Bilişsel önyargılar

Öğrenme çıktıları

• Hatırlama — Temsil edicilik ve erişilebilirlik kestirmelerini, küçük sayılar yasasını, sıcak el inancını, aşırı kesinliği ve doğrulama yanlılığını tanımlar.
• Anlama — Bu önyargıların, çoğu durumda işe yarayan zihinsel kestirmelerden nasıl doğduğunu ve hangi koşullarda pahalı hatalara dönüştüğünü açıklar.
• Uygulama — Küçük örneklemlerde uç sonuçların olasılığını hesaplar, art arda gelen başarılardan sonra ölçülen başarı oranındaki yanlılığı gösterir ve bir tahmin aralığının ne kadar dar olduğunu kalibrasyon verisinden bulur.
• Değerlendirme — Sıcak el tartışmasını, taşkın sigortası verisini ve yöneticilerin tahmin aralıklarını karşılaştırarak bir davranışın önyargı olarak adlandırılmasının hangi kanıtları gerektirdiğini tartar.

Sezgi

Açılış

Bir doktor, hastasının belirtilerini dinlerken aklına ilk gelen hastalığı düşünür. Bir yatırımcı, son üç yıldır yükselen bir hisseyi «kazanan» bir şirket olarak görür. Bir ev sahibi, komşusunun evini su bastıktan sonra sigorta yaptırır. Bu yargıların hiçbiri bir hesaba dayanmaz; hepsi zihnin hızlı, çoğu zaman isabetli, ama bazen sistematik biçimde yanılan kestirmelerinden gelir.

1974'te Amos Tversky ve Daniel Kahneman, Science dergisinde yayımladıkları bir makalede, insanların belirsizlik altında yargıda bulunurken birkaç temel kestirmeye başvurduğunu savundu. Bu kestirmeler, zor olasılık sorularını daha kolay sorulara çevirir: «Bu olayın olasılığı nedir?» yerine «Bu olay aklıma ne kadar kolay geliyor?» ya da «Bu durum, bildiğim bir kalıba ne kadar benziyor?» Çoğu zaman kolay soru, zor sorunun cevabına yakın bir cevap verir. Ama bazı durumlarda iki soru birbirinden ayrılır ve yanılgı sistematik hâle gelir.

Önceki dersimizde, standart modelden sapmaların rastgele olmadığını ve fuardaki deneyimli tüccarlarda neredeyse kaybolduğunu gördük. Bu ders, o sapmaların en iyi belgelenmiş olanlarını adlandırıyor ve her birinin iktisadi kararlarda nasıl göründüğünü soruyor. Ama bir uyarıyla başlıyor: bir davranışa önyargı demek, o davranışın gerçekten hatalı olduğunu göstermeyi gerektirir. Bu dersin hikâyesi, bu gösterimin ne kadar zor olabileceğini anlatıyor.

Hikâye — Sıcak el: bir yanılgının yanılgısı

Basketbolda oyuncular, antrenörler ve taraftarlar neredeyse oybirliğiyle aynı şeye inanır: art arda birkaç atışı isabet ettiren oyuncunun «eli ısınmıştır» ve bir sonraki atışı da isabet ettirme olasılığı artmıştır. 1985'te Thomas Gilovich, Robert Vallone ve Amos Tversky, bu inancı veriyle sınadı. Profesyonel bir takımın maç içi atışlarını, serbest atışlarını ve kontrollü bir deneyi incelediler. Deneyde Cornell Üniversitesi'nin erkek ve kadın basketbol takımlarından 26 oyuncu, belirli noktalardan ödüllü atışlar yaptı.

Sonuç çarpıcıydı. Oyuncular art arda üç isabetten sonra ortalama yüzde 49, art arda üç ıskadan sonra ise yüzde 45 isabet ettiriyordu. Aradaki 4 puanlık fark istatistiksel olarak anlamlı değildi. Yazarlar, art arda gelen isabetlerin, tutarlı bir oyuncunun rastgele atışlarında beklenenden farklı olmadığı sonucuna vardı. Sıcak el bir yanılgıydı: insanlar, rastgele dizilerde de kendiliğinden ortaya çıkan serilere anlam yüklüyordu. Bu çalışma, bilişsel önyargıların en ünlü örneklerinden biri oldu ve otuz yıl boyunca psikoloji ve iktisat derslerinde anlatıldı.

