Regresja do Średniej Wartości: Statystyczne Pułapki Za Każdym "Klusem" Sportowym

Faraonowe grochy Galtona, przed sportowymi przekleństwami

Franciszek Galton dostrzegł ten wzorzec w latach 80. XIX wieku podczas badań nad ziarnami maku i wzrostami ludzkich. Potomkowie nietypowo wysokich rodziców tendowali do bycia wysocy, ale średnio krótszych niż ich rodzice; potomkowie nietypowo niskich rodziców tendowali do bycia niscy, ale średnio wyższy niż oni. Nazwał to 'regresem ku średniej', a obecnie nazywa się regresem do średniej. Nie jest to magiczne przyciąganie do średniej – jest to bezpośredza, nieunikniona konsekwencja jakiejkolwiek pary pomiarów, które są ze sobą skorelowane, ale nie idealnie skorelowane.

Skąd bierze się dryf

Modeluj dwie skorelowane pomiary – wynik z testu i ponowne wykonanie testu, sezon debiutanta i sezon juniora – jako próbki z rozkładu normalnego biviazymalnego z współczynnikiem korelacji ρ (rho), gdzie |ρ| < 1 chyba że obie pomiary są dosłownie identyczne. Przy założeniu, że pierwszy wynik jest o z odchyleń standardowych powyżej średniej, najlepsze prognozy dla drugiego wyniku to nie z odchyleń standardowych powyżej średniej – to ρ·z:

E[Y | X = x] = μ_Y + ρ · (σ_Y/σ_X) · (x - μ_X) postać standaryzowana: E[Z_Y | Z_X = z] = ρ · z ρ = 1 → brak regresji, idealna przewidywalność ρ = 0 → całkowita regresja, drugi wynik to po prostu średnia 0<ρ<1 → częściowe przyciągnięcie w stronę średniej, wielkość ustalona przez ρ Zawsze gdy ρ jest mniejsze niż 1 pod względem wartości bezwzględnej – co prawie zawsze się zdarza, ponieważ każde rzeczywiste pomiary mieszają prawdziwe zdolności z szumem – prognozowany drugi wynik znajduje się bliżej średniej niż pierwszy. Jest to czysta algebra, prawda dla każdego skorelowanego parzysta zmiennych i niczego nie mówi o przyczynowości: żadne kary, przekleństwa ani okładki magazynów nie są wymagane.

E[Y | X = x] = μ_Y + ρ · (σ_Y/σ_X) · (x - μ_X)

standardized form:  E[Z_Y | Z_X = z] = ρ · z

ρ = 1   → no regression, perfect predictability
ρ = 0   → total regression, second score is just the mean
0<ρ<1  → partial pull back toward the mean, size set by ρ

Spadek formy i przeklęcie okładki z Sports Illustrated

Nowicjusz, który wybitnie zaprezentował się w swoim pierwszym sezonie, definicyjnie był wybierany częściowo ze względu na umiejętności, a częściowo dzięki serii szczęśliwych zdarzeń – korzystnemu odbiciu zmienności w tym sezonie. Następny sezon umiejętności utrzymują się, ale to konkretne szczęście nie powtarza się, więc wynik popada w kierunku średniej wartości ukrytej pod zawodnikiem. Ekspertów nazywa to spadem formy lub, gdy magazynowy tytuł pojawia się po serii sukcesów i zawodnik potem słabnie, przekleństwem okładki z Sports Illustrated. Magazyn nikogo nie przeklinał; ekstremalne wyniki średnio są następowane przez mniej ekstremalne, ponieważ samo ekstremalność jest w pewnym stopniu kwestią szczęścia.

Dlaczego to wprawia w błąd intuicję, oraz polityka

Daniel Kahneman wykorzystał szkolenie instruktorów lotniczych jako swoją słynną ilustrację: instruktorzy chwalili kadetów po wyjątkowo dobrych lądowaniach i karcieli po wyjątkowo złych, a następnie zauważyli, że wychwalani kadetowie mieli tendencję do gorzej sprawdzania się następnym razem, a karcieleni – do lepszego. Obie efekty były jedynie regresją do średniej; taki sam wzorzec pojawiłby się, gdyby instruktorzy nic nie powiedzieli w ogóle. Ta sama pułapka wychwytuje kamery prędkości zainstalowane na miejscach zdarzeń (po wypadkach spada liczba wypadków częściowo dlatego, że ten pechowy szczyt w danym miejscu nigdy nie powtórzył się z tą samą częstotliwością), leczenie medyczne oceniane tylko na pacjentach wybranych ze względu na nasilone objawy, oraz wszelkie porównania "przed/po", które wybierają osoby w stanie ekstremalnym.

Jak rozpoznać rzeczywisty wzrost od statystycznego dryfu

Jedyną niezawodną obroną jest grupa kontrolna, która nie została wybrana z powodu ekstremalności, ale doświadcza tego samego wyciągnięcia wstecz, co powoduje anulowanie dryfu w porównaniu przed/po oraz ewentualnie pozostała różnica może być przypisana do faktycznej interwencji. Powtarzane pomiary również pomagają: uśrednianie kilku niezależnych próbek na osobę zmniejsza komponent szumu w stosunku do komponentu prawdziwości, zbliżając ρ między średnimi ocenami do 1 i redukując rozmiar sztucznego odbicia.

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Regression to the Mean i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.