Économie comportementale — Heuristiques de jugement et croyances biaisées

Économie comportementale — juger par la ressemblance et la facilité de rappel plutôt que par le calcul des probabilités

Les chapitres 2 à 4 portaient sur les écarts des préférences par rapport au modèle standard. Ce chapitre porte sur les croyances. Le modèle standard suppose que l’on intègre exactement les informations nouvelles selon la règle de Bayes. Tversky et Kahneman ont montré qu’on s’appuie sur quelques heuristiques au lieu de calculs de probabilités complexes, et que ces heuristiques se trompent dans des directions prévisibles.

1. Représentativité et négligence des taux de base

Une maladie a une prévalence de 1 %. Un test détecte 90 % des malades, mais classe aussi à tort 9 % des personnes saines comme positives. Quelle est la probabilité qu’une personne testée positive soit réellement malade ?

Beaucoup de gens (y compris des soignants) répondent près de 90 %. Ils ne regardent que « à quel point un résultat positif ressemble à un malade » (la précision du test) et négligent le taux de base (la prévalence de 1 %). Cette manière de juger s’appelle l’heuristique de représentativité.

La représentativité produit d’autres erreurs.

• L’erreur de conjonction : après avoir entendu que « Linda a étudié la philosophie et se préoccupait beaucoup de justice sociale », 85 % des répondants ont jugé « Linda est guichetière de banque et militante féministe » plus probable que « Linda est guichetière de banque ». La probabilité que deux événements surviennent ensemble ne peut dépasser celle de l’un d’eux.
• L’erreur du joueur : après cinq faces d’affilée, pile semble s’imposer. C’est la croyance que même de petits échantillons doivent ressembler à la population (la loi des petits nombres).
• La croyance à la « main chaude » : à l’inverse, on surinterprète une série de réussites comme la preuve d’un talent. Des recherches ultérieures, corrigeant la méthode statistique, ont toutefois trouvé un faible effet réel de main chaude au basket : toute croyance aux séries n’est pas une erreur.

2. La disponibilité

Juger de la fréquence d’un événement par la facilité avec laquelle des exemples viennent à l’esprit, c’est l’heuristique de disponibilité. Les risques d’événements frappants et très médiatisés, comme les accidents d’avion ou les attaques de requins, sont surestimés ; les risques fréquents mais peu spectaculaires, comme le diabète ou les chutes, sont sous-estimés.

Les conséquences économiques apparaissent dans l’assurance et l’investissement. La souscription d’assurances inondation qui augmente juste après une crue puis les résiliations qui se multiplient quelques années plus tard, ou l’afflux de capitaux vers des actifs qui viennent de flamber, sont des comportements cohérents avec la disponibilité.

3. Ancrage et ajustement

On part d’un nombre présenté au départ (l’ancre) et on ajuste, mais insuffisamment. Dans l’expérience de Tversky et Kahneman (1974), les participants voyaient le résultat d’une roue tournée devant eux (10 ou 65), puis estimaient la proportion de pays africains parmi les membres de l’ONU. L’estimation médiane était de 25 % dans le groupe ayant vu 10 et de 45 % dans celui ayant vu 65. Un nombre sans rapport a tiré les estimations.

En économie, la première offre dans une négociation, le « prix conseillé » dans le commerce de détail et le salaire antérieur dans une négociation salariale jouent le rôle d’ancres. C’est l’une des raisons pour lesquelles afficher le prix avant remise stimule les ventes.

4. L’excès de confiance

La surprécision se mesure par des tests de calibrage. Si l’on demande pour de nombreuses questions « une fourchette dont je suis sûr à 90 % », une personne bien calibrée devrait avoir juste 9 fois sur 10. Dans des études comme celles portant sur les prévisions de rendements boursiers des directeurs financiers, le taux de réussite effectif est bien plus bas. Le chapitre 8 présente des preuves que l’excès de confiance conduit à des transactions excessives.

5. Le biais de confirmation

On recherche et on surpondère les informations qui confirment ses croyances, et on recherche moins et on minimise celles qui les contredisent. Il en résulte une polarisation des attitudes : deux personnes qui voient les mêmes éléments renforcent chacune leur croyance initiale. Dans une mise à jour bayésienne, les mêmes éléments devraient faire évoluer les croyances des deux dans le même sens.

Exercice

Dans une ville, 85 % des taxis sont verts et 15 % bleus. Un témoin d’accident affirme avoir vu un taxi bleu, et il distingue correctement les couleurs dans 80 % des cas. Quelle est la probabilité que le taxi ait vraiment été bleu ? $\frac{0{,}8\times 0{,}15}{0{,}8\times 0{,}15+0{,}2\times 0{,}85}=\frac{0{,}12}{0{,}29}\approx 41\,\%$. À ne regarder que les 80 % de fiabilité du témoin, on surestime cette probabilité ; une fois le taux de base de 15 % intégré, il reste plus probable que le taxi ait été vert.

Références

• 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)