2018'de Joshua Miller ve Adam Sanjurjo, bu hesabın kendisinde bir yanlılık buldu. Bir dizi atışta, art arda isabetlerden sonra gelen atışların isabet oranını ölçmenin, sezgiye aykırı biçimde, aşağı doğru yanlı olduğunu gösterdiler. Yazı tura atan hileli olmayan bir para yüz kez atıldığında, üç yazıdan hemen sonra gelen atışların yarısının yazı olmasını beklemek yanlıştır; beklenen oran yarıdan azdır. Aynı biçimde, yüz atış yapan ve yarısını isabet ettiren tutarlı bir oyuncunun, üç isabetten sonra gelen atışlarının yarısını isabet ettirmesi beklenmez.

Gilovich ve arkadaşlarının deneyindeki koşullar için bu yanlılık, isabet serisinden sonraki oran ile ıska serisinden sonraki oran arasındaki farkı yaklaşık 8 puan aşağı çekiyordu. Yani tutarlı bir oyuncuda fark sıfır değil, eksi 8 puan beklenmeliydi. Gözlenen fark ise artı 4 puandı; bu da beklenenden 12 puan yüksekti. Miller ile Sanjurjo yanlılığı düzelttiğinde, özgün verilerde anlamlı ve büyük bir sıcak el etkisi ortaya çıktı. Otuz yıl boyunca bir yanılgının örneği olarak anlatılan inanç, belki de gerçek bir örüntüye dayanıyordu.

Bu hikâye, bilişsel önyargılar dersinin en önemli uyarısını taşıyor. Önyargılar gerçektir ve bu derste göreceğimiz pek çoğu sağlam biçimde belgelenmiştir. Ama bir davranışı önyargı olarak adlandırmak, o davranışın standart bir ölçütten saptığını doğru bir ölçütle göstermeyi gerektirir. Araştırmacılar da insandır ve olasılık sezgileri, incelediği insanlarınki kadar yanılabilir.

Kavram

Tversky ile Kahneman'ın tanımladığı ilk kestirme, bir şeyin olasılığını onun bir kalıba ne kadar benzediğiyle değerlendirmektir.

İkinci kestirme, bir olayın olasılığını, onun örneklerinin akla ne kadar kolay geldiğiyle değerlendirmektir.

Temsil edicilik kestirmesinin özel bir biçimi, küçük örneklemlerle ilgilidir.

Hikâyedeki inanç, bu kavramların kesiştiği yerde duruyor.

Olasılıkları yanlış değerlendirmenin yanında, insanlar kendi bilgilerinin kesinliğini de sistematik biçimde abartır.

Son olarak, insanlar yeni bilgiyi tarafsız biçimde değil, mevcut inançlarının süzgecinden geçirerek değerlendirir.

Veri ve kanıt

Bu bulgu, erişilebilirlik kestirmesinin gerçek bir karardaki izidir. Büyük taşkınlar seyrek olaylardır; bir bölgede taşkın olasılığı, bir yıl önce taşkın olduğu için çok değişmez. Ama taşkın yaşandığı yıl, onun görüntüleri ve anıları çok canlıdır ve riskin algısını yükseltir. Yıllar geçtikçe anılar soluklaşır, yeni gelen sakinler taşkını hiç yaşamamıştır ve sigorta yaptırma oranı düşer. Su basmayan komşu toplulukların da, televizyonda gördükleri taşkından etkilenmesi, riskin algısının deneyim kadar görüntüyle de şekillendiğini gösterir. Gallagher'ın yorumu, bu davranışın tamamen irrasyonel olmadığını da hatırlatır: seyrek bir olayın olasılığını öğrenmeye çalışan biri, yeni bir taşkını bilgi olarak kullanmakta haklıdır. Hata, bu bilginin zamanla unutulmasındadır.

Bu çalışma, aşırı kesinliğin yalnızca deneyimsiz yatırımcılara ya da laboratuvardaki öğrencilere özgü olmadığını gösterir. Katılımcılar, büyük şirketlerin finans yöneticileriydi; tahmin etmeleri istenen şey, işlerinin önemli bir parçasıydı. Buna rağmen tahmin aralıkları, gerçek belirsizliğin çok altındaydı. Bulgunun şirket kararlarıyla ilişkisi, aşırı kesinliğin bir maliyeti olabileceğini düşündürür: geleceğin belirsizliğini küçümseyen bir yönetici, riskli yatırımları ve borçlanmayı olduğundan güvenli görebilir. Yine de bu ilişkiden bir neden–sonuç bağı çıkarılamaz; aynı yöneticiler başka nedenlerle de daha atılgan olabilir.

Neden önemli?

