확증 편향: 통계적 의료과실의 인지 엔진

"확증 편향은 *base-rate neglect 의 쌍둥이*. *둘 다 *베이즈 업데이트 왜곡* — *base-rate neglect 가 prior 무시로, *확증 편향이 likelihood 오-가중치로*."

패턴, 이름 붙임

*확증 편향이 *유지된 믿음을 *확인하는 증거를 알아채고, 기억하고, 가중치 부여하고, *모순하는 증거를 *간과, 잊기, 또는 할인하는 *인간 경향*. *편향이 *의식적 노력 없이 작동하고 *모든 종류의 믿음에 적용 — *정치, 과학, 개인, 금융*. *심리학에서 *가장 견고하고 재현된 인지 편향 중 하나*.

통계 추론에 어떻게 영향

*믿음 수정의 베이즈 모델이 말함*: *각 새 증거가 *likelihood 비율을 통해 prior 업데이트*. *증거가 H₀ 보다 H₁ 하 더 가능성 있으면, *posterior 가 H₁ 쪽으로 이동*. *수학이 대칭* — *반박 증거가 *posterior 를 *반대 방향으로 정확히 같은 만큼 이동시켜야 함*.

*확증 편향이 *대칭을 깸*. *확인 증거가 *전체 가중치 (또는 더) 얻음*; *반박 증거가 *줄어든 가중치 (또는 0) 얻음*. *많은 업데이트에 걸쳐, *posterior 가 *실제 증거 균형과 상관없이 *초기 가설 쪽으로 떠다님*. *증거 누적과 함께 수렴해야 할 불일치가 *대신 *발산하거나 갇힘*.

어디서 나타나나

투자: *투자자가 *그들의 포지션에 대해 확인 뉴스 검색하고 *반대 뉴스 다운가중치*. *보유물이 악화되는 동안 *투자자의 자신감이 높게 유지*.
채용: *면접관이 *첫 인상 형성하고 *그러고 나서 *그것을 확인하는 증거를 *비례적으로 더 알아챔*. *면접이 *정보보다 *확인 검색이 됨*.
의료 진단: *임상의가 *고려하는 첫 진단이 *후속 검사 결과에서 *비례적인 가중치 얻음*. *닻 내린 진단이 *반대 증거에도 불구하고 지속*.
과학 연구: *연구자가 *가설 확인하는 분석 돌림*; *null 결과가 출판 안 됨*; *문헌이 *연구자의 prior 쪽으로 떠다님*.
개인 믿음: *친구, 뉴스 출처, 소셜-미디어 알고리즘이 *모두 *확인 증거가 *과대-대표되고 반대 증거가 침묵되는 echo chamber 만듦*.

대응

*확증 편향에 대한 대응은 *의도적이고 구조화된 *반박 증거 검색*. *베이즈 규율*: *'관측하면 *내 posterior 를 줄일 *어떤 증거*?' *그 질문에 답 못 하면, *믿음이 falsifiable 하지 않고 *베이즈 엔진이 *그것에 대해 작동 못 함*. *답할 수 있으면, *그런 종류의 증거를 *구체적으로 찾으러 감* — *그것을 일축할 준비가 아니라, *마땅한 *전체 likelihood 가중치의 증거로*.

*이 규율이 어려움*, *왜냐면 *인지 엔진이 *디폴트로 확인 증거에 손 뻗음*. *대응이 *의도적, 구조화, 반복되어야 함*. *연구의 가설 사전-등록, *채용의 구조화 면접, *의학의 두 번째-의견 추구, *전략의 *red-team 연습이 모두 *개별 인지 시스템이 신뢰할 만하게 잘못하는 것에 대한 *제도적 patch*.

트랙 09 마무리

*평균 회귀, 생존편향, 선택 편향, 확증 편향 — *별개 현상이 아니야*. *같은 기저 문제의 네 얼굴*: *보는 데이터가 *존재하는 데이터의 공정한 샘플이 아니고, *본 것에 가중치 부여하는 방식이 *대칭이 아니야*. *시민-통계 문해가 *어떤 결론 받아들이기 전에 *'이 샘플에서 무엇이 누락?' 과 *'내가 이 증거를 대칭적으로 가중치 부여 중?' 을 묻는 실천*. *트랙 10 이 quest 를 *정규화 메타-프레임 재정착하고 *3대 인생 치트키 마지막 한 번 이름 붙여 닫을 것*.

Code

확증 편향을 비대칭 likelihood 가중치로·python

import numpy as np
rng = np.random.default_rng(280)

# *동전에 대한 같은 증거 스트림 보는 두 베이즈주의자 시뮬*.
# *둘 다 같은 prior 로 시작*. *하나가 정직하게 업데이트; 다른 하나가
# *확증 편향 적용*: *확인 증거가 전체 가중치, 반박이 반 가중치*.

N_evidence = 200
p_true = 0.5      # 동전이 실제로 공정
flips = rng.binomial(n=1, p=p_true, size=N_evidence)

# *둘 다 prior P(p > 0.5) = 0.5 로 시작*.
log_odds_honest = 0.0      # 앞면-편향 가설의 log-odds
log_odds_biased = 0.0      # 같은 시작점

# *던지기당 H1 (p=0.6) vs H0 (p=0.4) 하 likelihood 비율*.
log_lr_heads = np.log(0.6 / 0.4)
log_lr_tails = np.log(0.4 / 0.6)

for f in flips:
    lr = log_lr_heads if f == 1 else log_lr_tails
    log_odds_honest += lr
    # *확증-편향 updater: 확신 줄이는 증거 반-가중치*.
    if lr > 0:    # *앞면-편향 확인*
        log_odds_biased += lr
    else:        # *앞면-편향 반박*
        log_odds_biased += lr * 0.5

print(f"공정 동전 {N_evidence} 던지기 후:")
print(f"  정직 updater log-odds:           {log_odds_honest:>+7.3f}")
print(f"  확증-편향 log-odds:              {log_odds_biased:>+7.3f}")
print(f"\n(*동전이 공정하니 둘 다 0 근처여야 함*. *정직이 0 근처 유지*;")
print(f" *편향이 *반박 증거가 반-가중치라서 위로 떠다님*.)")

Exercise

*확신 있게 가진 믿음 하나 고르기*. *자신에게 물어*: *'내 확신을 반으로 줄이려면 무엇을 관측해야 할까?'* *답 못 하면, *믿음이 falsifiable 하지 않고 *그것에 대한 증거에 업데이트할 위치에 없음*. *답할 수 있으면, *의도적으로 그런 종류의 증거 찾으러 감*. *발견하는 무엇이든 — *확인, 반박, 또는 혼합 — *업데이트 전에 *마땅한 전체 가중치 부여*.

Hint

*확증 편향이 *특정 믿음에 대해 이름 붙이는 것만으로도 *교정 시작에 충분히 신뢰할 만함*. *인지 시스템이 교정 싸움*; *규율은 *어쨌든 하는 것*.