Superforecasting av Philip E. Tetlock och Dan Gardner

Dan Gardner Health Lifestyle Philip E. Tetlock Psychology Social Superforecasting

Förutsägelsens konst och vetenskap

Superforecasting by Philip E. Tetlock and Dan Gardner

Köp bok - Superforecasting av Philip E. Tetlock och Dan Gardner

Vad är ämnet för Superforecasting-boken?

Superforecasting (2015), baserad på årtionden av studier och resultaten från en stor, statligt sponsrad prognosturnering, förklarar hur du kan förbättra noggrannheten i dina prognoser, oavsett om du försöker förutse förändringar i aktien marknad, politik eller din vardag.

Vem är målgruppen för Superforecasting-boken?

  • De som är intresserade av att lära sig hur prognoser fungerar
  • Tänkare som kan tänka kritiskt
  • Affärsmän som vill förbättra sina prognosförmågor

Vilka är Philip E. Tetlock och Dan Gardner, och vad gör de?

Phil Tetlock, professor vid Annenberg University vid University of Pennsylvania, är en statsvetare och psykolog som är specialiserad på politisk psykologi. Han är grundare och chef för Good Judgment Project, en prognosforskning som har resulterat i mer än 200 artiklar publicerade i fackgranskade tidskrifter.
Dan Gardner är en journalist, författare och talare som bor i New York City. Förutom att vara författare till de väl hyllade böckerna Risk: The Science and Politics of Fear and Future Babble, har Gardner också talat om en mängd olika ämnen över hela världen för regeringar och företag som Google och Siemens.

Vad innehåller det för mig? Lär dig hur du skapar korrekta förutsägelser genom att titta på den här videon.

 Prognoser och förutsägelser görs om ett brett spektrum av ämnen, inklusive vädret, börsen, nästa års budget och vem som vinner helgens fotbollsmatch, bland många andra. Detta är dock inte de enda ämnen som vi gör förutsägelser om. Som ett resultat av vår besatthet av att förutsäga blir vi upprörda när händelser inte utvecklas på det sätt som vi hade förutsett dem. Så, kan förutsägelser göras som är mer exakta än de är idag? De har förmågan. Inom några månader kommer vi att kunna producera superprognoser som trimmas och justeras med varje ny information, och sedan utvärderas och förbättras efter att den förutspådda händelsen har inträffat. I dessa anteckningar kommer vi att titta på den svåra men fascinerande förmågan att producera de ultimata förutsägelserna, vilket är både svårt och intressant.

Här får du veta varför den tidigare VD:n för Microsoft förutsåg iPhones marknadsandel; hur en prognosmakare förutsade obduktionen av Yasser Arafat; och varför grupper av prognosmakare är mer effektiva än individer när det gäller att förutsäga framtiden.

Prognoser har vissa gränser, men det bör inte användas som en ursäkt för att förkasta det.

 Prognoser är något vi gör regelbundet, oavsett om vi planerar vårt nästa karriärdrag eller fattar ett finansiellt investeringsbeslut. I huvudsak är våra förutsägelser en återspegling av våra förhoppningar om vad framtiden kommer att ge. Prognoserna är å andra sidan begränsade eftersom även små händelser kan få oförutsedda effekter. Vi lever i en komplicerad värld där även en enda individ kan orsaka katastrofala konsekvenser. Ta till exempel den arabiska våren. Mohamed Bouazizi, en tunisisk gatuförsäljare, satte eld på sig själv eftersom han förödmjukades av korrupta poliser. Detta var början på en kedjereaktion.

Det finns ett teoretiskt skäl till varför det är svårt att förutse sådana händelser i första hand. När det gäller olinjära system som jordens atmosfär kan även små förändringar ha en betydande inverkan, enligt den amerikanske meteorologen Edward Lorenz. Kaosteori (även känd som fjärilseffekten) är teorin som förklarar detta fenomen.Om vindens riktning ändras med mindre än en bråkdel av en grad kan de långsiktiga vädermönstren förändras dramatiskt, enligt vissa uppskattningar. För att uttrycka det på ett annat sätt kan fjärilsvingen i Brasilien få en tornado att slita över. Texas.