Bilişsel önyargılar, iktisadi kararların hemen her alanında izler bırakır. Yatırımcılar, son yıllarda yüksek getiri sağlamış fonlara para yatırarak geçmiş performansın geleceği temsil ettiğini varsayar. Hükümetler ve haneler, uzun süredir yaşanmamış krizlere ve afetlere karşı yeterince hazırlık yapmaz. Yöneticiler, projelerinin maliyetini ve süresini küçümser. Seçmenler ve politikacılar, kendi görüşlerini destekleyen ekonomik verilere daha çok güvenir. Bu önyargıların her biri, bireysel refahı ve piyasa sonuçlarını etkileyebilir.

Türkiye için erişilebilirlik kestirmesinin en somut örneklerinden biri deprem riskidir. Büyük bir deprem, yıllarca unutulan riski birden görünür kılar; sigorta, güçlendirme ve taşınma kararları deprem sonrasında hızla değişir. Gallagher'ın taşkın bulgusu, bu ilginin zamanla sönme eğiliminde olduğunu düşündürür. Zorunlu deprem sigortası gibi kurumlar, kararı bireylerin o anki risk algısına bırakmamanın bir yolu olarak görülebilir. Önyargıları bilmek, onlardan kaçınmayı her zaman sağlamaz; ama karar vericilerin ve kurumların, önyargıların en pahalı olduğu yerlerde onlara karşı önlem almasını kolaylaştırır.

Model

Çözümlü örnek — Küçük hastane, büyük hastane

Tversky ile Kahneman'ın küçük sayılar yanılgısını göstermek için kullandığı bir soru şudur. Bir kasabada iki hastane var. Büyük hastanede günde yaklaşık 45, küçük hastanede yaklaşık 15 bebek doğuyor. Doğan bebeklerin yaklaşık yarısı erkektir. Bir yıl boyunca her hastane, doğan bebeklerin yüzde 60'tan fazlasının erkek olduğu günleri kaydediyor. Hangi hastane bu tür günleri daha çok kaydeder?

Pek çok kişi, iki hastanede de erkek bebek olasılığı aynı olduğu için bu tür günlerin sayısının benzer olacağını düşünür. Oysa hesap farklıdır. Küçük hastanede yüzde 60'tan fazla erkek, 15 doğumdan en az 10'unun erkek olması demektir. Her doğumda erkek olasılığı yarı yarıya ise, binom dağılımından bu olasılık yaklaşık yüzde 15,1'dir. Büyük hastanede yüzde 60'tan fazla erkek, 45 doğumdan en az 28'inin erkek olması demektir ve bu olasılık yaklaşık yüzde 6,8'dir.

Bir yılda küçük hastane yaklaşık 365 × 0,151 ≈ 55 gün, büyük hastane ise yaklaşık 365 × 0,068 ≈ 25 gün kaydeder. Küçük hastane, büyüğün iki katından fazla uç gün yaşar. Bunun nedeni, küçük örneklemlerin anakütleden daha kolay sapmasıdır.

Bu mantık iktisatta sık karşımıza çıkar. Küçük bir ilçenin işsizlik oranı ya da küçük bir fonun getirisi, büyük bir ilin ya da büyük bir fonunkinden çok daha oynak olur. En yüksek ve en düşük değerler listesinin tepesinde de dibinde de küçük birimler yer alır. «En başarılı okullar» ya da «en hızlı büyüyen ilçeler» listesine bakan biri, küçük birimlerin başarısını gerçek bir üstünlük sanabilir; oysa bu başarının büyük kısmı küçük örneklemin oynaklığından gelir ve bir sonraki yıl sürmeyebilir.

Çözümlü örnek — Seri seçim yanlılığını elle görmek

Miller ile Sanjurjo'nun bulduğu yanlılık, çok kısa bir diziyle görülebilir. Hileli olmayan bir parayı üç kez atalım ve şu ölçüyü hesaplayalım: bir yazıdan hemen sonra gelen atışların yüzde kaçı yazıdır? Üç atışlık sekiz olası dizi vardır ve her biri aynı olasılıktadır. İlk iki atışta hiç yazı olmayan iki dizide, TTT ve TTY'de, ölçü hesaplanamaz; bu diziler dışarıda kalır.

Kalan altı dizide ölçü şöyledir: YYY dizisinde yazıdan sonra gelen iki atışın ikisi de yazıdır, oran 1. YYT dizisinde yazıdan sonra gelen iki atıştan biri yazıdır, oran 0,5. YTY ve YTT dizilerinde, tek yazıdan sonra tura gelir, oran 0. TYY dizisinde, yazıdan sonra yazı gelir, oran 1. TYT dizisinde yazıdan sonra tura gelir, oran 0.

