representativeness heuristicは、行動経済学において最も影響力のある人物の二人であるDaniel KahnemanとAmos Tverskyによって造語されました。 このバイアスを説明するために使用される古典的な例は、知人が”非常に恥ずかしがり屋で撤回され、常に有用であるが、人々や現実の世界にはほとんど関心がない”と説明しているスティーブを考慮するよう読者に求めている。 柔和で整然とした魂、彼は秩序と構造の必要性、そして細部への情熱を持っています。”スティーブの説明を読んだ後、あなたはそれがスティーブが司書、または農家である可能性が高いと思いますか？ 2直感的に、私たちのほとんどは、スティーブが司書でなければならないように感じています。すべての認知バイアスとヒューリスティックと同様に、私たちが頻繁に代表性に依存する主な理由の1つがあります：認知リソースが限られています。 毎日、私たちは何千もの別々の決定を下し、可能な限り多くのエネルギーを節約しながら脳はそうするように配線されています。 これは、私たちはしばしば世界についての迅速な判断をするためのショートカットに依存していることを意味します。 しかし、代表性ヒューリスティックが起こるもう一つの大きな理由があります。 それは、私たちが人や物を知覚し理解する基本的な方法に根ざしています。

私たちは、意思決定を行うためにプロトタイプに描画します

一緒に似たものをグループ化する、つまり、それらを分類することは、私たちが世 これは非常に簡単なように思えるかもしれませんが、カテゴリは多くの人々が実現するよりも機能する私たちの能力にとってより基本的です。 あなたが一日で遭遇する可能性があるすべてのものを考えてみてください。 私たちが人、物、動物と交流するたびに、私たちは自分のカテゴリーについて学んだ知識を引き出し、何をすべきかを知ることができます。 たとえば、犬の公園に行くとき、あなたは形、大きさ、色の巨大な範囲の動物を見るかもしれませんが、あなたはそれらをすべて”犬”として分類することができますので、あなたはすぐに彼らから何を期待するかを大まかに知っています。彼らは物事を走って追いかけるのが好きで、お菓子を得るのが好きで、そのうちの一つがうなり声を出し始めたら、おそらく離れて戻るべきです。

カテゴリがなければ、何か新しいことに遭遇するたびに、それが何であり、どのように機能したかをゼロから学ばなければなりません。 世界についてのことを理解し、覚えている私たちの能力は、分類に依存しています。 逆に、私たちが物事を分類することを学んだ方法は、私たちがそれらをどのように知覚するかにも影響を与える可能性があります。3例えば、ロシア語では、青の明るい色合いと暗い色合いはそれぞれ異なる名前（”goluboy”と”siniy”）を持っていますが、英語では両方とも”青”と呼ばれています。”研究は、分類のこの違いは、人々が青の色を見る方法に影響を与えることを示しています：ロシア語話者は英語話者に比べて、明るい青と暗い青の区別が速4

プロトタイプ理論として知られている分類の理論によると、人々は無意識の精神統計を使用して、カテゴリの”平均”メンバーがどのように見えるかを 不慣れなものや人について意思決定をしようとするとき、私たちはこの平均的なプロトタイプをカテゴリ全体の代表例として参照します。 人間が何らかの形でこのような「平均」カテゴリメンバーを計算できるという考えを支持する興味深い証拠がいくつかあります。 例えば、人々は、コンピュータによって生成されたように、”平均的な”顔に近いほど顔がより魅力的であることを見つける傾向があります。5

プロトタイプは、Steveと彼の職業についての上記の例のように、確率についての私たちの推測を導きます。 図書館員のための私たちのプロトタイプは、おそらくスティーブに非常に密接に似ている誰かです—恥ずかしがり屋、きちんとした、とオタク—農家のための私たちのプロトタイプは、おそらくより筋肉質な誰かであるが、より現実的な、そしておそらくあまり臆病。 直感的には、Steveは図書館員でなければならないように感じるのは、カテゴリと平均の観点から考えることに縛られているからです。

私たちは、類似性の重要性を過大評価します

表現性ヒューリスティックの問題は、表現性が実際に確率とは関係がないということです—まだ、私たちは関連する情報に対して行うよりも多くの価値を置いています。 そのようなタイプの情報の1つは、事前確率または基本率です。 たとえば、少なくとも米国では、図書館員よりも多くの農家がいます。 これは、統計的に言えば、彼の人格がどのようなものであっても、彼が自分自身をどのように提示しても、スティーブが図書館員である可能性が高いと言2

サンプルサイズは、私たちがしばしば無視する別の有用なタイプの情報です。 小さなサンプルからのデータに基づいて、大きな母集団について推定しようとしているとき、私たちはより完全な画像を持っているので、私たちのサ しかし、代表性に集中しすぎると、サンプルサイズが混雑してしまう可能性があります。

これを説明するために、ボールで満たされた瓶を想像してみてください。 ボールの①は一つの色であり、②は別の色である。 サリーは瓶から5つのボールを引き出し、そのうち4つは赤、1つは白です。 ジェームズは20個のボールを描き、そのうち12個は赤、8個は白である。 サリーとジェームズの間で、瓶の中のボールが赤と白であることをより自信を持って感じるべきですか？ほとんどの人は、サリーが描いた赤いボールの割合がジェームズが描いた割合よりも大きいので、サリーが正しい確率が高いと言います。

しかし、これは間違っています: ジェームズはサリーの5よりもはるかに大きい20ボールを描いたので、彼は瓶の内容を判断するためのより良い位置にあります。 私たちは直感的にサリーの4：1サンプルのために行くように誘惑されているのは、ジェームズの12：8よりも探している比率をより代表しているからですが、これは私たちの判断の誤りにつながります。