대표성 휴리스틱

문제와 계보

동전을 열 번 던져 앞면과 뒷면이 섞여 나온 두 배열을 본다. 하나는 불규칙해 보이고 다른 하나는 앞면이 길게 이어진다. 많은 사람에게 앞쪽이 공정한 동전에서 나왔을 법해 보이는 이유는 그 짧은 배열이 무작위라는 생성 과정의 전형과 더 닮았기 때문이다. 그러나 특정한 열 칸 배열은 공정한 동전 아래에서 모두 같은 확률을 갖는다.

핵심 주장

휴리스틱과 편향 연구 프로그램에서 카너먼과 트버스키는 이런 판단을 대표성이라 불렀다. 사례가 범주, 모집단, 원인 과정의 특징을 얼마나 잘 닮았는지 묻는 것은 빠르다. 그 답을 사례가 그 범주에서 나왔을 확률로 옮기면 계산은 끝난다. 닮음은 실제로도 쓸모 있는 단서라서 이 절차는 자주 맞는다. 문제는 확률을 바꾸지만 닮음에는 나타나지 않는 정보가 있을 때 생긴다. 제한된 합리성 아래에서 닮음을 단서로 쓰는 절차와, 그 단서가 원래 질문을 대신하는 오류는 구분해야 한다.

대표 과제 또는 형식

기저율이 첫 번째다. 어떤 성격 묘사가 기술자의 전형과 잘 맞아도, 모집단에 기술자가 거의 없다면 사후확률은 그만큼 낮아야 한다. 1973년 예측 실험에서 참가자들은 기술자와 법률가의 구성 비율을 다르게 제시받았지만, 개인 묘사가 주어지면 그 묘사와 직업 고정관념의 닮음에 크게 기대었다. 개별 서사가 분모를 밀어낸 것이다.

표본 크기도 닮음에서 잘 보이지 않는다. 작은 병원과 큰 병원에서 태어난 아기의 성비는 같은 모집단 비율을 중심으로 움직이지만, 작은 병원은 하루 출생아 수가 적어 극단적인 비율이 더 자주 나온다. 짧은 표본도 모집단의 성질을 고르게 닮아야 한다고 기대하면 이 차이를 놓친다. 트버스키와 카너먼이 말한 작은 수의 법칙은 작은 표본도 모집단을 지나치게 잘 대표하리라는 믿음이다.

논쟁과 한계

대표성을 무조건 오류로 부를 수는 없다. 진단과 분류에서 닮음은 정보이며, 기저율이 같거나 다른 단서가 없을 때는 합리적인 출발점이다. 오류는 닮음을 쓴다는 사실보다 닮음이 표본 크기, 기저율, 결합 규칙까지 대신할 때 생긴다. 특히 결합 오류에서는 더 대표적인 설명이 집합의 포함 관계까지 뒤집는다. 그래서 교정도 전형을 억누르는 일이 아니라, 닮음 밖에 남은 확률 정보를 다시 계산에 넣는 일이다.