2/24/12  

1  

Heuris,cs  &  Biases  

MAR  3053    

February  28,  2012  

PART  1:  HEURISTICS  &  INTUITIVE  JUDGMENT  

The  use  and  misuse  of  affect,  availability,  representa,ve-­‐ness,  and  anchors  

Two  systems  of  reasoning  

System  1  •  “Intui,ve”  •  Automa,c  •  Effortless  •  Rapid  &  parallel  •  Concrete  •  Associa,ve  

System  2  •  “Reflec,ve”  •  Controlled  •  EfforQul  •  Slow  &  oSen  serial  •  May  be  abstract  •  Rule-­‐based  

2/24/12  

2  

Which  bet  would  you  choose?  

1  in  10   9  in  100  

Who  chooses  the  large  box?  

Percentage  of  par,cipants  choosing  the  box  with  greater  #  of  total  balls  (odds  with  small  box  =  10%;  odds  with  large  box  =  value  shown  on  x-­‐axis)  

What  is  a  heuris,c?  

•  “Mental  shortcut”  used  in  judgment  and  decision  making  – Essen,al  for  living  in  an  uncertain  world  – But  they  can  lead  to  faulty  beliefs  and  subop,mal  decisions  

– By  looking  at  errors  and  biases,  we  can  learn  how  people  are  reasoning  under  uncertainty  

2/24/12  

3  

Two  types  of  heuris,cs  

•  Special  purpose  heuris,cs  –  use  restricted  to  specific  domains  – Height  as  a  guide  for  ability  as  basketball  player  – #  of  publica,ons  as  guide  for  quality  as  an  academic  

•  General  use  heuris,cs  – Affect  – Availability  – Representa,veness  (similarity)  

The  affect  heuris,c  

•  ##  migra,ng  birds  die  each  year  by  drowning  in  uncovered  oil  ponds,  which  the  birds  mistake  for  bodies  of  water.  Covering  the  ponds  with  nets  could  prevent  these  deaths.  How  much  money  would  you  be  willing  to  pay  to  provide  the  needed  nets?  

•  2,000  birds  -­‐-­‐  $80  •  20,000  birds  -­‐-­‐  $78  •  200,000  birds  -­‐-­‐  $88  

The  iden,fiable  vic,m  effect  

•  “A  death  of  a  single  Russian  solder  is  a  tragedy.  A  million  deaths  is  a  sta,s,c.”  –  Joseph  Stalin  

2/24/12  

4  

Affect  

•  Judgments  of  life  happiness:  •  People  asked  2  ques,ons:  –  1)  How  sa,sfied  are  you  with  your  life  these  days?  –  2)  How  many  dates  have  you  had  in  the  last  month?  

• Correla,on  =  -­‐.12  •  Another  group  asked  in  opposite  order  –  2),  then  1)  • Correla,on  =  .66  

Strack  et  al.,  1993  

The  availability  heuris,c  

Kansas?   Nebraska?  

•  Making  judgments  about  the  frequency  or  likelihood  of  an  event  based  on  the  ease  with  which  evidence  or  examples  come  to  mind  –  Example:  Category  size  

Availability  

•  Egocentric  alloca,ons  of  responsibility:  “Overclaiming”  

•  People  claim  more  responsibility  for  collec,ve  endeavors  than  is  logically  possible  

•  Self-­‐alloca,ons  sum  to  more  than  100%  •  Why?  Because  one’s  own  contribu,ons  are  more  available  than  those  of  others  

2/24/12  

5  

Availability  •  Experimental  evidence  •  Married  couples  asked  to  allocate  responsibility  for:  –  Posi,ve  events:  Making  breakfast,  planning  ac,vi,es,  shopping  for  family,  making  important  decisions  

– Nega,ve  events:  Causing  arguments,  causing  messes,  irrita,ng  spouse  

•  Results:    – Overclaiming  occurred  for  16  of  20  ac,vi,es  –  Equivalent  overclaiming  for  posi,ve  and  nega,ve  events  

Ross  &  Sicoly,  1979;  Kruger  &  Gilovich,  1999  

Availability  

•  What  is  availability?  Two  possibili,es:  – 1.  Number  –  amount  of  informa,on  generated  – 2.  Ease  –  the  ease  with  which  informa,on  can  be  generated  

•  Iconic  study  teased  them  apart:  – Par,cipants  were  asked  to  evaluate  their  own  asser,veness…  

– By  genera,ng  either  6  (easy)  or  12  (hard)  examples  of  asser,veness  or  unasser,veness  

Availability:  number  versus  ease  

Moral:  Ease  influences  judgments  some,mes  in  spite  of  number  Schwarz  et  al.,  1991    

2/24/12  

6  

Representa,veness  •  Determining  class  inclusion  or  likelihood  by  similarity:  – A  member  ought  to  resemble  the  overall  category  – An  effect  ought  to  resemble  or  be  similar  to  the  cause  – An  outcome  ought  to  resemble  the  process  that  produced  it  

•  Like  goes  with  like  •  OSen  easier  to  assess  similarity  than  probability  – Does  he  look  like  an  engineer?  – Does  it  look  like  it  could  cause  a  clogged  artery?  – Does  it  look  like  a  random  sequence?  

