خطای نرخ پایه نوعی سوگیری و یکی از خطاهای استدلال است. مطالعات اولیه در این زمینه توسط روانشناسانی مانند آموس تورسکی و دانیل کانمن در دهههای 1970 و 1980 انجام شد.در این وضعیت ما نرخ پایه و احتمال رخداد یک موضوع را نادیده میگیریم. برای مثال فرض کنید که شما به کسی میگویید که مصرف سیگار باعث ابتلا به سرطان خواهد شد. او در رد نظر شما، پدر خودش را مثال میزند که 50 سال است سیگار میکشد اما به سرطان مبتلا نشده است. در اینجا او احتمال بسیار کوچک مبتلا نشدن به سرطان برای یک فرد سیگاری را نادیده گرفته است.
یک مثال از خطای نرخ پایه
به ویژگیهای فردی لیندا توجه کنید:
لیندا عینک گرد میزند. لباسهایی رنگی میپوشد. همیشه یک کتاب شعر همراه او است. به موسیقی کلاسیک علاقه دارد. بازدید از موزه مهمترین تفریح او است. این روزها وقتها در ماشین به کتاب صوتی تاریخ هنر گوش میکند.
از بین دو گزاره زیر یکی در مورد لیندا درست است و دیگری غلط. آیا میتوانید گزاره درست را حدس بزنید؟
لیندا دانشجوی هنرهای زیبا در دانشگاه سوربن است.
لیندا در بخش تسهیلات یک بانک کار میکند.
واضح است که جمله اول در مورد لیندا درست است، نه؟ نه! تعداد کارمندهای بخش تسهیلات، خیلی خیلی بیشتر است از تمام دانشجویان رشته هنر در دانشگاه سوربن. هنوز احتمال این که لیندا یک کارمند هنردوست باشد خیلی بیشتر است از یک دانشجوی هنر. نادیده گرفتن نرخ پایه (تعداد دانشجویان هنر و تعداد کارمندان بانک) در اینجا باعث میشود که ما اشتباه کنیم.
ارزش حرفهای یک شاهد عینی
در یک شهر، 800 هزار تاکسی زرد و 200 هزار تاکسی سبز وجود دارد. یک شاهد عینی با چشمهای خودش دیده که در حوالی نیمهشب، یک تاکسی عابری را زیر گرفت و فرار کرد. او فکر میکند که رنگ تاکسی سبز بوده است. پلیس قدرت تشخیص رنگ او را در شب امتحان میکند. او با دقت بسیار خوب 70 درصد قادر است در آن تاریکی رنگ تاکسی را به درستی تشخیص بدهد. آیا تاکسی مورد نظر، سبز است؟
در این شهر 800 هزار تاکسی زرد داریم. دقت تشخیص شاهد هم 70 درصد است. یعنی اگر تاکسی زرد رنگ باشد، او میتواند 560 هزار تاکسی زرد را درست تشخیص دهد اما 240 هزار تاکسی را به اشتباه سبز خواهد دید.
اگر تاکسی سبز باشد او رنگ 140 هزار تاکسی را به درستی تشخیص میدهد. اما در مورد رنگ 60 هزار تاکسی اشتباه خواهد کرد.
در مجموع او در مورد 140 هزار تاکسی به درستی رنگ سبز را تشخیص میدهد اما در مورد 240 هزار تاکسی اشتباه خواهد کرد. در نتیجه دقت شهادت او 36 درصد است. یعنی کمتر از دقت تعیین رنگ تاکسی با پرتاب سکه.
زمانی که پلیس دقت فرد را میسنجید، این کار را با 10 تاکسی سبز و 10 تاکسی زرد انجام داد. در آنجا نرخ پایه هر دو رنگ برابر بود. اما در واقعیت نادیده گرفتن نرخ پایه باعث میشود که شهادت اشتباهی مورد پذیرش قرار بگیرد.
خطای نرخ پایه در کلیشهها
اگر بیشتر دانشجویان هنر سیگاری باشند، آیا میتوانیم نتیجه بگیریم که یک فرد سیگاری به احتمال زیاد دانشجوی هنر است؟ خیر. تعداد افراد سیگاری که دانشجوی هنر نیستند خیلی بیشتر از کل تعداد دانشجویان هنر است. در نتیجه از سیگار کشیدن یک فرد به هیچ وجه نمیتوانیم در مورد تحصیلات هنری او نظری داشته باشیم. خیلی واضح است، نه؟
اما در زندگی واقعی ما بارها و بارها دچار خطای نرخ پایه و تعمیم کلیشهها میشویم:
فردی که خوش لباس است، انسان موفقی است.
کسی که با ما مودب و مهربان حرف میزند، میتواند در آینده به همسر خوبی تبدیل شود.
فردی که روپوش سفید به تن دارد، دکتر است.
ذهن ما به این کلیشهسازی علاقه دارد. ما دوست داریم به سرعت و در یک نگاه بتوانیم اشخاص را تشخیص بدهیم. مردی با کت و شلوار و کراوات به یک آرایشگاه مردانه میرود. آرایشگر سریع فکر میکند که او داماد است یا دست کم قصد دارد به یک جشن عروسی برود.
در این کلیشهسازیها ما بسیار مستعد خطای نرخ پایه هستیم.
