Illusion de regroupement
Voir des motifs dans des données aléatoires
Qu'est-ce que c'est?
L'illusion de regroupement est la tendance à percevoir des motifs significatifs dans ce qui est en réalité des données aléatoires. Nos cerveaux sont des machines de reconnaissance de motifs—excellentes pour la survie mais sujettes aux faux positifs. Nous nous attendons à ce que les séquences aléatoires semblent "aléatoires" (distribuées uniformément), mais le véritable hasard inclut souvent des regroupements et des séries qui semblent non aléatoires. Lancez une pièce 100 fois et vous verrez probablement des séries de 5-6 faces ou piles—pas une preuve de motif, juste la probabilité. Amos Tversky et Thomas Gilovich ont démystifié la "main chaude" au basketball, montrant que les séries perçues étaient dans la plage de variation aléatoire. Pourtant la croyance a persisté parce que les regroupements semblent significatifs. L'illusion affecte l'investissement (voir des motifs dans les mouvements boursiers), le management (détecter des "tendances" dans de petits échantillons), et la science (trouver des faux positifs dans des données bruitées). Elle est amplifiée par le biais de confirmation—une fois que nous pensons voir un motif, nous remarquons les instances confirmantes et ignorons les exceptions. Corriger l'illusion nécessite une littératie statistique et de demander des tailles d'échantillon adéquates avant de tirer des conclusions.
Exemple
Croire qu'un vendeur est sur une "série gagnante" quand ses succès sont aléatoires. Voir des motifs dans les mouvements de prix qui ne sont que du bruit. Détecter des "tendances" dans de petits échantillons de données.
Références
Gilovich, T., Vallone, R., & Tversky, A. (1985). La main chaude au basketball : sur la mauvaise perception des sequences aleatoires. Cognitive Psychology, 17(3), 295-314.
Tversky, A., & Kahneman, D. (1971). La croyance en la loi des petits nombres. Psychological Bulletin, 76(2), 105-110.
Comment l'éviter
Ce motif est-il statistiquement significatif ?
Cette "série" pourrait-elle s'expliquer par une variation aléatoire ?
Combien de motifs verrais-je dans des données vraiment aléatoires ?
Est-ce que je vois des motifs parce que je les cherche ?
À quoi ressemblerait le hasard dans ce domaine ?
Utilisez des tests statistiques pour vérifier les motifs avant d'agir.
Examinez des échantillons plus grands avant de tirer des conclusions.
Apprenez la régression vers la moyenne.
Générez des séquences aléatoires pour calibrer la détection de motifs.
Attendez la réplication avant d'agir sur des motifs perçus.