Representa,veness  

•  Leads  to  several  classic  judgment  errors  – Conjunc,on  fallacy  – Misperceiving  randomness  – Regression  fallacy  

The  Linda  problem  •  Linda  is  31  years  old,  single,  outspoken,  and  very  bright.  She  majored  in  philosophy.  As  a  student,  she  was  deeply  concerned  with  issues  of  discrimina,on  and  criminal  jus,ce,  and  also  par,cipated  in  an,-­‐nuclear  demonstra,ons.  

•  Rank  likelihood  that  Linda  is:  –  A  teacher  in  elementary  school  –  Ac,ve  in  the  feminist  movement  –  A  member  of  the  League  of  Women  Voters  –  A  bank  teller  –  An  insurance  salesperson  –  A  bank  teller  and  ac,ve  in  the  feminist  movement  

2/24/12  

7  

The  Linda  problem  

•  Class  data  (rankings—lower  numbers  mean  more  likely):  

•  Ac,ve  in  the  feminist  movement:    •  A  bank  teller:    •  Ac,ve  in  feminist  movement  a  bank  teller:  

Representa,veness:  Conjunc,on  fallacy  

•  Judging  the  conjunc,on  of  two  events  to  be  more  probable  than  one  of  the  cons,tuent  elements  

Feminists  

Bank  tellers  

P(A  &  B)  >  P(A)  or  P(B)  /  

Conjunc,on  fallacy  

•  How  much  would  you  be  willing  to  pay  for  a  new  insurance  policy  that  would  cover  hospitaliza,on  for:  

•  1.  Any  disease  or  accident  – Mean  =  $89.10  

•  2.  Any  reason  – Mean  =  $41.53    

Johnson  et  al.,  1993  

2/24/12  

8  

Conjunc,on  fallacy  

•  How  much  would  you  be  willing  to  pay  for  flight  insurance  (1  flight  to  London)  that  covers  death  due  to:  

•  1.  Any  act  of  terrorism  – Mean  =  $14.12  

•  2.  Any  reason  – Mean  =  $12.03  

Johnson  et  al.,  1993  

Representa,veness:  Randomness  

•  Effects  should  resemble  the  process  that  produced  them  

•  If  something  is  random,  it  should  look  random  

•  What  does  random  look  like?  – HTHHHTTTTHTHHTTTHHHTH  – HTHTHTTTHHTHTHTTHHHTH  

The  hot  hand  

•  “If  I’m  on,  I  find  that  confidence  just  builds…you  feel  nobody  can  stop  you.  It’s  important  to  hit  that  first  one,  especially  if  it’s  a  swish.  Then  you  hit  another,  and…you  feel  like  you  can  do  anything.”  –  -­‐-­‐Lloyd  Free  (a.k.a.  World  B.  Free)  

2/24/12  

9  

The  hot  hand  •  The  belief  that  success  breeds  success,  and  failure  breeds  failure  

•  100  basketball  fans…  –  91%  thought  player  has  a  bever  chance  of  making  a  shot  aSer  having  just  made  his  last  two  or  three  shots  than  he  does  aSer  having  just  missed  his  last  two  or  three  shots  

– Given  a  player  who  makes  50%  of  his  shots,  subjects  thought  that  shoo,ng  percentage  would  be…  •  61%  aSer  having  just  made  a  shot  •  42%  aSer  having  just  missed  a  shot  

–  84%  thought  that  it’s  important  to  pass  the  ball  to  someone  who  has  just  made  several  shots  in  a  row  

Gilovich,  Vallone,  &  Tversky,  1985  

The  hot  hand  

•  Calculate  probability  of  making  a  shot  aSer  missing  previous  1,  2,  or  3  shots  and  aSer  making  previous  1,  2,  or  3  shots  