Altı dizinin ortalaması (1 + 0,5 + 0 + 0 + 1 + 0) ÷ 6 = 2,5 ÷ 6 ≈ 0,417'dir. Para hileli olmadığı hâlde, bir yazıdan sonra yazı gelme oranının beklenen değeri 0,5 değil, yaklaşık 0,42'dir. Dört atışlık dizilerde bu beklenen değer yaklaşık 0,40'tır. Yanlılık, dizi uzadıkça azalır; ama seri uzadıkça, örneğin üç yazıdan sonra gelen atışlara bakıldığında, büyür.

Yanlılığın nedeni, her dizinin eşit ağırlık almasıdır. Art arda yazıların çok olduğu dizilerde, yazıdan sonra gelen çok sayıda atış vardır; ama bu diziler de ortalamaya yalnızca bir kez girer. Yazıdan sonra hemen turanın geldiği dizilerde ise az sayıda gözlem, ortalamada aynı ağırlığı taşır. Gilovich ve arkadaşları, her oyuncu için oran hesaplayıp oyuncuların ortalamasını alarak tam da bu yanlılığa açık bir ölçü kullanmıştı. Bu örnek, olasılık sezgilerinin yalnızca sıradan insanları değil, dikkatli araştırmacıları da yanıltabileceğini gösterir.

Çözümlü örnek — Birlikte gerçekleşme kuralı

Temsil edicilik kestirmesinin ihlal ettiği en basit olasılık kuralı şudur: iki olayın birlikte gerçekleşme olasılığı, bunlardan herhangi birinin tek başına gerçekleşme olasılığından büyük olamaz. Hikâyedeki kadını düşünelim ve sayılar uyduralım. Onun gibi bir geçmişe sahip kişilerin yüzde 5'inin banka memuru olduğunu, banka memurları arasında da bu geçmişe sahip olanların yüzde 30'unun feminist harekette aktif olduğunu varsayalım.

Banka memuru olma olasılığı 0,05'tir. Hem banka memuru hem feminist hareketin aktif üyesi olma olasılığı 0,05 × 0,30 = 0,015'tir. Aktiflik oranı ne kadar yüksek olursa olsun, en fazla yüzde 100 olabilir ve birlikte gerçekleşme olasılığı en fazla 0,05'e eşit olur; asla onu aşamaz. Katılımcılar ikinci seçeneği daha olası bulduklarında, olasılığı değil, benzerliği değerlendiriyordu: «feminist banka memuru» tanımı, kadının anlatılan geçmişine daha çok benziyordu.

Bu kural iktisadi senaryolarda da sık ihlal edilir. «Faizler düşer ve bu yüzden konut satışları artar» gibi ayrıntılı ve tutarlı bir hikâye, yalnızca «konut satışları artar» öngörüsünden daha inandırıcı gelebilir. Oysa hikâyeye eklenen her koşul, onun olasılığını azaltır. Uzun ve ayrıntılı senaryolar dinleyen bir yatırımcı ya da politikacı, ayrıntının inandırıcılığı ile olasılığı birbirine karıştırabilir.

Çözümlü örnek — Üç yıl üst üste kazanan fonlar

Bir piyasada 200 yatırım fonu var ve hiçbirinin yöneticisinin gerçek bir üstünlüğü yok: her fonun herhangi bir yılda piyasa ortalamasını geçme olasılığı yüzde 50'dir ve yıllar birbirinden bağımsızdır. Üç yıl sonra, üç yılın üçünde de piyasayı geçen fonların beklenen sayısı 200 × 0,5 × 0,5 × 0,5 = 25'tir.

Bu 25 fon, «üç yıl üst üste kazanan» olarak reklam edilebilir ve yatırımcıların dikkatini çeker. Temsil edicilik kestirmesi, bu fonları yetenekli yöneticilerin fonlarına benzetir; küçük sayılar yasası ise üç gözlemin yeteneği göstermeye yettiğini düşündürür. Oysa bu örnekte dördüncü yılda bu 25 fondan ortalama olarak yalnızca 12,5'i piyasayı geçer; tam da herhangi bir fondan beklenen kadar.

Gerçek piyasalarda bazı yöneticiler gerçekten yetenekli olabilir; bu yüzden geçmiş performans hiçbir bilgi taşımaz demek de yanlıştır. Ama bu örnek, yeteneği kısa bir başarı serisinden ayırt etmenin güçlüğünü ortaya koyar. Rastlantıyla açıklanabilecek başarı sayısını hesaplamak, bir başarı serisini değerlendirmenin ilk adımıdır.

Çözümlü örnek — Aynı kanıt, ayrışan görüşler

İki kişi, bir asgari ücret artışının istihdamı azaltıp azaltmadığını tartışıyor. Ayşe başlangıçta yüzde 80, Burak yüzde 50 olasılıkla «istihdamı azaltır» görüşüne katılıyor. Olasılığı oran olarak yazalım: Ayşe için 0,8 ÷ 0,2 = 4, Burak için 0,5 ÷ 0,5 = 1.

