Eles haviam simplesmente traduzido suas próprias notas na escala utilizada na escola de oficiais, aplicando a equiparação de intensidade. Mais uma vez, o fracasso em lidar com a (considerável) incerteza de suas previsões levara-os a previsões que eram completamente não regressivas.

UMA CORREÇÃO PARA PREVISÕES INTUITIVAS

De volta a Julie, nossa leitora precoce. O modo correto de prever sua GPA foi apresentado no capítulo anterior. Como fiz ali para o golfe em dias sucessivos e para o peso corporal e a prática de piano, escrevo uma fórmula esquemática para os fatores que determinam a idade em

que se começa a ler e notas universitárias:

idade em que se começa a ler = fatores compartilhados + fatores específicos de idade em que se começa a ler = 100%

GPA = fatores compartilhados + fatores específicos para GPA = 100%

Os fatores compartilhados envolvem competência geneticamente determinada, o grau em que a família apoia os interesses acadêmicos e qualquer outra coisa que levaria as mesmas pessoas a serem leitores precoces na infância e jovens adultos academicamente bem-sucedidos. Claro que há muitos fatores que afetariam um desses resultados e não o outro. Julie poderia ter sido motivada a ler mais cedo por pais abertamente ambiciosos, pode ter tido um caso amoroso infeliz que prejudicou suas notas na faculdade, pode ter sofrido um acidente de esqui durante a adolescência que a deixou levemente debilitada, e assim por diante.

Lembre-se de que a correlação entre duas medidas — no presente caso, idade em que se começa a ler e GPA — é igual à proporção de fatores compartilhados entre seus determinantes. Qual sua melhor conjectura sobre essa proporção? Minha conjectura mais otimista é cerca de 30%. Aceitando essa estimativa, temos tudo de que necessitamos para produzir uma previsão imparcial ( unbiased). Eis aqui as instruções para o modo como chegamos lá em quatro passos simples:

1. Comece com uma estimativa para a GPA média.

2. Determine a GPA que se equipara com sua impressão da evidência.

3. Calcule a correlação entre sua evidência e a GPA.

4. Se a correlação é 0,30, desloque 30% da distância da média para a GPA correspondente.

O primeiro passo lhe fornece a linha de base, a GPA que você teria previsto se não lhe contassem nada sobre Julie além do fato de que ela é aluna do último ano da graduação. Na ausência de informação, você teria previsto a média. (Isso é similar a designar a probabilidade de taxa-base para alunos de administração quando você não recebe informação alguma sobre Tom W.) O passo 2 é sua previsão intuitiva, que se equipara a sua avaliação da evidência. O passo 3 o desloca da linha de base em direção a sua intuição, mas a distância que lhe é permitido se deslocar depende de sua estimativa da correlação. Você termina, no passo 4, com uma previsão que é influenciada por sua intuição, mas que é muito mais

moderada1.

Essa abordagem da previsão é geral. Você pode aplicá-la sempre que precisar prever uma variável quantitativa, como a GPA, o lucro de um investimento ou o crescimento de uma empresa. A abordagem se desenvolve a partir de sua intuição, mas ela a modera, a faz regredir à média. Quando você tem bons motivos para confiar na exatidão de sua previsão intuitiva —

uma forte correlação entre a evidência e a previsão — o ajuste será pequeno.

Previsões intuitivas precisam ser corrigidas porque não são regressivas e desse modo são parciais. Suponha que eu preveja para cada golfista em um torneio que sua pontuação no dia 2

será a mesma que sua pontuação no dia 1. Essa previsão não admite regressão à média: os golfistas que se saíram bem no dia 1 irão em média se sair menos bem no dia 2, e os que não foram muito bem irão na maior parte melhorar. Quando finalmente forem comparadas com os efetivos resultados, as previsões não regressivas serão identificadas como parciais. Elas são na média excessivamente otimistas para os que foram melhores no primeiro dia e excessivamente pessimistas para os que tiveram um mau começo. As previsões são tão extremas quanto a evidência. Similarmente, se você utiliza conquistas de infância para prever notas na faculdade sem regredir à média suas previsões, normalmente ficará decepcionado com os resultados acadêmicos de leitores precoces e gratamente surpreso com as notas dos que aprenderam a ler relativamente tarde. As previsões intuitivas corrigidas eliminam esses vieses, de modo que as previsões (tanto altas como baixas) tem mais ou menos igual probabilidade de superestimar e de subestimar o verdadeiro valor. Você ainda comete erros quando suas previsões são imparciais, mas os erros são menores e não favorecem resultados nem altos nem baixos.

UMA DEFESA DE PREVISÕES EXTREMAS?

Apresentei Tom W anteriormente para ilustrar previsões de resultados discretos, como área de especialização ou sucesso em um exame, os quais são expressos atribuindo-se uma probabilidade a um evento especificado (ou, nesse caso, classificando resultados do mais para o menos provável). Descrevi também um procedimento que combate os vieses comuns de previsão discreta: negligência com as taxas-base e insensibilidade à qualidade da informação.