خطای نرخ پایه در سرمایهگذاری
آیا تا به حال یک خبر خوب در یک شرکت شما را وسوسه کرده که سهام آن شرکت را بخرید؟ آیا در یک روز بد بازار، ترسیدهاید و به فروش سهام خود فکر کردهاید؟ در این صورت خطای نرخ پایه را تجربه کردهاید. درست است که یک رخداد خوب در یک شرکت میتواند رخداد مبارکی باشد، اما آیا دیگر رخدادها را در نظر گرفتهایم؟ یک روز منفی در یک بازار صعودی هم میتواند ما را دچار خطای نرخ پایه کند.
یکی از بهترین مثالها در حوزه سرمایهگذاری، در مورد افرادی است که در شبکههای اجتماعی از پیشبینیهای درست خود صحبت میکنند و آنها را به عنوان مثالی برای قدرت پیشبینی خود معرفی میکنند. سوال اساسی این است که آنها روزانه چند پیشبینی ارائه میدهند و چه تعداد از آنها درست از آب در میآید. حتی اگر فرد فقط یک پیشبینی منتشر کرده و همان هم درست از آب درآمده، باز نمیشود دقت پیشبینی او را کامل در نظر گرفت. در این حالت او به طور اتفاقی، از میان هزاران پیشبینی خود (که اشتباه بودند) یکی را منتشر کرده است. یعنی او در تمام این مدت (دستکم در ذهن خودش) فقط یک پیشبینی نداشته.
خطای نرخ پایه در علم پزشکی
تصور کنید یک بیماری جدید پیدا شده و در حال حاضر 8 میلیون نفر به این بیماری مبتلا شدهاند. یک کیت آزمایشگاهی میتواند با دقت 99 درصد این بیماری را تشخیص بدهد. آیا میتوانید به این تست اعتماد کنید؟ واضح است که خیر. شیوع این بیماری چیزی در حدود یک در هزار است. اما در 1 درصد موارد کیت ما نتیجه اشتباه میکند. اگر تمام جهان را با این کیت تست کنیم به 80 میلیون نتیجه مثبت نادرست میرسیم که از تعداد مبتلایان واقعی بیشتر است. در نتیجه جواب مثبت نمیتواند نشانه ابتلا به بیماری باشد. پس چه کار باید بکنیم؟ کافی است از 88 میلیون نفر با تست مثبت دوباره تست بگیریم. در این صورت خطای ما به 880 هزار نفر خواهد رسید. تست سوم خطا را به 8 هزار و 800 نفر کاهش میدهد. در نتیجه اگر کسی سه بار آزمایش داده و هر سه بار نتیجه مثبت شده باشد، به احتمال زیاد به این بیماری مبتلا است.
طبیعی است که ساختن تستی با دقت 99.9 درصد میتواند دستاورد بزرگی باشد. در اینجا، با خطای 1 هزارم، هنوز یک تست مثبت فرقی با پرتاب سکه ندارد. احتمال ابتلا به بیماری 50-50 خواهد بود. اما دو تست مثبت تعداد اشتباهات را به همان عدد 8 هزار نفر میرساند. در نتیجه این روش جدید قادر خواهد بود صرفهجویی بزرگی در انجام آزمایشها ایجاد کند.
خطای نرخ پایه در خرید
تصور کنید میخواهید یک محصول را به صورت آنلاین سفارش بدهید. 10 هزار نفر این محصول را خریدهاند. 9 هزار نفر از این محصول کاملا راضی بودهاند. 10 نفر نیز به آن امتیاز کاملا ناراضی دادهاند. در کامنتها یک نفر به شدت از این محصول گلایه کرده و آن را یک کلاهبرداری بزرگ و وسیلهای بیارزش خوانده است. آیا از خرید منصرف میشوید؟
او هنوز 1 نفر از همان 10 نفر است. اگر کامنت منفی او روی ذهن شما اثر بگذارد، نرخ پایه را نادیده گرفتهاید و دچار خطا شدهاید. برعکس این موضوع نیز درست است. رضایت مشتریان یک عامل مهم برای جلب اعتماد مشتری است. اما یک مورد راضی برای مفید دانستن یک محصول کافی نیست. برای قضاوت بهتر شما به نرخ پایه برای رضایت و نارضایتی نیاز دارید.
چطور از این خطا دوری کنیم؟
در مثال تاکسی و تست پزشکی، دیدیم که توجه به میزان شیوع میتواند ذهنیت ما نسبت به مساله را تغییر دهد. به همین روش شما نیز میتوانید از خطای نرخ پایه اجتناب کنید.
قبل از آن که یک نفر را بر اساس کلیشهها مورد قضاوت قرار دهید، از خودتان بپرسید که آیا حالت دیگر شایعتر است یا خیر. برای مثال اگر فرض کردید یک نفر مجرم است چون پوست سیاهی دارد، به این فکر کنید که آیا احتمال مجرم نبودن یک سیاهپوست بیشتر نیست؟
اطلاعات آماری را فدای شواهد عینی نکنید
نمونههایی که شما میبنید، برای نتیجهگیری کافی نیستند. به نمونههایی فکر کنید که به شما نشان داده نمیشوند. هیچ فروشگاهی فهرستی از پیام مشتریان ناراضی منتشر نمیکند. تحلیلگران اینستاگرامی، پیشبینیهای غلط خود را در اختیار شما نمیگذارند.
قبل از آن که به یک خواستگار که ماشین و خانه لوکس دارد جواب مثبت بدهید، به این فکر کنید که چند آدم بد وجود دارند که خانه و ماشین خوبی داشته باشند.