İkisi de aynı iki çalışmayı okuyor. Birinci çalışma azalma yönünde bir kanıt sunuyor ve «azaltır» görüşünü iki kat daha olası kılıyor; ikinci çalışma aynı güçte ters yönde bir kanıt sunuyor ve bu görüşü yarı yarıya daha az olası kılıyor. Bayes kuralına göre güncelleme yapan biri için iki çalışmanın etkisi birbirini götürür: 2 × 0,5 = 1. Ayşe'nin oranı 4, Burak'ınki 1 olarak kalır; görüşleri değişmez.

Şimdi ikisinin de doğrulama yanlılığıyla, kendi görüşlerine ters düşen çalışmayı zayıf bulup görmezden geldiğini düşünelim. Ayşe yalnızca birinci çalışmayı dikkate alır ve oranı 4 × 2 = 8'e, yani olasılığı 8 ÷ 9 ≈ yüzde 89'a çıkar. Burak ise başlangıçta kararsızdı; ama ikinci çalışmayı daha ikna edici bulursa oranı 1 × 0,5 = 0,5'e, olasılığı 0,5 ÷ 1,5 ≈ yüzde 33'e iner. Aynı iki çalışmayı okuyan iki kişinin görüşleri arasındaki fark, 30 puandan 56 puana çıkar. Lord, Ross ve Lepper'in idam cezası deneyinde gözlenen kutuplaşma budur. Bu mekanizma, iktisat politikası tartışmalarında aynı verilerin neden farklı kamplarda farklı sonuçlara götürdüğünü açıklamaya yardım eder.

Çözümlü örnek — Aralık ne kadar dar?

Ben-David ve arkadaşlarının bulgusu, yöneticilerin tahmin aralıklarının ne kadar dar olduğunu hesaplamamıza izin verir. Gelecek yılın borsa getirisinin, ortalaması etrafında normal dağıldığını ve gerçek standart sapmasının σ olduğunu varsayalım. Kalibre bir yönetici, yüzde 80'lik bir aralık için ortalamanın 1,28σ altından 1,28σ üstüne uzanan bir aralık vermelidir; çünkü standart normal dağılımda değerlerin yüzde 80'i −1,28 ile +1,28 arasındadır.

Yöneticilerin aralıkları gerçekleşen değeri yalnızca yüzde 36 oranında içeriyordu. Standart normal dağılımda değerlerin yüzde 36'sı, yaklaşık −0,47 ile +0,47 arasındadır. Yani yöneticilerin aralıkları, ortalama olarak, ortalamanın 0,47σ altından 0,47σ üstüne uzanıyor gibiydi. Bu genişliğin olması gerekene oranı 0,47 ÷ 1,28 ≈ 0,37'dir. Yöneticiler, kalibre bir aralığın yaklaşık üçte biri genişliğinde aralıklar veriyordu.

Bu hesap bir basitleştirmedir: yöneticilerin tahminlerinin merkezi de gerçekleşen değerden sapabilir ve bu da isabet oranını düşürür. Ama sonuç değişmez: tahmin aralıkları, gerçek belirsizliği yansıtmaktan çok uzaktı. Bunun pratik bir sonucu vardır. Bir yatırım projesinin getirisini hesaplayan bir yönetici, getirinin olası aralığını gerçekte olduğundan üç kat dar görüyorsa, projenin başarısız olma olasılığını da küçümser. Aşırı kesinliğe karşı basit bir düzeltme, kendi aralıklarını geçmişteki isabet oranına göre genişletmektir: yüzde 80'lik aralıklarının yalnızca üçte biri tutan biri, aralıklarını yaklaşık üç katına çıkarmalıdır.

Çözümlü örnek — Taşkın riskinin algısı

Bir mahallede büyük bir taşkın olasılığı her yıl yüzde 1'dir ve taşkın olursa bir hanenin zararı 800 bin liradır. Beklenen yıllık zarar 0,01 × 800.000 = 8.000 liradır. Taşkın sigortasının yıllık primi 10.000 liradır; sigortacının maliyetleri ve kârı nedeniyle prim beklenen zarardan biraz yüksektir. Riskten kaçınan bir hane için bu sigorta, beklenen zarardan yüksek olsa da cazip olabilir.

