Wie Vorhersagen Verhalten und Entscheidungen beeinflussen

In vielen Situationen kann die Art und Weise, wie wir Vorhersagen treffen, die Ergebnisse beeinflussen, die wir versuchen vorherzusagen. Zum Beispiel, wenn Leute sich um Jobs bewerben, ändern sie oft ihre Lebensläufe, um das zu erfüllen, was sie glauben, dass Arbeitgeber wollen. Das kann die Sichtweise der Arbeitgeber auf ihre Qualifikationen verändern. Solche Verhaltensänderungen, die auf Vorhersagen basieren, sind besonders häufig in sozialen Umfeldern. Allerdings haben wir nicht viele Werkzeuge oder Methoden, um diese Veränderungen effektiv zu untersuchen.

Um dieses Problem anzugehen, präsentieren wir eine neue Methode, die betrachtet, wie Vorhersagen Entscheidungen beeinflussen können. Dieser Ansatz ist von einem Modell in der Wirtschaft inspiriert, das erklärt, wie Menschen auf dem Arbeitsmarkt agieren. Wir schlagen ein Modell vor, in dem Vorhersagen Veränderungen durch spezifische Handlungen von Individuen verursachen. Unser Ansatz bietet einen systematischen Weg, um zu lernen, wie diese Vorhersagen Verhalten und Verteilungen beeinflussen und letztlich helfen, unsere Vorhersagemethoden zu verbessern.

#Der Einfluss von Vorhersagen

Prädiktive Modelle leiten oft Entscheidungen in verschiedenen Bereichen, wie Finanzen und Verbrechensprävention. Allerdings werden die unbeabsichtigten Effekte dieser Vorhersagen oft übersehen. Zum Beispiel könnte eine Bank, die Kreditrisiken bewertet, die Zinssätze für risikoreichere Personen erhöhen. Diese Massnahme kann dazu führen, dass diese Personen in Verzug mit ihren Krediten geraten, was einen Kreislauf eines erhöhten Risikos schafft. Ähnlich könnten Leute ihre Bewerbungen anpassen, um weniger riskant auszusehen, um bessere Konditionen zu sichern.

Diese Art von Effekten sind nicht selten. In der Strafverfolgung können Vorhersagen über Kriminalität zu unterschiedlichen Ressourcenverteilungen führen, die wiederum die Kriminalitätsraten beeinflussen können. Die Tendenz, basierend auf Vorhersagen falsch zu urteilen, lässt sich durch ein Prinzip zusammenfassen, das als Goodhart's Gesetz bekannt ist, was besagt, dass ein Mass, wenn es zu einem Ziel wird, an Zuverlässigkeit verliert.

Wenn Vorhersagen Veränderungen auslösen, können diese Veränderungen zurückverfolgt werden, wie Individuen im Laufe der Zeit ihre Attribute anpassen. Zum Beispiel könnten Kreditnehmer, die ihre Profile anpassen, die Verteilung der Bewerber verändern, was es schwieriger macht, Risiken genau zu bewerten. Während viele in diesem Bereich dazu neigen, ihre Modelle neu zu trainieren, wenn sie mit solchen Veränderungen konfrontiert werden, ist ein besserer Ansatz, diese Veränderungen während des Trainingsprozesses zu betrachten. Das nennt man strategische oder performative Vorhersage.

#Das Problem neu formulieren

In unserer Studie definieren wir neu, wie man über den Zusammenhang zwischen Vorhersagen und Verhaltensänderungen nachdenken kann. Wir betrachten eine Situation, in der Individuen ändern, wie sie sich präsentieren basierend auf den Vorhersagen eines Modells. Die resultierenden Verteilungen hängen ausschliesslich von den Handlungen ab, die als Reaktion auf diese Vorhersagen ergriffen werden.

Wir gehen weiter mit dem Ziel, mehr Daten zu sammeln, um diese Verschiebungen in den Verteilungen zu verstehen. Wir nehmen an, dass die beteiligte Person genügend Proben aus jeder Gruppe hat und möglicherweise sogar bestimmte Aspekte der Daten im Voraus kennt. Was unbekannt bleibt, ist, wie man die effektiven Verteilungen der von den Individuen ergriffenen Handlungen basierend auf ihren Reaktionen auf die Vorhersagen finden kann.