Men bara för att förutsägelse har sina gränser bör vi inte överge det helt. Ta till exempel Edward Lorenz' meteorologiområde. När väderprognoser utfärdas några dagar i förväg kan de anses vara rimligt korrekta. Varför? Av den enkla anledningen att väderprognosmakare bedömer träffsäkerheten i sina förutsägelser efter händelsen. De får en bättre kunskap om hur vädret fungerar genom att jämföra sin förutsägelse med de faktiska väderförhållandena. Men problemet med detta tillvägagångssätt är att individer i andra områden sällan utvärderar riktigheten av sina förutsägelser! För att förbättra vår prognos måste vi först öka dess noggrannhet, och sedan måste vi bli mer seriösa med att jämföra vad vi förutspått med vad som verkligen äger rum. Och det kräver ett genuint engagemang för mätning.

Undvik att använda tvetydigt språk och sträva efter att vara så specifik som möjligt.

 Om du tänker på det verkar mätning av förutsägelser vara en enkel sak: samla in prognoserna, utvärdera deras riktighet, gör beräkningarna och voila! Det är dock inte alls så enkelt. Betydelsen av den ursprungliga förutsägelsen måste förstås innan det kan fastställas om det var korrekt eller inte. Tänk på fallet med Microsofts vd Steve Ballmer, som förutspådde att iPhone inte skulle få en betydande del av marknaden i april samma år. När man tänker på storleken på Apples börsvärde, verkade Ballmers förutsägelse löjlig, och folk skrattade faktiskt åt honom. En annan betoningspunkt var det faktum att Apple ägde 42 procent av den amerikanska smartphonemarknaden, vilket är en uppenbarligen betydande andel av den totala branschen. Men vänta lite, låt oss lyssna på vad han verkligen sa.

Han sa att ja, iPhone kan göra stora intäkter, men att den aldrig skulle kunna ta en betydande del av den världsomspännande mobiltelefonmarknaden (hans förutsägelse: mellan två och tre procent) . Istället skulle den mjukvara som utvecklats av hans företag, Microsoft, växa till att dominera marknaden. Och i mer eller mindre utsträckning gick denna prognos i uppfyllelse. Under tredje kvartalet 2013, enligt Garner IT-statistik, svävade iPhones världsomspännande andel av mobiltelefonförsäljningen runt sex procent, vilket är mycket mer än vad Ballmer räknat med – men inte så mycket. Under tiden användes Microsofts mjukvara i de allra flesta mobiltelefoner som såldes över hela världen vid den tiden. Prognoser bör också undvika att använda tvetydigt språk och istället förlita sig på numeriska data för att förbättra noggrannheten.

När man förutsäger är det vanligt att använda tvetydiga termer som "kan", "kan" eller "sannolikt". Forskning har dock visat att individer lägger olika tolkningar till fraser som dessa. För att kommunicera sannolikhet korrekt bör prognosmakare använda procentsatser eller andra numeriska mått för att beskriva sannolikheten för en händelse. När amerikanska underrättelsetjänster som NSA och CIA uttalade att Saddam Hussein gömde massförstörelsevapen visades påståendet vara falskt, det var ett katastrofalt misslyckande för USA:s regering. Om dessa underrättelsetjänster hade beräknat med mer noggrannhet och tillämpat procentsatser, kanske USA inte hade attackerat Irak 2003. Oddsen för att Irak skulle ha massförstörelsevapen var 60 procent, men det fanns fortfarande en 40 procents möjlighet att Saddam inte hade några — en svag motivering för att gå i krig, milt uttryckt –

Om du vill öka noggrannheten i dina förutsägelser, håll reda på dina resultat.

 Så, hur kan vi förhindra att vi gör katastrofala misstag som de som inträffade med massförstörelsevapen? Det är klart att vi måste förbättra noggrannheten i våra förutsägelser. Låt oss ta en titt på några av metoderna för att göra detta. Den mest effektiva metoden är att behålla poängen. För att åstadkomma detta skapade författarens forskargrupp det regeringssponsrade Good Judgment Project, som drog tusentals volontärer som svarade på mer än en miljon frågor under fyra år, vilket resulterade i publiceringen av boken. Forskarna trodde att de genom att använda poäng skulle kunna öka prognosnoggrannheten.

