en pl
en pl

Decyzje

Zobacz wydanie
Rok 6/2021 
Numer 35

Sensitivity of numerate individuals to large asymmetry in outcomes: A registered replication of Traczyk et al. (2018)

Supratik Mondal
SWPS University of Social Sciences and Humanities

6/2021 (35) Decyzje

DOI 10.7206/DEC.1733-0092.150a

Zawartość artykułu

Abstrakt

Głównym celem tego badania była próba zreplikowania efektu wykazanego przez Traczyka i in. (2018), zgodnie z którym osoby z wyższym poziomem statystycznych zdolności numerycznych, w porównaniu do osób z niższym poziomem statystycznych zdolności numerycznych, angażują wymagające poznawczo strategie decyzyjne, gdy potencjalne konsekwencje wyboru są znaczące. Postawiłem hipotezę, że osoby z wysokim poziomem statystycznych zdolności numerycznych będą częściej dokonywały wyborów przewidywanych przez skumulowaną teorię perspektywy i model wartości oczekiwanej (CPT/EV) w problemach decyzyjnych z wysokimi wypłatami (tj. znaczącymi konsekwencjami) niż w problemach decyzyjnych z niskimi wypłatami. W badaniu online
73 ochotników podejmowało decyzje w 13 problemach z wysokimi wypłatami oraz w 11 problemach z niskimi wypłatami. Badani rozwiązywali testy mierzące inteligencję płynną, statystyczne zdolności numeryczne oraz subiektywne zdolności numeryczne. Wszystkie miary były prezentowane w losowej kolejności. Wyniki pokazały, że w warunkach wysokiej wypłaty osoby badane dokonywały wyborów maksymalizujących wartość oczekiwaną. Osoby z wysokimi wynikami w teście mierzącym statystyczne zdolności numeryczne częściej dokonywały jednak wyborów zgodnych z przewidywaniami CPT/EV niż osoby z niskimi wynikami w tym teście. Ponadto osoby z wysokim poziomem statystycznych zdolności numerycznych były mniej skłonne do dokonywania wyborów zgodnych z przewidywaniami CPT/EV w warunku niskiej wypłaty. Osoby te dostosowały swoją strategię wyboru do problemu decyzyjnego poprzez zarządzanie czasem przeznaczanym na podjęcie decyzji, co wskazuje, że mogą one charakteryzować się większą wrażliwością na asymetrię w wypłatach. Podsumowując, efekt opisany w badaniu Traczyka i in. (2018) został pomyślnie
zreplikowany.