Um das besser zu erklären, stützen wir uns auf ein Modell aus der Arbeitsmarktwirtschaft. In diesem Modell wählen Individuen Handlungen, die ihren Nutzen basierend auf den Kosten maximieren, die sie tragen. Diese Sichtweise ermöglicht es uns, unser Verständnis darüber, wie Individuen auf Vorhersagen reagieren und ihre Handlungen anpassen, zu rahmen.

#Die Reaktionen schätzen

Um abzuschätzen, wie Individuen basierend auf Vorhersagen handeln werden, können wir auf das wirtschaftliche Modell der Arbeitsmärkte zurückgreifen. In diesem Modell wägen Individuen die Vorteile bestimmter Handlungen gegen die damit verbundenen Kosten ab. Unser Ansatz geht davon aus, dass die Kosten, die mit unterschiedlichen Handlungen verbunden sind, zufällig sein können und von den individuellen Umständen abhängen.

Durch das Studium dieser Kosten-Nutzen-Szenarien können wir Einblicke gewinnen, wie Menschen als Reaktion auf Vorhersagen handeln. Wir tun dies, indem wir eine begrenzte Menge an Handlungen verwenden, was unsere Studie vereinfacht, aber auch starke Einblicke liefert. Das ultimative Ziel ist es, zu lernen, wie sich diese Verteilungen verändern und wie sie effektiv modelliert werden können, basierend auf den Reaktionen der Individuen auf Vorhersagen.

#Den Ansatz verallgemeinern

Während wir mit einer fokussierten Strategie basierend auf wirtschaftlichen Modellen beginnen, zeigen wir auch, dass unser Ansatz verallgemeinert werden kann. Indem wir Zufälligkeit an die Kosten anhängen, mit denen Individuen konfrontiert sind, können wir unser Framework auf verschiedene Szenarien anwenden, sogar auf solche mit nicht-strategischen Agenten.

Praktisch bedeutet das, dass selbst wenn zwei Individuen mit den gleichen Bedingungen starten, sie an unterschiedlichen Orten enden können, wenn ihre Kosten zufällig variieren. Dieser Aspekt unseres Modells erfasst ein breiteres Spektrum an realen Situationen und hilft uns, die Komplexität der Verhaltensanpassungen basierend auf Vorhersagen zu verstehen.

#Aus Daten lernen

In unserer Erforschung, wie man Veränderungen in den Reaktionen auf Vorhersagen messen kann, präsentieren wir einen speziellen Algorithmus, der darauf ausgelegt ist, Daten effektiv zu analysieren. Dieser Algorithmus konzentriert sich darauf, die zugrunde liegenden Verteilungen der Handlungen zu schätzen, die als Reaktion auf verschiedene Arten von Vorhersagen getroffen wurden.

Wir betrachten zwei Hauptfälle: einen, in dem wir direkten Zugang zu den von Individuen getroffenen Handlungen haben, und einen anderen, in dem der Zugang begrenzt ist. Wenn wir die Handlungen direkt sehen können, können wir die Anteile der Menschen, die bestimmte Handlungen ergreifen, leicht berechnen. Wenn diese Daten jedoch nicht verfügbar sind, können wir verschiedene Strategien anwenden, wie das Anpassen unserer prädiktiven Modelle basierend auf den Informationen, auf die wir Zugriff haben.

In jedem Fall bleibt das Endziel dasselbe: mehr über die Verteilungen der Handlungen zu lernen und wie sie mit den Vorhersagen, die wir machen, in Beziehung stehen. Die Algorithmen, die wir präsentieren, konzentrieren sich darauf, Schätzungen bereitzustellen, die so genau wie möglich sind, selbst wenn wir es mit Unbekannten zu tun haben.