Frågor som "Kommer Tunisiens president att fly till en bekväm exil under nästa månad?" och "Kommer euron att falla under 1,20 dollar under de kommande tolv månaderna?" besvarades av deltagarna. Efteråt gav varje prognosmakare ett sannolikhetsbetyg till varje deltagares prognos, modifierade den efter behov efter att ha läst relevanta nyheter och, när den förutspådda tiden kom, tilldelade varje förutsägelse en Brier-poäng, som indikerade hur exakt prognosen var. Brier-poängen, som är uppkallad efter Glenn W. Brier, är det mest använda sättet att bestämma noggrannheten i en förutsägelse. Ju lägre siffra, desto mer exakt förutsägelse; till exempel får en felfri prognos ett poäng på 151. En slumpmässig uppskattning kommer att resultera i ett Brier-poäng på 0,5, medan en prognos som är helt felaktig kommer att resultera i ett maximalt Brier-poäng på 2,0.

Frågan som ställs har en inverkan på hur man tolkar Brier-poängen. Trots att du har ett Brier-poäng på 0,2, vilket verkar vara utmärkt, kan din förutsägelse visa sig vara katastrofal! Låt oss låtsas att vi gör väderprognoser. Om vädret i Phoenix, Arizona konstant är varmt och soligt, kan en prognosmakare helt enkelt förutse varmt och soligt väder och få ett Brier-poäng på noll, vilket uppenbarligen är bättre än ett betyg på 0,2. När det gäller att förutsäga vädret i Springfield, Missouri, som är känt för sitt oförutsägbara väder, skulle du anses vara en meteorolog i världsklass även om din poäng bara var 0,02.

Superprognosmakare börjar med att dela upp problem i mindre bitar för att bättre förstå dem.

 Är det sant att alla superprognosmakare är briljanta tänkare som har tillgång till topphemlig intelligens? Nej inte alls. Så, hur kan de göra så exakta prognoser om framtiden, kanske du undrar. För att lösa ett ämne måste en superprognos först bryta ner till synes svårlösta svårigheter i hanterbara delproblem. Detta kallas resonemang i Fermi-stil. Enrico Fermi, en vetenskapsman som spelade en nyckelroll i utvecklingen av atombomben, kunde med anmärkningsvärd precision förutsäga saker som till exempel antalet pianostämmare i Chicago, trots att han inte hade ett enda stycke information till hans förfogande.

Han åstadkom detta genom att skilja mellan det kännbara och det okända, vilket är det första steget som superprognosmakare tar. Till exempel, när Yasser Arafat, chefen för Palestinas befrielseorganisation, dog av en oförklarlig anledning, spekulerade många i att han hade blivit förgiftad. Men så var inte fallet. Sedan, 2012, upptäckte forskare farligt höga mängder polonium-210 - ett radioaktivt ämne som kan vara dödligt om det andas in - i hans ägodelar. Det var på grund av detta fynd som teorin om att han hade blivit förgiftad fick fäste, och hans lik grävdes ut och undersöktes i både Frankrike och Schweiz. På frågan om forskare skulle upptäcka ökade mängder polonium i Yasser Arafats kropp som en del av Good Judgment Project, svarade prognosmakare jakande. Bill Flack, en frivillig prognosmakare, tog upp frågan på samma sätt som Enrico Fermi och bröt ner fakta.

I första hand upptäckte Flack att polonium sönderfaller snabbt, vilket innebar att om Arafat hade blivit förgiftad så fanns det en god möjlighet att poloniumet inte skulle identifieras i hans ben, med tanke på att han gick bort 2004 Flack genomförde en studie om poloniumtestning och kom fram till att det kunde upptäckas under vissa omständigheter. Senare övervägde Flack möjligheten att Arafat hade palestinska motståndare som kan ha förgiftat honom, liksom möjligheten att obduktionsrapporten hade blivit nedsmutsad för att skylla på Israel för hans död. Han förutspådde att polonium skulle upptäckas i Arafats kropp med 60 procents sannolikhet. Han hade rätt. Som ett resultat började Flack med att fastställa grunderna innan han gick vidare till de mer komplexa antagandena, vilket är precis vad en bra prognosmakare skulle göra.

Börja med den yttre vyn och växla sedan till den inre vyn för en mer exakt förutsägelse.