Powiązania

  1. Arnold, B. F., Hogan, D. R., Colford, J. M., & Hubbard, A. E. (2011). Simulation methods to estimate design power: An overview for applied research. BMC Medical Research Methodology, 11(1), 94. doi: 10.1186/1471-2288-11-94 [Google Scholar]
  2. Ashby, N. J. S. (2017). Numeracy predicts preference consistency: Deliberative search heuristics increase choice consistency for choices from description and experience. Judgment and Decision Making, 12(2), 128–139. [Google Scholar]
  3. Becker, A., Deckers, T., Dohmen, T., Falk, A., & Kosse, F. (2012). The Relationship Between Economic Preferences and Psychological Personality Measures. Annual Review of Economics, 4(1), 453–478. doi: 10.1146/annurev-economics-080511-110922 [Google Scholar]
  4. Bernoulli, D. (1954). Exposition of a New Theory on the Measurement of Risk. Econometrica, 22(1), 23–36. doi: 10.2307/1909829 [Google Scholar]
  5. Brandstätter, E., Gigerenzer, G., & Hertwig, R. (2006). The priority heuristic: Making choices without trade-offs. Psychological Review, 113(2), 409–432. doi: 10.1037/0033-295X.113.2.409 [Google Scholar]
  6. Brysbaert, M., & Stevens, M. (2018). Power Analysis and Effect Size in Mixed Effects Models: A Tutorial. Journal of Cognition, 1(1), 9. doi: 10.5334/joc.10 [Google Scholar]
  7. Cacioppo, J. T., & Petty, R. E. (1982). The need for cognition. Journal of Personality and Social Psychology, 42(1), 116–131. doi: 10.1037/0022-3514.42.1.116 [Google Scholar]
  8. Cirillo, P., & Taleb, N. N. (2016). On the statistical properties and tail risk of violent confl icts. Physica A: Statistical Mechanics and its Applications, 452, 29–45. doi: https://doi.org/10.1016/j.physa.2016.01.050 [Google Scholar]
  9. Cokely, E. T., Galesic, M., Schulz, E., Ghazal, S., & Garcia-Retamero, R. (2012). Measuring Risk Literacy: The Berlin Numeracy Test. Judgment and Decision Making, 7(1), 23. [Google Scholar]
  10. Cokely, E. T., & Kelley, C. M. (2009). Cognitive abilities and superior decision making under risk: A protocol analysis and process model evaluation. Judgment and Decision Making, 4(1), 20–33. [Google Scholar]
  11. Condon, D. M., & Revelle, W. (2014). The international cognitive ability resource: Development and initial validation of a public-domain measure. Intelligence, 43, 52–64. doi: 10.1016/j.intell.2014.01.004 [Google Scholar]
  12. Davids, S. L., Schapira, M. M., McAuliffe, T. L., & Nattinger, A. B. (2004). Predictors of pessimistic breast cancer risk perceptions in a primary care population. Journal of General Internal Medicine, 19(4), 310–315. doi: 10.1111/j.1525-1497.2004.20801.x [Google Scholar]
  13. Estrada-Mejia, C., de Vries, M., & Zeelenberg, M. (2016). Numeracy and wealth. Journal of Economic Psychology, 54, 53–63. doi: 10.1016/j.joep.2016.02.011 [Google Scholar]
  14. Fagerlin, A., Zikmund-Fisher, B. J., Ubel, P. A., Jankovic, A., Derry, H. A., & Smith, D. M. (2007). Measuring Numeracy without a Math Test: Development of the Subjective Numeracy Scale. Medical Decision Making, 27(5), 672–680. doi: 10.1177/0272989X07304449 [Google Scholar]
  15. Ghazal, S., Cokely, E. T., & Garcia-Retamero, R. (2014). Predicting biases in very highly educated samples: Numeracy and metacognition. Judgment and Decision Making, 9(1), 15–34. [Google Scholar]
  16. Gigerenzer, G. (2007). Gut feelings: The intelligence of the unconscious. Penguin. Gigerenzer, G., & Goldstein, D. G. (1996). Reasoning the fast and frugal way: Models of bounded rationality. Psychological Review, 103(4), 650–669. doi: 10.1037/0033-295X.103.4.650 [Google Scholar]