Os vieses que encontramos em previsões que são expressas numa escala, como a GPA ou a receita de uma empresa, são similares aos vieses observados na avaliação das probabilidades de resultados.

Os procedimentos de correção são também semelhantes:

• Ambos contêm uma previsão de linha de base, que você faria se não soubesse coisa alguma sobre o caso em questão. No caso categórico, era a taxa-base. No caso numérico, é o resultado médio na categoria relevante.

• Ambos contêm uma previsão intuitiva, que expressa o número que vem à sua mente, seja uma probabilidade, seja uma GPA.

• Em ambos os casos, você visa uma previsão que seja intermediária entre a linha de base e sua resposta intuitiva.

• No caso default de nenhuma evidência útil, você fica com a linha de base.

• No outro extremo, você fica também com sua previsão inicial. Isso vai acontecer, é claro, apenas se você permanecer completamente confiante em sua previsão inicial após uma revisão crítica da evidência que a apoia.

• Na maioria dos casos você encontrará algum motivo para duvidar de que a correlação entre seu julgamento intuitivo e a verdade é perfeita, e você acabará em

algum lugar entre os dois polos.

Esse procedimento é uma aproximação dos resultados prováveis de uma análise estatística apropriada. Se bem-sucedido, vai deslocar você na direção de previsões imparciais, estimativas razoáveis de probabilidade e previsões moderadas de resultados numéricos. Os dois procedimentos são planejados para lidar com o mesmo viés: previsões intuitivas tendem a ser superconfiantes e excessivamente extremadas.

Corrigir suas previsões intuitivas é uma tarefa para o Sistema 2. Esforço significativo é exigido para encontrar a categoria de referência relevante, calcular a previsão de linha de base e avaliar a qualidade da evidência. O esforço é justificado apenas quando há muita coisa em jogo e quando você se mostra particularmente determinado a não cometer erros. Além do mais, você deve saber que corrigir suas intuições pode complicar sua vida. Uma característica de previsões imparciais é que elas permitem a previsão de eventos raros ou extremos apenas quando a informação é muito boa. Se você espera que suas previsões sejam de validade modesta, nunca vai adivinhar um resultado que seja raro ou distante da média. Se suas previsões são imparciais, você nunca terá a experiência gratificante de predizer corretamente um caso extremo. Nunca será capaz de dizer, “Eu sempre achei!” quando seu melhor aluno na faculdade de direito se tornar um juiz da Suprema Corte, ou quando um pequeno negócio que você julgou muito promissor acabar por se tornar um enorme sucesso comercial. Dadas as limitações da evidência, você nunca irá prever que um aluno excelente no colegial se tornará um estudante nota A em Princeton. Pelo mesmo motivo, um investidor em capital de risco nunca receberá a informação de que a probabilidade de sucesso para um pequeno negócio em seus estágios iniciais é “muito alta”.

As objeções ao princípio de previsões intuitivas moderadoras devem ser levadas a sério, pois ausência de viés nem sempre é o que mais importa. Uma preferência por previsões imparciais é justificada se todos os erros de previsão são tratados igualmente, independente de sua direção. Mas há situações em que um tipo de erro é muito pior do que outro. Quando um investidor em capital de risco procura a próxima “bola da vez”, o risco de deixar escapar o próximo Google ou Facebook é muito mais importante do que o risco de fazer um investimento modesto em um pequeno negócio que acabará fracassando. O objetivo do investidor em capital de risco é adivinhar os casos extremos corretamente, mesmo ao custo de superestimar as perspectivas de muitos outros empreendimentos. Para um banqueiro conservador que faz grandes empréstimos, o risco de um único devedor ir à falência pode superar o risco de recusar inúmeros potenciais clientes que cumpririam suas obrigações. Em casos assim, o uso de linguagem extrema (“perspectiva muita boa”, “sério risco de inadimplência”) talvez tenha alguma justificativa pelo conforto que fornece, mesmo que a informação na qual essas avaliações estão baseadas seja de validade apenas modesta.

Para uma pessoa racional, previsões imparciais e moderadas não devem representar um problema. Afinal de contas, o investidor racional em capital de risco sabe que mesmo os negócios iniciais mais promissores apresentam uma chance de sucesso apenas moderada. Ele enxerga seu trabalho como sendo o de escolher as apostas mais promissoras dentre as apostas disponíveis e não sente necessidade de se iludir com respeito às perspectivas de um pequeno negócio em que planeja investir. De modo similar, indivíduos racionais prevendo a receita de uma empresa não se limitarão a um único número — eles devem considerar o leque de incerteza em torno do resultado mais provável. Uma pessoa racional investirá uma grande soma em um empreendimento com grande probabilidade de fracassar se as recompensas pelo sucesso forem grandes o bastante, sem se iludir com as chances de sucesso. Porém, não somos todos racionais, e alguns de nós talvez precisem da segurança de estimativas distorcidas para evitar a paralisia. Se você optou por se iludir ao aceitar previsões extremas, contudo, o melhor a fazer é permanecer ciente de sua autocomplacência.