 Eftersom alla scenarier är olika bör du undvika att fatta snabba beslut och fälla domar i ett fall för tidigt. För att ta itu med en fråga på ett effektivt sätt är det nödvändigt att anta ett objektivt perspektiv, vilket innebär att fastställa vad basräntan är. Det är dock inte helt klart. För att illustrera, överväg situationen för en italiensk familj som bor i ett litet hem i USA. De har två jobb: pappan är bokhållare och mamman jobbar deltid på en barnomsorg tillsammans. Förutom dem själva bor även deras barns mormor i hemmet med dem.

Det är möjligt att om du blev tillfrågad vad oddsen var för att den här italienska familjen skulle skaffa ett husdjur, skulle du försöka ta reda på det genom att omedelbart ta tag i familjens egenskaper eller deras levnadsförhållanden. Du skulle dock inte kvalificera dig som superprognos i ett sådant fall! En superprognos skulle inte börja med att undersöka detaljerna. Istället skulle hon börja med att ta reda på vilken andel, eller "baspris", av amerikanska hem som äger ett husdjur. Hon skulle sedan gå därifrån. Med hjälp av Google kan du kanske få reda på hur stor andel av befolkningen detta är inom ett par sekunder. Detta är utsikten från utsidan. När du har gjort det kommer du att kunna se saker från insidan. Detta ger dig information som gör att du kan ändra basräntan på lämpligt sätt.

Att börja med den italienska familjens yttre perspektiv ger en första uppskattning: det finns en 62 procents sannolikhet att familjen har ett husdjur, enligt exemplet. Efter det blir du mer exakt och ändrar numret du har valt. Till exempel kan du titta på andelen italienska hushåll i Amerika som håller husdjur. Begreppet förankring är kärnan i motiveringen för det yttre perspektivet. Ett ankare är den första figuren som ritas innan några ändringar görs. Om du å andra sidan börjar med de mindre detaljerna är det mycket mer sannolikt att din prognos ligger tusentals mil bort från något ankare eller exakt siffra.

Fortsätt att hålla dig uppdaterad även efter att du har nått din ursprungliga slutsats, och gör justeringar av dina förutsägelser i ljuset av nya fakta.

 När processen väl har börjat har vi sett hur superprognosmakare sätter igång saker, men när du väl har gjort din första prognos kan du inte bara luta dig tillbaka och se om du hade rätt. Varje ny kunskap kräver uppdatering och modifiering av din tidigare bedömning. Kommer du ihåg Bill Flack? Efter att ha förutspått att polonium skulle hittas i Yasser Arafats kropp, höll han koll på nyheterna och reviderade sin förutsägelse när han kände att det var nödvändigt, enligt den senaste informationen. Det schweiziska studieteamet hävdade då att fler tester behövdes och att resultaten skulle tillkännages senare, trots att Flacks första förutsägelse hade gjorts år tidigare.Eftersom Flack hade gjort omfattande studier på polonium, var han medveten om att teamet hade upptäckt polonium och att ytterligare tester behövdes för att fastställa källan till polonium. Som ett resultat ökade Flack sin förutsägelse till 65 procent.

Som det visade sig upptäckte det schweiziska laget polonium i Arafats kropp, vilket resulterade i Flecks slutliga Brier-poäng på 0,36 poäng. Med tanke på frågans komplexitet är detta en enastående prestation. Du måste dock iaktta försiktighet. Även om ny kunskap kan vara till nytta kan den också vara skadlig om den tolkas fel. Enligt ett exempel frågade den amerikanska regeringens Intelligence Advanced Research Projects Activity (IARPA) om det skulle finnas mindre arktisk havsis den 15 september 2014, än det hade varit föregående år. Doug Lorch, en superprognosmakare, kom till slutsatsen att det fanns en 55-procentig sannolikhet att svaret skulle vara jakande. Lorch, å andra sidan, fick en månad gammal rapport från Sea Ice Forecast Network som påverkade honom tillräckligt för att höja sin förutsägelse från 90 procent till 95 procent, en betydande förändring baserat på en enda information.

När den 15 september 2014 så småningom anlände fanns det mer arktisk is än det hade varit föregående år. Lorchs första förutsägelse gav detta en 45-procentig chans att inträffa, men efter hans revidering sjönk sannolikheten till ynka fem procent. Det är nödvändigt att separera känsliga nyanser från onödig information för att kunna göra skicklig uppdatering. Var inte rädd för att ändra din åsikt, men fundera noga på om ny kunskap är till hjälp eller inte innan du fattar ett beslut.

