Филип Тетлок - Думай медленно — предсказывай точно. Искусство и наука предвидеть опасность

Может показаться, что немного странно мыслить в категориях таких крошечных изменений — «единиц сомнения», — но если у вас такое же детализированное мышление, как у Тима, то это естественно. Представьте: в начале сентября 2014 года вы прочитали, что Нейт Сильвер, выдающийся агрегатор опросов общественного мнения, дал республиканцам 60 %-ный шанс преимущества в Сенате на промежуточных выборах. Вам это кажется убедительным, поэтому в изначальном прогнозе вы указываете вероятность такого развития событий в 60 %. На следующий день вы обнаруживаете очередной опрос, который выявил, что поддержка республиканцев в предвыборной сенатской гонке в Колорадо выросла с 45 до 55 %. На сколько следует поднять процент в вашем прогнозе? Цифра должна быть больше ноля. Но, подумав, сколько еще гонок республиканцам потребуется выиграть, вы поймете, что даже победа в Колорадо серьезно ситуацию не меняет, и считаете, что максимальное число, на которое можно поднять вероятность, — 10 %. Итак, сейчас у вас есть промежуток от 1 до 10 %. Сколько гонок уже прошли благоприятно для республиканцев? Если ответ «гораздо больше, чем нужно, чтобы завоевать преимущество в Сенате», он предполагает, что следует остановиться выше по шкале. Если «еле-еле достаточно, чтобы завоевать преимущество», — ниже по шкале. На какие тенденции указывают опросы в этих гонках? Распространяются ли на них факторы, которые работают в Колорадо? Сколько времени осталось до выборов? Какова предиктивность опросов до сего момента в преддверии выборов? Каждый вопрос помогает вам прицелиться точнее. Сначала вы сужаете промежуток с 2 до 8 %, затем — с 3 до 7 %. В конце концов вы останавливаетесь на 4 % и поднимаете прогноз с 60 до 64 %.

Драматичности тут нет никакой. Если честно, это даже скучно. Тим никогда не станет гуру, которого пригласят делиться мистическими откровениями на телевидении, корпоративных вечеринках и страницах книг-бестселлеров. Но его способ работает. Данные турнира это доказывают: суперпрогнозисты не только обновляют свои прогнозы чаще, чем обычные прогнозисты, — они еще и меньше их изменяют.

В том, как все работает, нет мистики. Прогнозист, который не уточняет свое мнение в свете новой информации, не оценит ее по достоинству; в то время как прогнозист, который слишком увлечется новыми данными и построит предсказание исключительно на них, забудет о ценности сведений, на которых основывался первоначальный прогноз. Талантливый прогнозист осторожно удерживает баланс между старой и новой информацией, ценит и ту и другую и включает ее в новый прогноз. Лучший способ это сделать — небольшие обновления.

Эту идею иллюстрирует старый мыслительный эксперимент. Представьте, что сидите спиной к бильярдному столу. Друг катит по столу шар, и тот где-то останавливается. Вы хотите не глядя определить местоположение шара. Каким образом? Друг катит по столу другой шар, который тоже где-то останавливается. Вы спрашиваете: «Второй шар находится слева или справа от первого?» Друг отвечает: «Слева». Это практически ничтожный обрывок информации. Но он тоже что-то значит — например, говорит о том, что первый шар находится не на левом краю стола, а значит, делает чуть-чуть более вероятным расположение первого шара на правой стороне стола. Если друг прокатит по столу третий шар, и вы повторите вопрос, то получите еще один обрывок информации. Если ответ будет снова «Слева», шансы, что первый шар находится на правой стороне стола, еще немного увеличатся. Продолжайте процесс, и вы постепенно сузите разброс возможных местоположений и наведете прицел на истину — однако так и не сможете полностью исключить неопределенность [142].

Если вы изучали статистику, то, возможно, вспомните вариант этого мыслительного эксперимента, придуманный Томасом Байесом. Байес, пресвитерианский священник, изучавший логику, родился в 1701 году, то есть жил в момент зарождения современной теории вероятности, к которой и сам приложил руку, опубликовав «Эссе к решению проблемы доктрины шансов». Это эссе, в сочетании с работами друга Байеса Ричарда Прайса, опубликовавшего его эссе уже после смерти, в 1761 году, а также открытия, совершенные великим французским математиком Пьером-Симоном Лапласом, в конечном счете создали теорему Байеса. Она выглядит таким образом:

P(H|D)/P(—H|D) = P(D|H)/P(D|-H)P(H)/P(—H)

Апостериорные шансы = Степень вероятности Априорные шансы

Байесовское уравнение корректировки убеждений

Если выражаться просто, теорема говорит, что новое ваше убеждение должно зависеть от прежнего (и знания, которое его сформировало), умноженного на «диагностическую ценность» новой информации. Абстрактность формулировки обескураживает, поэтому давайте посмотрим, как Джей Ульфельдер — политолог, суперпрогнозист и мой коллега — применил ее на практике. В 2013 году администрация Обамы выдвинула Чака Хэйгела на должность министра обороны. Но в этот момент всплыла противоречивая информация, слушания прошли плохо, и появились спекуляции на тему того, что Хэйгела может не одобрить Сенат. Том Рикс, оборонный аналитик, написал: