Prévision de jugement (prévision d'informations subjectives)

Prévision de jugement (prévision d’informations subjectives)

Posted On: octobre 3, 2022

Lorsque nous construisons un modèle statistique pour les prévisions (par exemple, la cote de crédit), les statistiques aident à découvrir des corrélations et des modèles qui peuvent caractériser nos données (par exemple, la saisonnalité, les tendances, les employés publics paient mieux que les employés privés, les femmes paient de manière plus cohérente). leurs taux que les hommes, les personnes d’âge moyen sont plus rentables que les personnes d’âge inférieur, etc.) à représenter dans le modèle statistique estimé.

Cependant, il existe de nombreux cas où, pour diverses raisons et raisons, certaines données internes ou même externes peuvent changer, ce qui peut rendre le modèle évalué incapable de répondre aux nouvelles conditions.

Un exemple représentatif est celui des téléphones cellulaires. Lorsqu’ils sont apparus pour la première fois, ils indiquaient la solidité financière de la personne qui les possédait. Un éventuel tableau de bord de cette période marquerait beaucoup de points pour le propriétaire d’un téléphone mobile. Aujourd’hui, une carte de pointage peut encore déduire des points d’un propriétaire de téléphone portable !

Par conséquent, dans les cas où des changements se sont produits ou sont attendus, un pronostic subjectif peut être jugé nécessaire en complément du pronostic statistique. Bien sûr, les méthodes de prévision statistique sont en moyenne supérieures aux prévisions subjectives. En effet, notre jugement personnel est soumis à des préjugés et à des limites importants.

Le tableau ci-dessous décrit ces biais, qui se sont avérés affecter de manière significative les prédictions subjectives. Des solutions sont également proposées pour les éviter.

type de biais	description du biais	moyens d’évitement
incohérence	C’est l’incapacité d’appliquer exactement les mêmes critères de décision dans les mêmes circonstances pour qu’ils conduisent exactement au même résultat.	1. Standardisation du processus décisionnel. 2. Élaboration d’une politique décisionnelle claire.
conservatisme	C’est la difficulté d’intégrer la valeur de certaines nouvelles informations dans le processus décisionnel. Normalement, la pensée humaine intègre lentement de nouvelles informations dans un système de prise de décision déjà établi.	Vérifier les changements qui peuvent se produire et créer des procédures permettant de prendre des mesures lorsque ces changements se produisent.
Informations actuelles	Les informations et les preuves les plus récentes l’emportent souvent sur les moins récentes, qui sont par conséquent interdites ou ignorées.	1. Comprendre que les cycles économiques existent et que les fluctuations ne sont pas permanentes. 2. Considérer les facteurs clés qui peuvent affecter ce que nous considérons.
Disponibilité	La décision est basée sur des faits précis qui sont facilement rappelés de mémoire, à l’exclusion d’autres informations utiles.	1. Considérez toutes les informations 2. Présenter les informations de manière à couvrir tous les aspects de la situation étudiée.
Mauvaises corrélations	La croyance que certaines variables peuvent être corrélées alors qu’en fait elles ne sont pas corrélées.	1. Vérification par tests statistiques. 2. S’il est possible de modéliser les corrélations en fonction des changements qui peuvent survenir.
En attendant le résultat attendu	Donner de l’importance et favoriser les événements qui mènent à des conclusions sûres et exclure ceux qui semblent menaçants.	1. Examiner toutes les issues possibles et pas seulement celles qui semblent nous favoriser. 2. Jouer fréquemment « l’avocat du diable ».
échec et succès	Le succès doit être considéré en raison des qualifications de la personne qui a fait la prédiction, tandis que l’échec doit être attribué à la malchance.	Signalement et acceptation des erreurs
Optimisme, état d’esprit biaisé	Lorsque les prédictions sont influencées par des évaluations personnelles	1. Les prévisions doivent être faites par un groupe extérieur à l’entreprise qui peut n’avoir aucune raison d’être biaisé. 2. Plus d’une personne impliquée dans la prévision.
sous-estimer l’incertitude	Un optimisme excessif, de fausses associations et le besoin de déstresser peuvent conduire à une sous-estimation de l’incertitude.	1. Évaluation de l’incertitude avec des critères objectifs. 2. Considération de différents événements futurs en interrogeant différentes personnes.
sélectivité	Chaque personne voit et traite un problème en fonction de ses antécédents et de ses expériences.	Demandez à des personnes d’horizons et d’expériences différents de suggérer des solutions.

Une autre forme de biais qui menace les prédictions subjectives est les croyances diverses et souvent indémontrables que nous pouvons avoir. Par exemple, nous pensons que plus nous disposons d’informations, plus nos décisions sont précises. Au contraire, la pratique a montré que plus d’informations conduisent à une augmentation de la croyance que nous sommes corrects et pas nécessairement à une amélioration de la précision de notre décision (Oskamp 1965).

Le tableau suivant montre de tels cas. C’est-à-dire certaines croyances communes qui ont été réfutées par la pratique et diverses études universitaires.

