So können Prognosefehler und menschliche Fehler vermieden werden

Prognoseverzerrungen und menschliche Fehler

Als Menschen sind wir voller Vorurteile, unbewusster und bewusster Natur. Selbst die analytischste, datenlastigste Person kann dieser mentalen Falle nicht entkommen.

Vorurteile führen dazu, dass wir Meinungen und Entscheidungen auf unsere eigenen Vorurteile darüber stützen, was wir von den Ergebnissen einer Forschung oder Analyse erwarten.

Aus diesem Grund dürfen die Ergebnisse einer Prognose nicht für sich selbst sprechen, sondern sie dienen stattdessen als Unterstützung für die Idee, zu der sich der Prognoseanalyst neigt. Vorurteile sind nicht auf Menschen beschränkt, sie wirken sich auch auf die von ihnen erstellten Modelle aus.

Wir werden uns damit befassen, wie der Einfluss von Verzerrungen vermieden werden kann, aber lassen Sie uns zunächst einige davon kennenlernen, die zu ungenauen Prognosen führen.

„Vorurteile sind nicht auf Menschen beschränkt,
sie dringen auch in die Modelle ein, die sie bauen. “

Bestätigungsfehler

Die Tendenz, Vorurteile zu bestätigen, indem Daten und Modelle so angepasst werden, dass sie ihnen entsprechen. Dies geschieht, indem man sich ausschließlich auf die Informationen konzentriert, die Überzeugungen bestätigen, und nicht auf die Informationen, die sie in Frage stellen. Fehler sind ein Beispiel dafür

Anstatt zu versuchen zu verstehen, warum ein Fehler vorliegt, ist es einfacher, sich die Ergebnisse anzusehen, die das Vorurteil stützen.

Die Gefahr von Bestätigungsverzerrungen entsteht, wenn eine Prognose von ihnen beeinflusst und beispielsweise zur Anpassung des Prognosemodells verwendet wird. Wir sind nur Menschen, und wenn viel auf dem Spiel steht, kann es leicht sein, dem zum Opfer zu fallen, was wir sehen wollen, und nicht dem, was es ist.

Voreingenommenheit bei übermäßiger Anpassung

Dabei handelt es sich um ein übermäßig komplexes Modell, das das Rauschen (Zufälligkeit) im Datensatz und nicht die zugrunde liegende statistische Beziehung beschreibt.
‍
Überanpassungen treten häufig auf und viele Menschen (oder ihre Prognosesysteme) tun dies unwissentlich jeden Tag.
Dies tritt auf, wenn ein statistisches Modell so viele Parameter wie möglich anpassen darf, um alle Abweichungen in den Daten zu erklären.

Es ist, als würde man einem Diagramm in Excel eine Trendlinie hinzufügen und ihr so lange Polynome hinzufügen, bis die Trendlinie den historischen Daten perfekt folgt.

Mit unendlichen Parametern und genügend Zeit kann das Modell für fast jeden Datensatz geeignet sein. Es gibt jedoch keine Garantie dafür, dass das Modell gute Prognosen generiert oder ob es überhaupt verwendet werden sollte.

Konjunktionsfehler

Die Verzerrung durch den Konjunktionsfehler ist ein häufiger Denkfehler, bei dem wir glauben, dass zwei Ereignisse, die zusammen auftreten, wahrscheinlicher sind als eines dieser Ereignisse alleine. Aus der Sicht der Prognose ist dies häufig der Fall, wenn Szenarioanalysen mit mehr als einem Ereignis durchgeführt werden, was zu einer bedingten Prognose mit geringer Wahrscheinlichkeit führt.

So vermeiden Sie den Einfluss von Verzerrungen auf Ihre Prognosen

Implementierung eines strukturierten Prognoseprozesses

Ein strukturierter Prognoseprozess kann die Auswirkungen von Vorurteilen und menschlichen Fehlern erheblich abschwächen. Die folgenden Strategien tragen dazu bei, dass menschliche Beiträge systematisch bewertet und überwacht werden, was zu objektiveren und genaueren Prognosen führt.

1. Definieren Sie klare Ziele und Annahmen
   Erläutern Sie zunächst klar den Zweck Ihrer Prognose und die Annahmen, die Sie treffen. Dadurch wird verhindert, dass subjektive Meinungen den Prognoseprozess beeinflussen. Die Dokumentation dieser Aspekte gewährleistet Transparenz und dient als Leitfaden für die Bewertung späterer Abweichungen.
2. Verwenden Sie ein Framework zur Modellbewertung
   ‍Evaluieren Sie Prognosemodelle anhand standardisierter Metriken. Beurteilen Sie die Modellleistung nicht nur anhand historischer Daten, sondern auch anhand von Daten, die nicht aus der Stichprobe stammen, um sich vor übermäßigen Verzerrungen zu schützen. Legen Sie Kriterien für die Modellauswahl fest und legen Sie Wert auf Einfachheit und Robustheit statt auf Komplexität. Automatisierte Überwachungstools können außerdem dabei helfen, die Modellleistung im Laufe der Zeit zu verfolgen.
3. Szenarioanalyse einbeziehen
   ‍Achten Sie bei der Durchführung von Szenarioanalysen auf den Konjunktionsfehler. Ordnen Sie jedem Szenario objektiv Wahrscheinlichkeiten zu und verlassen Sie sich, wenn möglich, auf probabilistische Modelle, die die Wahrscheinlichkeit einzelner und kombinierter Ereignisse getrennt bewerten. Vermeiden Sie es, übermäßig komplizierte Szenarien zu erstellen, die die Prognosegenauigkeit beeinträchtigen.
4. Denken Sie über vergangene Prognosen nach
   ‍Führen Sie Aufzeichnungen über vergangene Prognosen, einschließlich der verwendeten Methoden und Annahmen. Überprüfen Sie diese Prognosen regelmäßig, um zu verstehen, wo Verzerrungen die Ergebnisse beeinflusst haben könnten, und nutzen Sie diese Erkenntnisse, um zukünftige Prognoseprozesse zu verbessern.

„Durch die Gewichtung einer großen Anzahl von Modellen
wir erfassen die Stärken jedes einzelnen Modells.
Dies hat sich als genauer erwiesen.“

Warum nicht einfach ein gutes Modell verwenden?

Alle Prognosemodelle haben ihre Vorteile. Durch die Gewichtung einer Vielzahl von Modellen erfassen wir die Stärken jedes einzelnen Modells. Dies hat sich nach neuesten Prognosen als genauer erwiesen.