Şimdi hanenin taşkın olasılığını, son yıllarda taşkın yaşanıp yaşanmadığına göre değerlendirdiğini düşünelim. Taşkından hemen sonra algıladığı olasılık yüzde 3'e çıkıyor: beklenen zarar algısı 24.000 lira olur ve sigorta çok cazip görünür. Beş yıl taşkın olmazsa algıladığı olasılık yüzde 0,5'e iniyor: beklenen zarar algısı 4.000 lira olur ve sigorta, primin yarısından daha az bir zararı karşılıyor gibi görünür. Hane sigortayı bırakır. Gerçek olasılık bu sürede hep yüzde 1'dir.

Bu basit örnek, Gallagher'ın gözlediği örüntüyü üretir: sigorta taşkından sonra sıçrar, sonra yıllar içinde erir. Sonuç, hanelerin taşkının gerçekten gelme olasılığının en yüksek olduğu yıllarda değil, rastgele bir biçimde, en son taşkının ne kadar yakın olduğuna göre sigortalı olmasıdır. Bir taşkın sigortasız hanelere denk geldiğinde, zararın bir kısmı çoğu zaman kamu yardımlarıyla karşılanır; bu da vergi mükelleflerine bir maliyet yükler.

Önyargılar birbirini nasıl besler?

Bu dersteki önyargılar birbirinden bağımsız değildir. Küçük sayılar yasasına inanan biri, bir fon yöneticisinin üç yıllık başarısını, yöneticinin yeteneğinin güçlü bir kanıtı olarak görür; bu, temsil edicilik kestirmesinin bir biçimidir. Aynı kişi, kendi seçtiği fonun başarılı olacağından fazla emindir; bu aşırı kesinliktir. Fon kötü performans gösterdiğinde, kötü haberleri geçici, iyi haberleri kalıcı sayar; bu da doğrulama yanlılığıdır. Her biri tek başına küçük bir sapma olabilir; ama birlikte, pahalı ve kalıcı bir hataya dönüşebilir.

Modelin sınırları

Bu ders, önyargıları standart olasılık kurallarına göre tanımladı. Ama bazı araştırmacılar, özellikle Gerd Gigerenzer ve arkadaşları, kestirmelerin çoğu zaman gerçek dünyanın yapısına uyumlu olduğunu ve laboratuvardaki yapay sorularda hata gibi görünen şeylerin, gerçek ortamlarda iyi sonuç verebileceğini savunur. Olasılıklar sıklıklar olarak, yani «yüzde 1» yerine «yüz kişiden biri» biçiminde sunulduğunda, bazı önyargıların belirgin biçimde azaldığı gösterilmiştir. Bu eleştiri, önyargıların var olmadığını değil, önyargıların büyüklüğünün sorunun nasıl sorulduğuna ve karar ortamına bağlı olduğunu söyler.

Sıcak el hikâyesi, bir başka sınırı da gösterir: bir davranışın hata olup olmadığını belirlemek için doğru ölçütü bilmek gerekir. Gerçek dünyada bu ölçüt, çoğu zaman bilinmez. Bir yatırımcının geçmiş getirilere bakarak fon seçmesi bir önyargı olabilir; ama bazı fon yöneticileri gerçekten daha yeteneklidir ve geçmiş performans bu yeteneğe dair zayıf da olsa bir bilgi taşır. Önyargının ne kadar büyük olduğunu ölçmek, doğru cevabı bilmeyi gerektirir.

Uygulama

Özet kartı

1. Tversky ile Kahneman'a göre insanlar belirsizlik altında yargıda bulunurken, zor olasılık sorularını kolay sorulara çeviren kestirmeler kullanır. Temsil edicilik, olasılığı benzerlikle; erişilebilirlik, olasılığı akla gelme kolaylığıyla değerlendirir.
2. Küçük sayılar yasası, küçük örneklemlerin de anakütleye çok benzeyeceği beklentisidir. Küçük bir hastane, büyük bir hastaneden iki katından fazla «uç gün» kaydeder; küçük birimler hem en iyiler hem de en kötüler listesinin tepesine çıkar.
3. Gilovich, Vallone ve Tversky sıcak eli bir yanılgı olarak gösterdi; Miller ile Sanjurjo ise ölçümdeki seri seçim yanlılığı düzeltildiğinde basketbol verisinde gerçek bir sıcak el etkisi buldu. Bir davranışa önyargı demek, doğru bir ölçüt gerektirir.
4. Gallagher'a göre taşkın sigortası bir taşkından sonraki yıl yüzde 9'a kadar artıyor ve dokuz yılda eski düzeyine dönüyor; bu, erişilebilirlik kestirmesinin ve geçmiş olayların unutulmasının izidir.
5. Ben-David, Graham ve Harvey'e göre şirket finans yöneticilerinin yüzde 80'lik tahmin aralıkları gerçekleşen borsa getirilerini yalnızca yüzde 36 oranında içeriyordu. Doğrulama yanlılığı ise insanların aynı kanıtı kendi görüşlerini destekleyecek biçimde okumasına yol açar.

