Ik ben van mening dat onnauwkeurige samenvattende vonnissen geen rekening houden met (of geen correcte toepassing geven aan) een algemeen statistisch beginsel: regressie naar het gemiddelde. Omdat procesvoerders geen baat hebben bij herhaalde blootstelling aan een volledige reeks feiten, gaan wij over tot een proces dat intensiteit-matching wordt genoemd en waarbij wij de beperkte informatie die wij hebben, moeten afwegen om tot een beoordeling van de uitkomst (risico en beloning) te komen. Dit is een gevaarlijke praktijk, omdat het gaat om het vinden van een antwoord op een vervangende vraag in afwezigheid van andere informatie.
Volgens Kahneman leveren intensiteit-matching oefeningen extreme voorspellingen op wanneer ze gebaseerd zijn op extreem bewijs, wat mensen ertoe brengt hetzelfde antwoord te geven op twee verschillende vragen. Kahneman geeft het volgende voorbeeld:
Julie is een laatstejaars op de universiteit. Toen ze vier jaar oud was, kon ze al vloeiend lezen. Wat is haar gemiddelde cijfer (GPA)?
Uitgesplitst zijn dit in wezen twee vragen:
1. Wat is de percentielscore van Julie op leesvaardigheid?
2. Wat is de percentielscore van Julie op GPA?
Om tot het juiste antwoord te komen, moet een schematische formule gebruikt worden:
Leesleeftijd = gedeelde factoren + factoren die specifiek zijn voor de leesleeftijd = 100%
GPA = gedeelde factoren + factoren die specifiek zijn voor GPA = 100%
De gedeelde factoren omvatten genetisch bepaalde aanleg, de mate waarin haar familie academische interesses ondersteunt, en alle andere factoren die ertoe zouden leiden dat mensen vroegrijpe lezers worden als kinderen en academisch succesvolle volwassenen.
Nu moeten we de correlatie beoordelen tussen de twee maten: leesleeftijd en GPA. Deze correlatie is gelijk aan het aandeel van gedeelde factoren onder hun determinanten.
In dit scenario kent Kahneman een optimistische gok van 30% toe.
We hebben nu alles wat we nodig hebben om tot een onbevooroordeelde voorspelling te komen:
1. Begin met een schatting van de gemiddelde GPA.
2. Bepaal de GPA die overeenkomt met uw indruk van het bewijs.
3. Schat de correlatie tussen leesvoorspoed tijdens de kindertijd en GPA.
4. Als de correlatie .30 is, verplaats dan 30% van de afstand van het gemiddelde naar de bijbehorende GPA.
In de eerste stap wordt de uitgangswaarde vastgesteld, dat wil zeggen de GPA die we voorspeld zouden hebben als we verder niets over Julie wisten behalve dat ze een senior was op de universiteit.
De tweede stap betreft ons summiere oordeel, dat is ons intuïtieve oordeel over het bewijsmateriaal.
De derde stap behelst het actieve proces van weggaan van de basislijn in de richting van onze intuïtieve voorspelling, maar alleen in een mate die overeenkomt met onze schatting van de correlatie.
De laatste stap geeft ons ons antwoord: een voorspelling beïnvloed door onze intuïtie op basis van een onvertekend basiscijfer.