Regresszió az átlaghoz (regression to the mean)

A szabály. Valahányszor két mérés közti korreláció nem tökéletes, szélsőséges első mérést átlaghoz közelebbi második követ — ok nélkül. A regressziónak magyarázata van, de nincs oka. (Thinking, Fast and Slow, 17. fej.)

Ez a wiki hiányzó védőoltása minden olyan állítás ellen, amely egy beavatkozás után mért javulásból következtet a beavatkozás hatására — kampány, rebranding, új CEO, tréning, kontroll nélküli teszt.

Az eset, amiből Kahneman megértette

Kahneman az izraeli légierő oktatópilótáinak tartott előadást arról, hogy a jutalmazás jobban tanít, mint a büntetés. Egy tapasztalt oktató felállt:

"Sokszor megdicsértem egy növendéket egy tiszta manőverért. Legközelebb rosszabbul csinálta. És sokszor beleüvöltöttem a fülhallgatóba egy rossz végrehajtásért. Legközelebb jobban csinálta. Szóval ne mondja nekem, hogy a jutalom működik és a büntetés nem."

Az oktató megfigyelése pontos volt, a következtetése teljesen hibás. Dicsérni akkor dicsért, amikor a teljesítmény szokatlanul jó volt (tehát részben szerencsés), és kiabálni akkor, amikor szokatlanul rossz — mindkét esetben a következő próba a normálhoz tért vissza, függetlenül attól, mit csinált az oktató.

Kahneman krétával célt rajzolt a padlóra, és mindenkit megkért, hogy háttal állva dobjon két érmét. A táblára írt eredmények ugyanazt mutatták: aki elsőre jól dobott, másodjára rosszabbul.

És az általános tanulság, ami ennél sokkal fontosabb:

"Az élet visszajelzése perverz. Mivel akkor vagyunk kedvesek másokhoz, amikor örömet okoznak, és akkor gorombák, amikor nem, statisztikailag megbüntetnek minket a kedvességért, és megjutalmaznak a gorombaságért."

A képlet

siker = tehetség + szerencse

nagy siker = egy kicsit több tehetség + sok szerencse

Ha a golfversenyen valaki az első nap 66-ot üt 72-es par mellett, abból két következtetés egyformán indokolt: tehetségesebb az átlagnál, és szerencséje volt aznap. A második nap becslésénél a tehetség marad, a szerencse nem — ezért a becslés mérsékeltebb kell legyen.

És a bizonyíték arra, hogy nincs oksági magyarázat: ha megfordítod az időnyilat, és a második napi eredmény szerint rendezed sorba a játékosokat, majd megnézed az első napjukat, pontosan ugyanazt a regressziót kapod. A jövő nem okozhatja a múltat.

Galton fedezte fel és nevezte el ("Regression towards Mediocrity in Hereditary Stature", 1886), és évekbe telt neki — a Royal Institution-beli hallgatóságától ugyanazt a meglepetést várta, amit ő maga érzett. Kahneman: "a levegőnél is gyakoribb statisztikai szabályosság — nyílt színen rejtőzik."

Korrelációs együtthatók viszonyítási pontnak: önbevallott testmagasság és testsúly amerikai férfiak közt 0,41; SAT-pontszám és egyetemi átlag ~0,60; jövedelem és iskolázottság az USA-ban ~0,40; családi jövedelem és a telefonszám utolsó négy jegye 0.

A hamis oksági történetek katalógusa

• A Sports Illustrated-átok: aki a címlapra kerül, a következő szezonban gyengébb. A magyarázatok ("túlzott magabiztosság", "az elvárások nyomása") feleslegesek: a címlapra kiugró szezon után kerül az ember, és a szerencse változékony.
• A síugró-kommentátor: "a norvég nagyot ugrott először, most feszült lesz és rosszabbul megy" — majd — "a svédnek rossz volt az első ugrása, most nincs vesztenivalója, ellazul és jobb lesz". A kommentátor felismerte a regressziót, és azonnal oksági történetet gyártott hozzá.
• A "depressziós gyerekek energiaitaltól javulnak" főcím. Igaz — és ugyanígy javulnának, ha fejen állnának vagy napi húsz percig macskát ölelgetnének. A depressziós gyerekek szélsőséges csoport; kontrollcsoport nélkül a regresszió hatásnak látszik.
• A Built to Last és az In Search of Excellence kiemelt cégei (19. fej.). A kiváló és a kevésbé kiváló cégek közti nyereségességi és részvényhozam-szakadék a vizsgálatot követő időszakban majdnem nullára szűkült. A Fortune "legcsodáltabb cégeinek" húszéves vizsgálata: a legrosszabbra értékelt cégek részvényhozama volt a jobb. A természetes reflex oksági magyarázatot keres ("elkényelmesedtek"); a helyes válasz a regresszió. → silent-evidence, brand-purpose, good-and-different