Kavram sözlüğü

Kendini sına

1. (Çıktı 1) Temsil edicilik ve erişilebilirlik kestirmelerini birer iktisadi örnekle açıkla. Bu kestirmeler hangi durumlarda işe yarar?
2. (Çıktı 2) Gilovich, Vallone ve Tversky'nin sıcak el sonucu neden Miller ile Sanjurjo'nun çalışmasından sonra tersine döndü? Bu tartışma, bir davranışı önyargı olarak adlandırmak hakkında ne öğretir?
3. (Çıktı 3) Bir ilde her biri 10 öğrencili küçük okullar ve her biri 100 öğrencili büyük okullar var. Her öğrencinin bir sınavı geçme olasılığı yüzde 50'dir ve öğrenciler birbirinden bağımsızdır. Bir okulun öğrencilerinin en az yüzde 80'inin geçme olasılığı, küçük okullar için yaklaşık yüzde 5,5, büyük okullar için ise sıfıra çok yakındır. «En başarılı okullar» listesi hazırlayan bir gazeteci hangi sonuçla karşılaşır ve bu sonucu nasıl yorumlamalıdır?
4. (Çıktı 3) Hileli olmayan bir parayı iki kez atıyoruz ve bir yazıdan hemen sonra gelen atışların yazı olma oranını ölçüyoruz. Bu ölçünün beklenen değerini, ölçünün hesaplanabildiği dizileri eşit ağırlıklandırarak bul.
5. (Çıktı 3) Bir analistin yüzde 90'lık tahmin aralıkları, gerçekleşen değerleri geçmişte yalnızca yüzde 50 oranında içerdi. Tahmin hatalarının normal dağıldığını ve aralıkların merkezinin doğru olduğunu varsayarak, analistin aralıklarını yaklaşık kaç katına çıkarması gerektiğini hesapla. (Standart normal dağılımda değerlerin yüzde 90'ı ±1,645, yüzde 50'si ±0,674 arasındadır.)
6. (Çıktı 4) Bir yorumcu, «İnsanlar sürekli önyargılarla karar veriyor; bu yüzden sigorta, yatırım ve tasarruf gibi bütün önemli kararları uzmanlara ve devlete bırakmalıyız» diyor. Bu dersteki kanıtlar ve modelin sınırları ışığında iddiayı tartış.