Talvez a contribuição mais valiosa para os procedimentos corretivos que proponho seja o fato de que exigirão que você pense quanto sabe. Usarei um exemplo que é familiar ao mundo acadêmico, mas cuja analogia com outras esferas da vida é imediata. Certo departamento está prestes a contratar um jovem professor e quer escolher um cujas perspectivas para a produtividade científica sejam as melhores. A comissão avaliadora restringiu a procura em dois candidatos:

Kim completou recentemente seu trabalho de graduação. Suas recomendações são espetaculares e ela fez uma exposição brilhante e impressionou todo mundo nas entrevistas. Ela não possui nenhum currículo substancial de produtividade científica.

Jane faz pós-doutorado há três anos. Tem se mostrado muito produtiva e seu histórico de pesquisa é excelente, mas sua exposição e sua entrevista foram menos brilhantes do que as de Kim.

A escolha intuitiva favorece Kim, pois ela deixou uma impressão mais forte, e WYSIATI. Mas também é o caso de haver muito menos informação sobre Kim do que sobre Jane. Estamos de volta à lei dos pequenos números. Com efeito, você recebeu uma amostra menor de informação a respeito de Kim do que sobre Jane, e resultados extremos têm muito maior probabilidade de serem observados em amostras pequenas. Há mais sorte nos resultados de pequenas amostras, e você deve desse modo regredir sua previsão mais profundamente à média em sua previsão sobre a futura performance de Kim. Quando você leva em consideração o fato de que Kim tem maior probabilidade de regressão à média do que Jane, você pode acabar selecionando Jane, embora tenha ficado menos impressionado com ela. No contexto das escolhas acadêmicas, eu votaria por Jane, mas seria uma luta superar minha impressão intuitiva de que Kim é mais promissora. Seguir nossas intuições é mais natural, e de certo modo mais agradável, do que ir contra elas.

Pode-se prontamente imaginar problemas similares em contextos diferentes, como um

investidor em capital de risco escolhendo entre dois negócios iniciais que operam em mercados diferentes. Um pequeno negócio tem um produto para o qual a demanda pode ser estimada com boa precisão. O outro candidato é mais empolgante e intuitivamente promissor, mas suas perspectivas são menos seguras. Se a melhor conjectura sobre as perspectivas do segundo negócio ainda é superior quando a incerteza é computada é uma questão que merece cuidadosa consideração.

UMA VISÃO DA REGRESSÃO SEGUNDO OS DOIS SISTEMAS

Previsões extremas e tendência a prever eventos raros com base em evidência fraca são ambas manifestações do Sistema 1. É natural que o maquinário associativo equipare o caráter extremo das previsões com o caráter extremo percebido da evidência na qual ele está baseado — eis como a substituição funciona. E é natural para o Sistema 1 produzir julgamentos superconfiantes, pois a confiança, como vimos, é determinada pela coerência da melhor história que você é capaz de contar a partir da evidência disponível. Atenção: suas intuições produzirão previsões que são extremas demais e você se mostrará inclinado a depositar excessiva fé nelas.

A regressão é também um problema para o Sistema 2. A mera ideia de regressão à média é estranha e difícil de transmitir e entender. Galton teve um trabalhão para compreender o fenômeno. Muitos professores de estatística morrem de medo de aulas em que o assunto vem à tona, e seus alunos muitas vezes acabam tendo uma compreensão não mais do que vaga desse conceito crucial. Esse é um caso em que o Sistema 2 exige treinamento especial. Equiparar previsões com a evidência não é apenas algo que fazemos intuitivamente; parece também a coisa razoável a fazer. Não aprenderemos a compreender a regressão a partir da experiência.

Mesmo quando uma regressão é identificada, como vimos no episódio dos instrutores de voo, ela receberá uma interpretação causal que quase sempre está errada.

FALANDO DE PREVISÕES INTUITIVAS

“Aquele pequeno negócio conquistou uma prova de conceito21 fantástica, mas não devemos esperar que se saiam tão bem assim no futuro. Eles ainda têm um longo caminho a percorrer para chegar ao mercado e há margem de sobra para regressão.”

“Nossa previsão intuitiva é muito favorável, mas provavelmente é elevada demais. Vamos levar em consideração a força de nossa evidência e regredir a previsão em direção à média.”

“O investimento pode ser uma boa ideia, mesmo que a melhor suposição seja de que irá fracassar. Não vamos dizer que acreditamos realmente ser o próximo Google.”