Marketinges fordítás — ez az, amiért az oldal létezik

1. Minden "a mélypont után jött a fordulat" történet gyanús. A rebranding, az új ügynökség, az új CMO tipikusan akkor érkezik, amikor az eredmények a legrosszabbak — vagyis pont akkor, amikor a regresszió úgyis javulást hozna. Kontrollcsoport, párhuzamos piac vagy előzetes bázisráta nélkül a siker nem tulajdonítható a beavatkozásnak. → advertising-research-methods, goodharts-law

2. A "legjobb teljesítményű" bármi visszaesik. A legjobb hónap, a legjobb kreatív, a legjobb értékesítő, a legjobb bolt, a legjobb régió, a legjobb hirdetéscsoport. Aki a csúcsra optimalizál és a csúcsot jutalmazza, a szerencsét jutalmazza — és a következő időszakban csalódni fog. Ugyanez fordítva a "javítsuk fel a legrosszabb boltot" programokkal, amelyek mindig sikeresnek tűnnek. → goodharts-law, okr-and-compensation

3. Az intuitív előrejelzés nem regresszív, ezért torzított (18. fej.). Kahneman kísérlete: diákokat két kérdéscsoporttal kérdeztek egy egyetemistáról írt ötszavas jellemzés alapján — az egyiket a bizonyíték értékelésére ("mennyire impresszionál ez a leírás?"), a másikat az előrejelzésre ("mennyi lesz az átlaga?"). A két válasz azonos volt. Ugyanez az izraeli tisztjelölt-értékelőknél: a jósolt osztályzatok eloszlása majdnem pontosan megegyezett a tiszti iskola tényleges osztályzat-eloszlásával — vagyis nem jósoltak, hanem értékeltek.

4. A kevesebb adat szélsőségesebb benyomást ad. Kim frissdiplomás, ragyogó ajánlásokkal és briliáns előadással, de nulla publikációs múlttal; Jane három éve posztdoktor, kiváló kutatási rekorddal, de fakóbb interjúval. Az intuíció Kimet választja (WYSIATI) — pedig Kimről kevesebb adat van, tehát az ő teljesítménye regrediál mélyebben. Ugyanez a szabály az ügynökség-választásra, a beszállítóra és a kevés értékelésű termékre: "olvastam egy kritikát a márkáról, kiváló volt. Mégis, lehetett véletlen. Nézzük csak azokat a márkákat, amiknek sok értékelése van."

A négylépéses korrekció (Kahneman receptje)

Ha mennyiségi előrejelzést kell adnod (bevétel, GPA, kampányhozam, jelölt teljesítménye):

1. Kezdd az átlagos kimenettel a releváns kategóriában (ez az alapérték).
2. Határozd meg azt az értéket, ami illeszkedik a benyomásodhoz (ez az intuitív becslésed).
3. Becsüld meg a korrelációt a bizonyítékod és a jósolt kimenet között.
4. Mozdulj el az alapértéktől az intuitív érték felé a korreláció arányában. Ha a korreláció 0,30, tedd meg a távolság 30%-át.

Példa a könyvből: Julie négyévesen folyékonyan olvasott; mennyi lesz az egyetemi átlaga? A spontán válasz 3,7-3,8. A korrelált tényezők aránya Kahneman legoptimistább becslése szerint ~30%, tehát a helyes válasz az átlagtól 30%-nyira van a 3,7 felé, nem 3,7.