Gilovich,  Vallone,  &  Tversky,  1985  

What  the  hot  hand  results  mean  •  “The  independence  between  successive  shots,  of  course,  does  not  mean  that  basketball  is  a  game  of  chance  rather  than  skill,  nor  should  it  render  the  game  less  exci,ng  to  play,  watch,  or  analyze.  It  merely  indicates  that  the  probability  of  a  hit  is  largely  independent  of  the  outcome  of  previous  shots,  although  it  surely  depends  on  other  parameters  such  as  skill,  distance  to  the  basket,  and  defensive  pressure…The  availability  of  plausible  explana,ons  may  contribute  to  the  erroneous  belief  that  the  probability  of  a  hit  is  greater  following  a  hit  than  following  a  miss.”    –  –Gilovich  et  al.,  1985,  pp.312-­‐313  

2/24/12  

10  

Regression  to  the  mean  

The  SI  jinx  

The  SI  jinx  

•  In  sports  (the  SI  jinx,  the  sophomore  slump,  rehiring  the  interim  manager,  etc.)  

•  In  educa,on  (the  illusory  superiority  of  punishment  over  reward)  

•  In  medicine  (why  it’s  so  easy  to  believe  that  a  worthless  “remedy”  really  works)  

•  In  poli,cs  (be  careful  about  taking  office  during  an  economic  boom  or  a  drop  in  crime)  

2/24/12  

11  

PART  2:  BIASES  Overconfidence  and  its  causes  

Overconfidence  in  social  predic,ons  

•  Would  the  target  person…  –  Prefer  to  subscribe  to  Playboy  or  the  New  York  Review  of  Books?  

–  Describe  his/her  lecture  notes  as  neat  or  messy?  –  Say  s/he  would  pocket  or  turn  in  $5  found  on  the  ground?  –  Object  when  the  experimenter  referred  to  him/her  by  the  wrong  name?  

–  Comb  his/her  hair  before  posing  for  a  photograph  in  the  lab?  

•  How  confident  are  you  in  your  answer  (50-­‐100%)?  •  Mean  confidence:  75.7%  •  Mean  accuracy:  60.8%  – When  100%  confident,  accuracy  =  78.5%!  

Dunning  et  al.,  1990  

Overconfidence  in  self  predic,ons  •  Will  you…  –  Visit  San  Francisco  more  than  3  ,mes  this  year?  –  Par,cipate  in  the  dorm  play?  – Drop  a  course?  – Ques,on  your  decision  to  avend  Stanford?  –  Become  best  friends  with  your  roommate?  –  Visit  a  friend  more  than  100  miles  away?  – Get  a  new  boy/girlfriend?  

•  Overall  confidence:  82.3%  •  Overall  accuracy:  68.2%  – When  par,cipants  were  100%  confident,  they  were  correct  only  77.4%  of  the  ,me!  

Vallone  et  al.,  1990  

2/24/12  

12  

Causes  of  overconfidence  

•  Hindsight  bias  •  Mo,vated  and  non-­‐mo,vated  confirmatory  thinking  – Confirma,on  bias  – Wishful  thinking  

•  Naïve  realism  

Naïve  realism  •  You  drive  up  to  San  Francisco  with  friends  to  celebrate  the  end  of  the  quarter.  The  plans  include  dinner  and  then  some  entertainment  aSerward.  – How  much  money  will  you  personally  spend  on  the  dinner?  

•  You  receive  a  telephone  call  from  a  survey  firm.  You  ini,ally  agree  to  answer  some  ques,ons.  There  is  a  long  series  of  ques,ons  – How  many  minutes  will  you  spend  answering  ques,ons  before  you  end  the  call?  

Griffin,  Dunning,  &  Ross,  1990  

Naïve  realism  

•  Three  condi,ons:  – Control  condi,on:  Confidence  intervals  simply  given  a  second  ,me  

– “Assumers”  condi,on:  Asked  to  assume  that  their  image  of  the  situa,on  was,  in  fact,  correct  in  all  details  

– Mul,ple  construal  condi,on:  Asked  to  describe  several  alterna,ve  ways  the  situa,on  they  would  be  in  could  turn  out  

Griffin,  Dunning,  &  Ross,  1990  

2/24/12  

13  

Naïve  realism  

Griffin,  Dunning,  &  Ross,  1990  

Summary  

•  Engage  “System  2”  –  Learn  the  common  errors  that  people  make  in  our  uncertain  world  •  They  rely  too  much  on  affect,  availability  and  representa,veness  •  They’re  overconfident  in  their  decisions  

–  Take  a  skep,cal  mindset  even  when  you  like  an  ini,al  judgment  •  Don’t  be  an  “assumer”  

–  Invoke  an  audience  to  which  you  need  to  jus,fy  your  thinking  

–  Next  ,me:  What  is  construal?