  17. Gurmankin, A. D., Baron, J., & Armstrong, K. (2004). The Effect of Numerical Statements of Risk on Trust and Comfort with Hypothetical Physician Risk Communication. Medical Decision Making, 24(3), 265–271. doi: 10.1177/0272989X04265482 [Google Scholar]
  18. Hands, D. W. (2015). Normative Rational Choice Theory: Past, Present, and Future (SSRN Scholarly Paper No. ID 1738671). Rochester, NY. doi: 10.2139/ssrn.1738671 [Google Scholar]
  19. Horn, S., & Freund, A. M. (2021). Adult age differences in monetary decisions with real and hypothetical reward. Journal of Behavioral Decision Making. doi: 10.1002/bdm.2253 [Google Scholar]
  20. Jasper, J. D., Bhattacharya, C., & Corser, R. (2017). Numeracy Predicts More Effortful and Elaborative Search Strategies in a Complex Risky Choice Context: A Process-Tracing Approach. Journal of Behavioral Decision Making, 30(2), 224–235. doi: 10.1002/bdm.1934 [Google Scholar]
  21. Jasper, J. D., Bhattacharya, C., Levin, I. P., Jones, L., & Bossard, E. (2013). Numeracy as a predictor of adaptive risky decision making. Journal of Behavioral Decision Making, 26(2), 164–173. doi: 10.1002/bdm.1748 [Google Scholar]
  22. John, & Raven, J. (2003). Raven Progressive Matrices. In R. S. McCallum (Ed.), Handbook of Nonverbal Assessment (pp. 223–237). Boston, MA: Springer US. doi: 10.1007/978-1-4615-0153-4_11 [Google Scholar]
  23. Johnson, P. C. D., Barry, S. J. E., Ferguson, H. M., & Müller, P. (2015). Power analysis for generalized linear mixed models in ecology and evolution. Methods in Ecology and Evolution, 6(2), 133–142. doi: 10.1111/2041-210X.12306 [Google Scholar]
  24. Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. doi: 10.2307/1914185 [Google Scholar]
  25. Lipkus, I. M., Samsa, G., & Rimer, B. K. (2001). General Performance on a Numeracy Scale among Highly Educated Samples. Medical Decision Making, 21(1), 37–44. doi:10.1177/0272989X0102100105 [Google Scholar]
  26. Lüdecke, D. (2018). Ggeffects: Tidy Data Frames of Marginal Effects from Regression Models. Journal of Open Source Software, 3(26), 772. doi: 10.21105/joss.00772 [Google Scholar]
  27. Lusardi, A. (2012). Numeracy, financial literacy, and financial decision-making (Tech. Rep. No.w17821). National Bureau of Economic Research. doi: 10.3386/w17821 [Google Scholar]
  28. Małecka, M. (2020). The normative decision theory in economics: A philosophy of science perspective. The case of the expected utility theory. Journal of Economic Methodology, 27(1), 36–50. doi:10.1080/1350178X.2019.1640891 [Google Scholar]
  29. McElreath, R. (2018). Statistical Rethinking: A Bayesian Course with Examples in R and Stan. Chapman and Hall/CRC. doi: 10.1201/9781315372495 [Google Scholar]
  30. McGrew, K. S. (2021). CHC theory and the human cognitive abilities project: Standing on the shoulders of the giants of psychometric intelligence research. Intelligence, 37(1), 1–10. doi: 10.1016/j.intell.2008.08.004 [Google Scholar]
  31. Nakagawa, S., & Schielzeth, H. (2013). A general and simple method for obtaining R2 from generalized linear mixed-effects models. Methods in Ecology and Evolution, 4(2), 133–142. doi:10.1111/j.2041-210x.2012.00261.x [Google Scholar]
  32. Pachur, T., Hertwig, R., Gigerenzer, G., & Brandstätter, E. (2013). Testing process predictions of models of risky choice: A quantitative model comparison approach. Frontiers in Psychology, 4.doi: 10.3389/fpsyg.2013.00646 [Google Scholar]
  33. Peters, E., & Bjalkebring, P. (2015). Multiple numeric competencies: When a number is not just a number. Journal of Personality and Social Psychology, 108(5), 802–822. doi: 10.1037/pspp0000019 [Google Scholar]