Az ellenvetés, amit Kahneman elismer: a torzítatlan becslés csak akkor a cél, ha a két hibairány egyformán drága. A kockázati tőkésnek a következő Google elszalasztása sokkal drágább, mint egy kis, bukó befektetés — ezért neki érdemes a szélsőséget "eltalálni" akarni. Ugyanez igaz a nagy ajánlati portfóliókra és a tartalomstratégiára → asymmetric-payoffs, extremistan-vs-mediocristan

Feszültségek

• Sharp (how-brands-grow, double-jeopardy). A wiki már használja a regressziót a "vevők mérséklődése" (moderation) jelenségre: a nehéz vevő jövőre könnyebb lesz, a könnyű nehezebb. Ez ugyanez a mechanizmus, csak vásárlási gyakoriságon — és Sharp ezt nagy mintás, ismételt panel-megfigyelésből vezeti le, ami erősebb bizonyíték, mint Kahneman kísérletei. A két forrás egybevág.
• A regresszió megnehezíti a valódi hatás kimutatását, nem lehetetlenné teszi. A megoldás nem a szkepszis, hanem a kontrollcsoport: a kontroll is regrediál, és a kérdés az, hogy a kezelt csoport többet javul-e, mint amennyit a regresszió magyaráz.
• Módszertani. Ez a legerősebben megalapozott tétel a könyvben: nem pszichológiai eredmény, hanem matematikai szükségszerűség, ami a tökéletlen korrelációból következik. Az egyetlen pszichológiai állítás az, hogy nem vesszük észre — és ezt a Galton-történettől a sportkommentátoron át a menedzsmentirodalomig végigvezetett példasor támasztja alá. David Freedman statisztikus megjegyzése: ha a regresszió szóba kerül egy perben, az a fél veszít, akinek el kell magyaráznia az esküdteknek.

Eredettörténet — a repülőoktatók, pontosítva (The Undoing Project, beolvasva 2026-09-14)

A repülőoktató-eset a wiki legtöbbet idézett regressziós példája. A the-undoing-project két ponton pontosít:

1. Az eset korábbi, mint a heurisztika-program. Kahneman még statisztikát tanított Beersébában és az Izraeli Légierőnek dolgozott, amikor az oktatók elmondták neki, hogy a dicséret rontja, a szidás javítja a következő manővert. (4. fej.) A jelenség tehát nem a Tverskyvel közös kutatásból jött — hanem bekerült abba: a "On the Psychology of Prediction" (1973) zárórészében szerepel vizsgakérdésként, és a válaszadók közül senki nem látta, mi történik. Azt találgatták, hogy a dicsérettől a pilóta elbízza magát, vagy hogy az oktatók nem tudják, mit beszélnek. (7. fej.)

2. A megfogalmazás, amit érdemes szó szerint elvinni:

"Mivel hajlamosak vagyunk jutalmazni másokat, amikor jól teljesítenek, és büntetni, amikor rosszul, és mivel létezik regresszió az átlaghoz, az emberi állapot része, hogy statisztikailag megbüntetnek minket azért, mert jutalmaztunk másokat, és megjutalmaznak azért, mert büntettünk."

3. Egy második, ritkábban idézett eset ugyanerről. A jom kippuri háborúban egy tábornok vizsgálatot akart indítani egy vadászszázad ellen, amely aránytalanul sok veszteséget szenvedett ("az egyik pilótát nemcsak egy rakéta találta el, hanem négy!"). Kahneman elmagyarázta, hogy a század túl kicsi minta a statisztikai szignifikanciához: a vizsgálat találni fog mintázatot (gyakoribb családlátogatás, fura színű alsónadrág), de az értelmetlen illúzió lesz, a morált viszont tönkreteszi. "A vizsgálat egyetlen értelme az lenne, hogy megőrizze a tábornok mindenhatóság-érzetét." A tábornok leállította a vizsgálatot. Kahneman: "Ezt tekintem az egyetlen hozzájárulásomnak a háborús erőfeszítéshez." (9. fej.) Marketinges fordítás: a "miért teljesített rosszul ez az egy csatorna / ügynökség / ügyfél ebben a negyedévben" típusú belső vizsgálat pontosan ezt a hibát ismétli, ha a minta kicsi. → advertising-research-methods, input-output-outcome-metrics

Kapcsolódó

representativeness-and-base-rates · planning-fallacy · goodharts-law · advertising-research-methods · replication-crisis · silent-evidence · narrative-fallacy · light-buyers-and-penetration · double-jeopardy · forecasting-limits · asymmetric-payoffs · daniel-kahneman · thinking-fast-and-slow · resulting-and-outcome-bias · luck-vs-skill · annie-duke · thinking-in-bets

(Duke kiegészítése: a regresszió az a mechanizmus, amely a leggyakrabban álcázza magát "a döntés következményének". A kiugró negyedév utáni visszaesés nem a kampány hibája, hanem statisztikai szükségszerűség — aki mégis a döntésre fogja, resultingol → resulting-and-outcome-bias, és rossz vödörbe sorolja a kimenetet → luck-vs-skill.)