Croyances générales	croyances empiriques
La quantité d’informations dont nous disposons a un impact positif sur l’exactitude de notre décision.	La quantité d’informations dont nous disposons n’affecte pas l’exactitude de nos décisions mais, au contraire, renforce notre conviction que la décision que nous avons prise est la bonne.
Nous pouvons distinguer les informations utiles et non utiles.	Des informations sans rapport avec le problème peuvent réduire la précision de nos décisions.
Plus nous avons confiance dans la justesse de notre décision, plus notre décision sera précise.	Il n’y a pas de corrélation entre les deux.
Les récompenses en espèces contribuent à de meilleures performances.	Le comportement humain est si complexe qu’il est impossible d’utiliser la finance comme seule motivation.
Nous évaluons les succès et les échecs de la même manière.	Nous mettons à niveau les succès et rétrogradons les échecs.
L’expérience et l’expertise améliorent la précision de nos décisions	Dans le cas de décisions fréquemment répétées, l’expérience et l’expertise contribuent peu à la valeur de la décision.
Nous savons ce que nous voulons et nos préférences sont définies.	De petites variations dans une situation peuvent modifier nos préférences (par exemple, la plupart des gens préfèrent un verre à moitié plein à un verre à moitié vide).

Des estimations et des prévisions subjectives sont vraiment nécessaires dans les cas où des changements significatifs sont attendus ou détectés dans des modèles de population déjà établis, sur la base desquels le modèle statistique a été développé. Cependant, il faut souligner que les prévisions subjectives sont plus coûteuses que les prévisions statistiques, puisque leur élaboration nécessite plus d’heures de travail, elle se déroule principalement lors de réunions, ce qui implique l’emploi de plusieurs personnes qui doivent être présentes.

Il est donc suggéré que les prédictions subjectives viennent en complément des prédictions statistiques quand et où elles peuvent le plus contribuer : en détectant le changement, en prédisant la nature et la direction du changement, de sorte que les modèles statistiques, qui sont beaucoup plus fiables et objectifs, aident à être modifié lorsque les circonstances l’exigent.

Législation sur la cote de solvabilité et la lutte contre la discrimination

Dans cette partie, nous nous référons à la législation existante sur les caractéristiques pouvant être incluses dans les tableaux de bord. Il est fait référence à diverses études qui ont été menées à l’étranger sur ce sujet. En Grèce, il n’existe toujours pas de politique officielle interdisant l’intégration de certaines fonctionnalités dans les tableaux de bord. Néanmoins, comme nous le verrons plus loin, l’expérience de l’étranger montre qu’il n’existe aucune preuve qu’un cadre légal spécifique augmente les taux d’acceptation de crédit pour les groupes protégés, toujours dans le cadre de la banque de détail.

La nature personnelle des informations utilisées dans la prise de décision automatisée soulève un certain nombre de questions sur ce qui est et n’est pas approprié dans un modèle d’évaluation du crédit. La base pour résoudre ces problèmes est soutenue par une législation pertinente qui vise à promouvoir des politiques de justice sociale tout en garantissant la confidentialité des données personnelles.

Les questions d’influence juridique sur les modèles de notation de crédit deviennent encore plus complexes lorsque les prêteurs opèrent à l’échelle internationale et doivent tenir compte des différents niveaux de réglementation et du fait qu’il existe des différences nationales dans le cadre juridique. Cela se voit en Europe, où les processus d’intégration économique et politique ont mis en lumière certains problèmes qui n’ont pas reçu l’attention qu’ils méritaient ces dernières années.

On peut distinguer deux types de distinctions :

Discrimination instantanée: Variables interdites dans le modèle de score de crédit.
Discrimination indirecte: Niveaux d’acceptation pour les populations protégées inférieurs à ceux des autres groupes.

Cependant, toute forme de discrimination ne devient illégale que si la loi délimite le contexte qui ne peut être inclus dans le processus de sélection. Ce cadre varie d’un pays à l’autre, ce qui conduit à des interprétations différentes de ce qui est autorisé et de ce qui n’est pas autorisé (le tableau 1 montre les différences nationales).

Malgré le fait que la législation de l’UE sur la discrimination n’impose pas encore d’interdiction directe de l’utilisation de variables dans un modèle de pointage de crédit, il existe certaines limitations découlant de la directive sur la protection des données. Le terme données sensibles interdit le traitement d’informations – « qui révèlent l’origine nationale ou ethnique, les opinions politiques, les convictions religieuses ou philosophiques, l’appartenance syndicale, les antécédents médicaux ou les préférences sexuelles ». Une attention particulière doit être accordée au mot « divulgation », qui peut donner lieu à l’inclusion de certaines fonctionnalités supplémentaires sous le « parapluie » des données sensibles.

L’article 21 « Non-discrimination » est particulièrement intéressant : « Toute discrimination fondée sur le sexe, la race, la couleur, l’origine nationale ou sociale, les caractéristiques génétiques, la langue, la religion ou les convictions, les opinions politiques ou toute autre opinion personnelle, l’appartenance à une groupe minoritaire, propriété, habitude sexuelle ».

Il convient de noter que le principe de non-discrimination en matière de nationalité est déjà en place et compte tenu de l’interprétation juridique de la discrimination, l’utilisation de la nationalité ou d’un pays d’origine ou de résidence en matière d’approbation et de paiement de crédit peut être considérée comme illégale . Une telle interprétation a déjà trouvé une application pratique en France, où depuis 1998 l’autorité nationale de protection des données – la Commission Nationale de l’Informatique et des Libertés (CNIL) – a expressément interdit l’utilisation de la nationalité dans les modèles de notation de crédit.