Cevaplar

1. Temsil edicilik kestirmesiyle bir yatırımcı, son üç yılda yüksek getiri sağlamış bir fonu «başarılı fon» kalıbına benzettiği için gelecekte de başarılı olacağını düşünür. Erişilebilirlik kestirmesiyle bir ev sahibi, yakın zamanda yaşanan bir taşkından sonra taşkın riskini gerçekte olduğundan yüksek algılar ve sigorta yaptırır. Bu kestirmeler, benzerliğin ve akla gelme kolaylığının gerçek olasılıkla güçlü biçimde ilişkili olduğu durumlarda işe yarar: sık yaşanan olaylar genellikle daha kolay hatırlanır ve bir grubun tipik üyeleri genellikle o gruba aittir.
2. Gilovich ve arkadaşları her oyuncu için, isabet serisinden sonraki isabet oranını hesaplayıp tutarlı bir oyuncuda bu oranın, ıska serisinden sonraki oranla aynı olmasını bekledi. Miller ile Sanjurjo, bu ölçünün sonlu dizilerde aşağı doğru yanlı olduğunu gösterdi: tutarlı bir oyuncuda bile iki oran arasındaki fark, deneyin koşullarında yaklaşık eksi 8 puan beklenir. Gözlenen artı 4 puanlık fark, bu beklentinin 12 puan üstündeydi; yanlılık düzeltildiğinde anlamlı bir sıcak el etkisi ortaya çıktı. Tartışma, bir davranışı önyargı olarak adlandırmanın doğru bir ölçüt gerektirdiğini ve araştırmacıların olasılık sezgilerinin de yanılabileceğini öğretir.
3. Gazeteci, listenin tepesinde neredeyse yalnızca küçük okulları bulur; çünkü küçük örneklemlerde uç sonuçlar çok daha sık görülür. Aynı biçimde, en başarısız okullar listesinin tepesinde de küçük okullar yer alır. Bu sonuç, küçük okulların daha iyi ya da daha kötü eğitim verdiğini göstermez; bütün öğrencilerin geçme olasılığı aynı olduğu hâlde ortaya çıkar. Gazeteci, okulları karşılaştırırken örneklem büyüklüğünü hesaba katmalı, örneğin birkaç yılın ortalamasına bakmalı ya da başarı oranlarını güven aralıklarıyla vermelidir.
4. İki atışlık dört dizi vardır: YY, YT, TY, TT. Ölçü, ilk atışı yazı olan dizilerde hesaplanabilir: YY'de ikinci atış yazıdır, oran 1; YT'de ikinci atış turadır, oran 0. TY ve TT'de ilk atış tura olduğu için ölçü hesaplanamaz. Beklenen değer (1 + 0) ÷ 2 = 0,5'tir. İki atışlık dizide yanlılık yoktur; yanlılık, üç ve daha uzun dizilerde, birden fazla yazının ardından gelen atışların farklı dizilerde farklı sayıda olmasıyla ortaya çıkar.
5. Analistin aralıkları, gerçekleşen değerleri yüzde 50 oranında içerdiğine göre, ortalamanın ±0,674σ çevresine uzanıyor. Yüzde 90'lık bir aralığın ±1,645σ olması gerekir. Analist aralıklarını 1,645 ÷ 0,674 ≈ 2,4 katına çıkarmalıdır.
6. İddia gerçek bir sorundan yola çıkıyor: bu dersteki kanıtlar önyargıların gerçek ve pahalı olabildiğini gösteriyor; taşkın sigortası taşkından sonra artıp yıllar içinde eriyor, finans yöneticilerinin tahmin aralıkları çok dar. Ama iddia kanıtın ötesine geçiyor. Birincisi, uzmanlar da önyargılardan muaf değildir: tahmin aralıkları çok dar olanlar büyük şirketlerin finans yöneticileriydi; sıcak el tartışmasında ise önyargıyı ölçen araştırmacıların yöntemi yanlıydı. Devleti yönetenler de aynı kestirmeleri kullanır. İkincisi, önyargıların büyüklüğü, sorunun nasıl sunulduğuna ve karar ortamına bağlıdır; olasılıkları sıklık olarak göstermek, geri bildirim sağlamak ve kararı basitleştirmek önyargıları azaltabilir. Üçüncüsü, kararları başkalarına bırakmak, insanların kendi tercihlerini ve bilgilerini kullanma olanağını da ortadan kaldırır. Daha savunulabilir bir sonuç, önyargıların en pahalı olduğu yerlerde, örneğin seyrek ama yıkıcı afetlere karşı sigortada, bireylerin seçim özgürlüğünü tamamen kaldırmadan varsayılan seçenekler, zorunlu asgari sigorta ya da daha iyi bilgi sunumu gibi araçların tartışılabileceğidir. Bu araçların sınırının nereye çekileceği, ölçümle değil değerlerle cevaplanacak bir sorudur.

İleri okuma

• Amos Tversky, Daniel Kahneman (1974). «Judgment under Uncertainty: Heuristics and Biases». Science 185(4157). Temsil edicilik, erişilebilirlik ve çapalama kestirmelerinin kurucu metni.
• Joshua B. Miller, Adam Sanjurjo (2018). «Surprised by the Hot Hand Fallacy? A Truth in the Law of Small Numbers». Econometrica 86(6). Sıcak el analizindeki yanlılığın gösterilmesi.
• Justin Gallagher (2014). «Learning about an Infrequent Event: Evidence from Flood Insurance Take-Up in the United States». American Economic Journal: Applied Economics 6(3). Taşkınlardan sonra sigorta davranışı.
• Itzhak Ben-David, John R. Graham, Campbell R. Harvey (2013). «Managerial Miscalibration». Quarterly Journal of Economics 128(4). Şirket yöneticilerinin tahmin aralıklarındaki aşırı kesinlik.

Sonraki derse köprü

Bu dersteki önyargıların hepsi, insanların dünya hakkındaki yargılarıyla, yani olasılıkları, sıklıkları ve kendi bilgilerinin kesinliğini nasıl değerlendirdikleriyle ilgiliydi. Ama önceki dersteki fuarda, katılımcıların ellerindeki eşyayı tutmasının nedeni bir olasılık hatası değildi; o eşyaya, yalnızca sahip oldukları için daha fazla değer biçiyorlardı. Sıradaki ders, yargılardan tercihlere geçiyor ve kayıptan kaçınmayı inceliyor. İnsanlar kazançları ve kayıpları neden farklı tartar? Bir şeyi kaybetmenin acısı, onu kazanmanın sevincinden ne kadar büyüktür ve bu fark, fiyatlara, sözleşmelere ve piyasalara nasıl yansır?