Economía del comportamiento — Heurísticos de juicio y creencias sesgadas

Economía del comportamiento — juzgar por el parecido y la facilidad de recuerdo en lugar de calcular probabilidades

Los capítulos 2 a 4 trataron de cómo difieren las preferencias del modelo estándar. Este capítulo trata de las creencias. El modelo estándar supone que la gente incorpora la información nueva con exactitud según la regla de Bayes. Tversky y Kahneman mostraron que la gente se apoya en unos pocos heurísticos en lugar de cálculos de probabilidad complejos, y que esos heurísticos fallan en direcciones previsibles.

1. Representatividad y desatención a la tasa base

Una enfermedad tiene una prevalencia del 1 %. Una prueba detecta como positivos al 90 % de los enfermos, y también da por error positivo al 9 % de los sanos. ¿Qué probabilidad hay de que alguien con resultado positivo esté realmente enfermo?

Mucha gente (incluidos profesionales sanitarios) responde cerca del 90 %. Solo mira «cuánto se parece un resultado positivo a un enfermo» (la exactitud de la prueba) y desatiende la tasa base (la prevalencia del 1 %). Esta forma de juzgar se llama heurístico de representatividad.

La representatividad produce otros errores.

• La falacia de la conjunción: tras oír que «Linda estudió filosofía y le preocupaba mucho la justicia social», el 85 % juzgó más probable «Linda es cajera de banco y activista feminista» que «Linda es cajera de banco». La probabilidad de que ocurran dos sucesos a la vez no puede superar la de cualquiera de ellos.
• La falacia del jugador: tras cinco caras seguidas, parece que toca cruz. Es la creencia de que incluso las muestras pequeñas deben parecerse a la población (la ley de los pequeños números).
• La creencia en la «mano caliente»: a la inversa, se sobreinterpretan las rachas de éxito como prueba de habilidad. Sin embargo, investigaciones posteriores que corrigieron el método estadístico hallaron un débil efecto real de mano caliente en el baloncesto, así que no toda creencia en rachas es un error.

2. La disponibilidad

Juzgar la frecuencia de un suceso por la facilidad con que vienen a la mente ejemplos es el heurístico de disponibilidad. Se sobrestiman los riesgos de sucesos llamativos y muy cubiertos por los medios, como los accidentes aéreos o los ataques de tiburón, y se infravaloran riesgos comunes pero poco dramáticos, como la diabetes o las caídas.

Las consecuencias económicas aparecen en los seguros y la inversión. Que los seguros contra inundaciones aumenten justo después de una riada y las cancelaciones crezcan unos años después, o que el dinero afluya a activos que acaban de dispararse, son patrones coherentes con la disponibilidad.

3. Anclaje y ajuste

Se parte de un número presentado al principio (el ancla) y se ajusta, pero no lo suficiente. En el experimento de Tversky y Kahneman (1974), los participantes veían el resultado de una ruleta girada delante de ellos (10 o 65) y luego estimaban el porcentaje de países africanos entre los miembros de la ONU. La estimación mediana fue del 25 % en el grupo que vio 10 y del 45 % en el que vio 65. Un número irrelevante arrastró las estimaciones.

En economía, la primera oferta de una negociación, el «precio de venta recomendado» en el comercio minorista y el sueldo anterior en una negociación salarial actúan como anclas. Es una de las razones por las que mostrar el precio antes del descuento aumenta las ventas.

4. El exceso de confianza

La sobreprecisión puede medirse con pruebas de calibración. Si se pide para muchas preguntas «un intervalo del que estoy seguro al 90 %», una persona bien calibrada debería acertar 9 de cada 10. En estudios como los de las previsiones de rentabilidad bursátil de directores financieros, la tasa real de acierto es mucho menor. El capítulo 8 muestra evidencia de que el exceso de confianza lleva a operar en exceso.

5. El sesgo de confirmación

Se busca y se da mucho peso a la información que respalda las creencias propias, y se busca menos y se descuenta la contraria. El resultado es la polarización de actitudes: dos personas que ven la misma evidencia refuerzan cada una su creencia original. Con actualización bayesiana, la misma evidencia debería mover las creencias de ambas en la misma dirección.

Ejercicio

En una ciudad, el 85 % de los taxis son verdes y el 15 % azules. Un testigo de un accidente declara haber visto un taxi azul, y distingue bien los colores el 80 % de las veces. ¿Qué probabilidad hay de que el taxi fuera realmente azul? $\frac{0{,}8\times 0{,}15}{0{,}8\times 0{,}15+0{,}2\times 0{,}85}=\frac{0{,}12}{0{,}29}\approx 41\,\%$. Mirando solo el 80 % de fiabilidad del testigo se sobrestima; al incluir la tasa base del 15 %, sigue siendo más probable que el taxi fuera verde.

Referencias

• Amos Tversky and Daniel Kahneman, “Judgment under Uncertainty: Heuristics and Biases,” Science (1974)
• Amos Tversky and Daniel Kahneman, “Extensional versus Intuitive Reasoning: The Conjunction Fallacy in Probability Judgment,” Psychological Review (1983)
• Don Moore and Paul Healy, “The Trouble with Overconfidence,” Psychological Review (2008)
• Gerd Gigerenzer and Ulrich Hoffrage, “How to Improve Bayesian Reasoning without Instruction: Frequency Formats,” Psychological Review (1995)