Hoe vooringenomenheid in voorspellingen en menselijke fouten te verminderen

Voorspellingsvooroordelen en menselijke fouten

Als mensen zitten we doorzeefd met vooroordelen, onbewuste en bewuste. Zelfs de meest analytische, data-intensieve persoon kan niet ontsnappen aan deze mentale valkuil.

Vooroordelen leiden ertoe dat we meningen en beslissingen baseren op onze eigen vooroordelen over wat we verwachten dat de uitkomst van onderzoek of een analyse zal zijn.

Daarom mogen de resultaten van een voorspelling niet voor zich spreken, maar dienen ze als ondersteuning voor elk idee waar de voorspellingsanalist naar neigt. Vooroordelen beperken zich niet tot mensen, ze lekken ook door in de modellen die ze bouwen.

We bespreken hoe je de invloed van vooringenomenheid kunt vermijden, maar laten we eerst eens kijken naar een aantal factoren die tot onnauwkeurige voorspellingen leiden.

„Vooroordelen zijn niet beperkt tot mensen,
ze lekken ook in de modellen die ze bouwen. „

Vooroordeel over bevestiging

De neiging om vooroordelen te bevestigen door gegevens en modellen aan te passen zodat ze daaraan voldoen. Dit gebeurt door je uitsluitend te concentreren op de informatie die overtuigingen bevestigt, in plaats van je te concentreren op de informatie die ze uitdaagt. Fouten zijn hier een voorbeeld van.

In plaats van te proberen te begrijpen waarom er een fout is gemaakt, is het makkelijker om naar de resultaten te kijken die het vooroordeel ondersteunen.

Het gevaar van bevestigingsbias ontstaat wanneer een voorspelling erdoor wordt beïnvloed en wordt gebruikt voor het aanpassen van bijvoorbeeld het voorspellingsmodel. We zijn ook maar mensen en als er veel op het spel staat, kan het gemakkelijk zijn om het slachtoffer te worden van wat we willen zien, in plaats van wat het is.

Vooroordeel over overfitting

Dit betreft een te complex model dat ruis (willekeur) in de dataset beschrijft in plaats van de onderliggende statistische relatie.
‍
Overfitting komt vaak voor en veel mensen (of hun voorspellingssystemen) doen dat elke dag onbewust.
Dit gebeurt wanneer een statistisch model zoveel mogelijk parameters mag bevatten om alle afwijkingen in de gegevens te verklaren.

Het is alsof je een trendlijn toevoegt aan een plot in Excel en er polynomen aan blijft toevoegen totdat de trendlijn de historische gegevens perfect volgt.

Met oneindig veel parameters en voldoende tijd kan het model geschikt zijn voor bijna elke dataset. Maar er is geen garantie dat het model goede voorspellingen zal genereren of zelfs maar zou moeten worden gebruikt.

Misvatting van de conjunctie

De vooringenomenheid van de conjunctiefout is een veelvoorkomende redeneringsfout waarbij we geloven dat twee gebeurtenissen die samen plaatsvinden waarschijnlijker zijn dan een van die gebeurtenissen die alleen plaatsvinden. Vanuit een prognoseperspectief wordt dit vaak gezien bij scenarioanalyses met meer dan één gebeurtenis, wat resulteert in een voorwaardelijke voorspelling met een lage waarschijnlijkheid.

Hoe u de invloed van vooringenomenheid op uw voorspellingen kunt vermijden

Implementatie van een gestructureerd prognoseproces

Een gestructureerd voorspellingsproces kan de impact van vooroordelen en menselijke fouten aanzienlijk beperken. De volgende strategieën helpen ervoor te zorgen dat menselijke input systematisch wordt geëvalueerd en gemonitord, wat leidt tot objectievere en nauwkeurigere voorspellingen.

1. Definieer duidelijke doelstellingen en veronderstellingen
   Begin met een duidelijk beeld te geven van het doel van je voorspelling en de veronderstellingen die je maakt. Dit helpt voorkomen dat subjectieve meningen invloed hebben op het voorspellingsproces. Het documenteren van deze aspecten zorgt voor transparantie en dient als leidraad voor het evalueren van eventuele afwijkingen die zich later voordoen.
2. Gebruik een modelevaluatiekader
   ‍Evalueer voorspellingsmodellen met behulp van gestandaardiseerde statistieken. Evalueer de prestaties van modellen niet alleen op basis van historische gegevens, maar ook op gegevens die niet in de steekproef zijn opgenomen om te voorkomen dat overfitting bias wordt toegepast. Stel criteria vast voor de selectie van modellen, waarbij de nadruk wordt gelegd op eenvoud en robuustheid boven complexiteit. Geautomatiseerde monitoringtools kunnen verder helpen om de prestaties van modellen in de loop van de tijd bij te houden.
3. Scenario-analyse opnemen
   ‍Houd bij het uitvoeren van een scenarioanalyse rekening met de conjunctiecommisvatting. Ken objectief waarschijnlijkheden toe aan elk scenario en vertrouw waar mogelijk op probabilistische modellen die de waarschijnlijkheid van individuele en gecombineerde gebeurtenissen afzonderlijk evalueren. Maak geen te ingewikkelde scenario's die de nauwkeurigheid van de voorspelling verminderen.
4. Denk na over voorspellingen uit het verleden
   ‍Houd een overzicht bij van eerdere voorspellingen, inclusief de gebruikte methodologieën en veronderstellingen. Bekijk deze voorspellingen regelmatig om te begrijpen waar vooringenomenheid de resultaten kan hebben beïnvloed en gebruik deze inzichten om toekomstige prognoseprocessen te verbeteren.

„Door een groot aantal modellen te wegen,
we benutten de sterke punten van elk individueel model.
Het is bewezen dat dit nauwkeuriger is.”

Waarom niet gewoon één goed model gebruiken?

Alle voorspellingsmodellen hebben hun voordelen. Door een groot aantal modellen te wegen, benutten we de sterke punten van elk afzonderlijk model. Volgens het laatste prognoseonderzoek is bewezen dat dit nauwkeuriger is.