Симулятор эффекта якорения: как начальные значения искажают суждения

simulator beginner ~6 min
Загрузка симуляции...
Средняя оценка: ≈ 260 (истинное значение: 500, якорь: 100)

При якоре 100, истинном значении 500 и факторе поправки 0,4 средняя оценка оказывается около 260 — лишь 40% пути от якоря к истине. Это 48% смещение демонстрирует, как даже произвольные якоря создают систематическое искажение суждений. Гистограмма показывает всю популяцию, сгруппированную далеко от истинного значения.

Формула

estimate = anchor + α · (true_value - anchor) + ε
ε ~ N(0, σ²) (individual noise)
anchor_bias = |mean_estimate - true_value| / true_value × 100%

Что такое эффект якорения?

Эффект якорения — одно из самых мощных и распространённых когнитивных искажений. Впервые продемонстрированный Амосом Тверски и Даниэлем Канеманом в 1974 году, он описывает, как начальная информация — якорь — непропорционально влияет на последующие суждения, даже когда этот якорь совершенно произволен.

Классический эксперимент

В оригинальном исследовании Тверски и Канемана участники крутили подстроенное колесо фортуны, останавливавшееся на 10 или 65. Затем их спрашивали, больше или меньше процент африканских стран в ООН, чем выпавшее число, а потом просили назвать свою оценку. Те, кто видел 65, в среднем называли 45%, а видевшие 10 — лишь 25%. Колоссальная разница, вызванная очевидно случайным числом.

Модель якорения и поправки

Этот симулятор реализует модель якорения и поправки: каждый человек начинает с якоря и корректирует в сторону правильного, по его мнению, ответа, но коррекция оказывается недостаточной. Фактор поправки α показывает, насколько далеко продвигаются люди — при α = 0,4 люди проходят лишь 40% расстояния от якоря до истины. Параметр шума добавляет реалистичную индивидуальную вариацию вокруг этого смещённого среднего.

Чтение визуализации

Верхняя гистограмма показывает распределение оценок в популяции. Красная пунктирная линия — истинное значение, голубая — якорь, белая — средняя оценка. Разрыв между истинным значением и средней оценкой — это смещение якорения. Нижняя диаграмма рассеяния показывает индивидуальные оценки, раскрывая как центральную тенденцию к смещённому среднему, так и разброс индивидуальной вариации. Попробуйте радикально сдвинуть якорь — заметьте, как всё распределение смещается, хотя истинное значение не изменилось.

Частые вопросы

Что такое эффект якорения?

Эффект якорения — когнитивное искажение, при котором числовые оценки людей систематически смещаются к начальному значению (якорю), даже если этот якорь произволен или нерелевантен. Впервые описанный Тверски и Канеманом в 1974 году, он является одним из наиболее устойчивых результатов в исследованиях суждений и принятия решений, воспроизведённым в разных культурах, у экспертов разных уровней и в разных областях.

Как работает модель якорения и поправки?

В модели якорения и поправки люди отталкиваются от якоря и корректируют в сторону того, что считают правильным ответом, но обычно останавливаются слишком рано (недостаточная поправка). Фактор поправки α показывает, насколько далеко продвигаются люди: α = 0 — нет поправки (застревают на якоре), α = 1 — полная коррекция до истинного значения.

Могут ли эксперты противостоять якорению?

Исследования стабильно показывают, что экспертиза лишь ограниченно защищает от якорения. Риелторы подвержены якорю цен выставления, судьи — требованиям обвинения по срокам, врачи — первоначальному диагнозу. Хотя эксперты могут демонстрировать чуть меньшее якорение, чем новички, эффект остаётся существенным и практически значимым во всех изученных профессиональных областях.

Каковы примеры якорения в реальной жизни?

Якорение влияет на переговоры о зарплате (первое предложение задаёт диапазон), ценообразование (начальная цена якорит восприятие скидок), судебные решения (требования обвинения якорят приговоры), медицинскую диагностику (первоначальная гипотеза якорит дальнейшее обследование) и финансовое прогнозирование (прошлые значения якорят будущие оценки).

Источники

Встроить

<iframe src="https://homo-deus.com/lab/cognitive-biases/anchoring-effect/embed" width="100%" height="400" frameborder="0"></iframe>
View source on GitHub