#Bessere Modelle entwerfen

Sobald wir ein besseres Verständnis der Verteilungen und wie sich Handlungen als Reaktion auf Vorhersagen ändern, haben wir, arbeiten wir daran, unsere prädiktiven Modelle zu optimieren. Das Ziel ist hier, die Fehler zu begrenzen, die aus falschen Vorhersagen entstehen können.

Um dies zu erreichen, schlagen wir einen Entwurfsalgorithmus vor, der hilft zu bestimmen, wie man aus diesen Verteilungen schöpfen kann, um den Gesamte Fehler in unseren Vorhersagen zu minimieren. Dieser neue Entwurfsansatz basiert auf der Notwendigkeit, Exploration (neue Daten zu sammeln) und Exploitation (das Beste aus bestehenden Daten zu machen) auszubalancieren.

Wir führen einen strukturierten Ansatz ein, um aus dem Modell über mehrere Episoden zu schöpfen, wobei jede Episode dazu beiträgt, unsere Schätzungen zu verfeinern. Diese Methode ermöglicht eine systematischere Erkundung der Daten, was entscheidend ist, um die dynamische Natur der Interaktionen zwischen Vorhersagen und individuellen Handlungen zu erfassen.

#Verständnis von Bedauern

Ein wesentlicher Aspekt der Verbesserung prädiktiver Modelle ist die Analyse, wie viel Fehler oder "Bedauern" wir basierend auf unseren Entscheidungen ansammeln. Dieses Bedauern entsteht aus der Lücke zwischen den Vorhersagen, die wir machen, und den tatsächlichen Ergebnissen, die folgen. Indem wir dieses Bedauern untersuchen, können wir unsere Modelle noch weiter verfeinern.

Wir nähern uns dem Konzept des Bedauerns, indem wir betrachten, wie unsere Vorhersagestrategien im Laufe der Zeit verbessert werden können. Wir konzentrieren uns darauf, das gesamte Bedauern zu minimieren, während wir prädiktive Modelle einsetzen, indem wir ständig Exploration und Exploitation in unseren Methoden ausbalancieren.

Durch die Quantifizierung des Bedauerns, das mit unseren prädiktiven Entscheidungen verbunden ist, können wir ein klareres Bild davon bekommen, wie effektiv unsere Strategien sind und wo Verbesserungen vorgenommen werden können.

#Schlussfolgerungen

Unsere Arbeit konzentriert sich darauf, wie Vorhersagen die Entscheidungen der Nutzer beeinflussen können und wie man diese Veränderungen messen und sich anpassen kann. Indem wir Konzepte aus der Wirtschaft nutzen und auf bestehender Literatur aufbauen, präsentieren wir einen strukturierten Ansatz, um die Verbindungen zwischen Vorhersagen und Verhalten zu verstehen.

Unsere Erkenntnisse deuten darauf hin, dass die Interaktionen zwischen Vorhersagen und Reaktionen komplex sind, aber systematisch untersucht werden können. Mit einem richtigen Design und sorgfältiger Messung wollen wir die Herausforderung, Vorhersagefehler zu minimieren, für Praktiker in verschiedenen Bereichen handhabbarer machen.

In Zukunft sehen wir das Potenzial, unsere Methoden in vielen Bereichen anzuwenden, in denen Vorhersagen eine entscheidende Rolle spielen. Durch die Verbesserung unseres Verständnisses darüber, wie Individuen als Reaktion auf prädiktive Modelle anpassen, können wir auf zuverlässigere und effektivere Vorhersagestrategien hinarbeiten, die die dynamische Natur der Entscheidungsfindung berücksichtigen.

Während wir an dieser Arbeit weiterarbeiten, stellen wir uns eine Zukunft vor, in der die Integration dieser Erkenntnisse dazu beiträgt, Vorhersagemodelle zu verfeinern, was letztlich zu besseren Entscheidungsprozessen in verschiedenen Sektoren führt. Unsere Hoffnung ist, dass wir durch den Fokus auf die Handlungen von Individuen und wie sie auf Vorhersagen reagieren, den Weg für robustere und anpassungsfähigere prädiktive Rahmenbedingungen ebnen können.