Att arbeta i grupper kan vara fördelaktigt för att förutsäga, men bara om det görs på rätt sätt.

 Du kanske är bekant med frasen "grupptänkande". Frasen "laganda" skapades av psykologen Irving Janis, som teoretiserade att individer i små grupper kan skapa laganda genom att undermedvetet generera vanliga illusioner som stör kritiska resonemang. Interferens orsakas av individer som är rädda för konflikter och istället bara håller med varandra. Att avvika från normen är dock en källa till verkligt värde. Självständigt tal och tänkande är stora fördelar i alla lagmiljöer, men mer i sport. Som ett resultat valde studieteamet vid The Good Judgment Project att undersöka om samarbete kunde förbättra noggrannheten eller inte. Sättet de åstadkom detta var genom att utveckla onlineforum via vilka prognosmakare fördelade på olika grupper kunde interagera med varandra.

I början erbjöd studieteamet insikter om gruppdynamik och varnade onlinegrupperna för att falla i grupptänkandets fälla. Det första årets fynd kom in och de visade att de som arbetade i grupp i genomsnitt var 23 procent mer exakta än de som arbetade ensamma. Det andra året beslutade studiegruppen att sätta superprognosmakare i grupper snarare än vanliga prognosmakare, och de upptäckte att de överträffade de vanliga grupperna med en betydande marginal. Men dynamiken i gruppen påverkades också. Elaine Rich, en superprognosmakare, uttryckte missnöje med resultatet. Alla var mycket tillmötesgående, och det var lite kritisk debatt om motsatta åsikter eller motargument. I ett försök att råda bot på situationen gick organisationerna utöver det vanliga för att visa att de accepterade konstruktiv feedback.

Precisionsförhör, som får individer att ompröva sina argument, är en annan teknik för att förbättra samarbetsprestanda. Detta är naturligtvis inget nytt koncept, eftersom stora instruktörer har praktiserat exakt ifrågasättande sedan Sokrates och grekernas tid. Precisionsundersökning innebär att man fördjupar sig mer i detaljerna i ett argument, till exempel genom att fråga efter betydelsen av ett visst ord.Även om det finns starka meningsskiljaktigheter i ämnet så avslöjar detta förhör resonemanget bakom slutsatsen, vilket öppnar dörren för ytterligare forskning

Sammanfattning av boken Superforecasting i sin helhet.

Den viktigaste lärdomen i den här boken är att superprognos inte är begränsad till datorer eller genier. En träningsbar talang, det innebär bevisinsamling, poängtagning, att hålla sig uppdaterad om nya fakta och ha förmågan att ha tålamod. Råd som kan omsättas i handling: Genom att hålla dig uppdaterad med den senaste utvecklingen är du ett steg före konkurrenterna. Superprognosmakare håller sig mycket mer frekvent uppdaterade om nyheter som är viktiga för deras förutsägelser än vanliga prognosmakare. Ett förslag för att hålla ett öga på ändringar är att ställa in aviseringar för dig själv, till exempel via användningen av Google Alerts, för att hålla dig informerad. Dessa kommer att meddela dig så snart färsk information om det aktuella ämnet görs tillgänglig genom att skicka ett e-postmeddelande till dig. Ytterligare läsning rekommenderas: Mark Buchanan gör en prognos. Forecast är en kritik av samtida ekonomisk teori som avslöjar de huvudsakliga felen i teorin. Mark Buchanan, en fysiker, tar en noggrann titt på de grundläggande vetenskapliga antagandena som ligger till grund för vår ekonomiska kunskap och visar, med hjälp av skarpa analytiska förmågor, hur de är felaktiga. I det andra avsnittet av boken diskuterar Buchanan ett antal vetenskapliga genombrott som, enligt hans åsikt, i slutändan skulle hjälpa till att förbättra samtida ekonomisk teori.

Köp bok - Superforecasting av Philip E. Tetlock och Dan Gardner

Skrivet av BrookPad Team baserat på Superforecasting av Philip E. Tetlock och Dan Gardner

.


Äldre inlägg Nyare inlägg


Lämna en kommentar

Observera att kommentarer måste godkännas innan de publiceras