已经指出,(行为)经济学家标记为“非理性”或“偏见”的许多行为和思想过程实际上在现实世界中具有很高的适应性和效率。但是,OP的问题很有趣。不过,我认为,参考关于我们认知过程的更基本的描述性知识,而不是去寻找与经济文献中讨论的特定“偏见”(例如,损失厌恶,end赋效应,基本速率忽略等)。
例如,可评估性无疑是数据分析中的一个问题。可评估性理论指出,我们偏重于我们认为易于解释或评估的信息。考虑回归系数的情况。评估系数的“现实世界”后果可能是艰苦的工作。我们需要考虑自变量和因变量的单位以及自变量和因变量的分布,以了解系数是否具有实际意义。另一方面,评估系数的重要性很容易:我只是将其p值与我的alpha水平进行比较。鉴于与系数本身相比,p值具有更高的可评估性,因此如此多的p值不足为奇。
(标准化可提高系数的可评估性,但可能会增加歧义:由于我们无法使用数据的“原始”形式,因此无法获得或保留相关信息的感觉。)
一个相关的认知“偏见”是具体性原则,即在决策上下文中“就在那里”超重信息的趋势,并且不需要从内存中进行检索。(具体性原则还指出,我们可能会按照给出的格式使用信息,并且倾向于避免执行转换。)解释p值可以通过仅查看回归输出来完成。它不需要我检索关于我正在建模的事物的任何实质性知识。
我希望统计数据解释中的许多偏差都可以归因于这样的普遍理解,即我们在解决问题或做出判断时可能会采取简单的方法(请参阅“认知错误”,“有限理性”等)。 。与此相关的是,“轻松”地做某事通常会增加我们持有所得到的信念的信心(流利度理论)。(人们可能还会考虑更易于表达的数据的可能性-对我们自己或对他人-在我们的分析中被夸大了。)我认为当我们考虑可能的例外时,这变得特别有趣。例如,一些心理学研究表明,如果我们认为问题应该难以解决,那么我们可能会倾向于不太具体和更困难的方法和解决方案,例如,选择简单的方法而不是简单的方法。