  34. Reyna, V. F., Nelson, W. L., Han, P. K., & Dieckmann, N. F. (2009). How numeracy influences risk comprehension and medical decision making. Psychological Bulletin, 135(6), 943–973. doi:10.1037/a0017327 [Google Scholar]
  35. Rothman, R. L., Housam, R., Weiss, H., Davis, D., Gregory, R., Gebretsadik, T., ... Elasy, T. A. (2006). Patient Understanding of Food Labels: The Role of Literacy and Numeracy. American Journal of Preventive Medicine, 31(5), 391–398. doi:10.1016/j.amepre.2006.07.025 [Google Scholar]
  36. Russell, S., & Norvig, P. (2002). Artifi cial intelligence: A modern approach. Schönbrodt, F. D., & Wagenmakers, E.-J. (2018). Bayes factor design analysis: Planning for compelling evidence. Psychonomic Bulletin & Review, 25(1), 128–142. doi: 10.3758/s13423-017-1230-y [Google Scholar]
  37. Schwartz, L. M., Woloshin, S., Black, W. C., & Welch, H. G. (1997, December). The Role of Numeracy in Understanding the Benefi t of Screening Mammography. Annals of Internal Medicine, 127(11), 966–972. doi: 10.7326/0003-4819-127-11-199712010-00003 [Google Scholar]
  38. Sherry, A., & Henson, R. K. (2005). Conducting and Interpreting Canonical Correlation Analysis in Personality Research: A User-Friendly Primer. Journal of Personality Assessment, 84(1), 37–48. doi: 10.1207/s15327752jpa8401_09 [Google Scholar]
  39. Sobkow, A., Garrido, D., & Garcia-Retamero, R. (2020). Cognitive Abilities and Financial Decision Making. In T. Zaleskiewicz & J. Traczyk (Eds.), Psychological Perspectives on Financial Decision Making (pp. 71–87). Springer, Cham. doi: 10.1007/978-3-030-45500-2_4 [Google Scholar]
  40. Sobkow, A., Olszewska, A., & Traczyk, J. (2020). Multiple numeric competencies predict decision outcomes beyond fl uid intelligence and cognitive refl ection. Intelligence, 80, 101452. doi:10.1016/j.intell.2020.101452 [Google Scholar]
  41. Taleb, N. N. (2020). Statistical Consequences of Fat Tails: Real World preasymptotics, epistemology, and applications. arXiv:2001.10488. [Google Scholar]
  42. Thaler, R. (1980). Toward a positive theory of consumer choice. Journal of Economic Behavior & Organization, 1(1), 39–60. doi: 10.1016/0167-2681(80)90051-7 [Google Scholar]
  43. Traczyk, J., & Fulawka, K. (2016). Numeracy moderates the infl uence of task-irrelevant affect on probability weighting. Cognition, 151, 37–41. doi: 10.1016/j.cognition.2016.03.002 [Google Scholar]
  44. Traczyk, J., Sobkow, A., Fulawka, K., Kus, J., Petrova, D., & Garcia-Retamero, R. (2018). Numerate decision makers don’t use more effortful strategies unless it pays: A process tracing investigation of skilled and adaptive strategy selection in risky decision making. Judgment and Decision Making, 13(4), 372–381. [Google Scholar]
  45. Tversky, A., & Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5(4), 297–323. doi: 10.1007/BF00122574 [Google Scholar]

Kompletne metadane

Cytowanie zasobu

APA style

Mondal, Supratik (2021). Sensitivity of numerate individuals to large asymmetry in outcomes: A registered replication of Traczyk et al. (2018). (2021). Sensitivity of numerate individuals to large asymmetry in outcomes: A registered replication of Traczyk et al. (2018). Decyzje, (35), 5-26. https://doi.org/ 10.7206/DEC.1733-0092.150a (Original work published 6/2021n.e.)

MLA style

Mondal, Supratik. „ Sensitivity Of Numerate Individuals To Large Asymmetry In Outcomes: A Registered Replication Of Traczyk Et Al. (2018)”. 6/2021n.e. Decyzje, nr 35, 2021, ss. 5-26.

Chicago style

Mondal, Supratik. „ Sensitivity Of Numerate Individuals To Large Asymmetry In Outcomes: A Registered Replication Of Traczyk Et Al. (2018)”. Decyzje, Decyzje, nr 35 (2021): 5-26. doi: 10.7206/DEC.1733-0092.150a.

Prawa autorskie

copyright info

CC-BY

Podobne artykuły: