Modellierung individueller Erwartungsbildung

Wie empirische Studien belegen, dominieren in der Praxis subjektive Prognoseverfahren. Aufgrund dieser großen Praxisrelevanz wurden die Fähigkeiten von Individuen, Zeitreihen vorherzusagen, in zahlreichen experimentellen Studien untersucht, um herauszufinden welche Umstände die menschliche Prognoseleistung beeinflussen und wann statistische Verfahren überlegen sind. Trotz dieses steigenden Forschungsinteresses, Erwartungsbildung deskriptiv zu analysieren, existieren kaum mathematische Modelle zur Erklärung des Prognoseverhaltens. In der Literatur finden sich Erklärungsmodelle, denen entweder unrealistische Annahmen zugrunde liegen oder die zu einfache Verhaltensweisen unterstellen. Die bounds & likelihood Heuristik, BECKER/LEOPOLD- WILDBURGER (1996), ist eine einfache aber effiziente Prozedur, die Konsensprognosen von Individuen sehr gut erklären kann. Es konnte gezeigt werden, dass die Heuristik in verschiedenen Situationen funktioniert, beispielsweise, wenn den Probanden mehrere Zeitreihen in Form von Vorlaufindikatoren zu Prognose einer Zeitreihe vorgelegt werden. In weiteren Arbeiten konnten zwei verschiedene Erklärungsansätze für individuelles Verhalten entwickelt werden: Die Ähnlichkeitsanalyse und die Schematheorie. Im Zuge dieses Projekts sollen einige unmittelbar folgende Forschungsfragen geklärt werden: - Kann die bounds & likelihood Heuristik auf realitätsnähere Informationsumgebungen erweitert werden, in denen Gleichlauf- anstatt Vorlaufindikatoren vorliegen? - Kann die Schematheorie auf Prognoseverhalten von Probanden unter mehreren Informationsquellen erweitert werden, wie das für die bounds & likelihood Heuristik bereits erfolgt ist? - Verhalten sich Probanden bei ähnlichen oder identischen Prognosesituationen gleich? Ist das Prognoseverhalten von Versuchspersonen überhaupt stabil genug für die Erklärung durch nur ein Modell? Das Ziel dieses Projektes ist die Beantwortung dieser Fragestellungen durch die Durchführung neuer Experimente und die Verknüpfung zum bereits vorhandenen Datenbestand.

Wie empirische Studien belegen, dominieren in der Praxis subjektive Prognoseverfahren. Aufgrund dieser großen Praxisrelevanz wurden die Fähigkeiten von Individuen, Zeitreihen vorherzusagen, in zahlreichen experimentellen Studien untersucht, um herauszufinden welche Umstände die menschliche Prognoseleistung beeinflussen und wann statistische Verfahren überlegen sind. Trotz dieses steigenden Forschungsinteresses, Erwartungsbildung deskriptiv zu analysieren, existieren kaum mathematische Modelle zur Erklärung des Prognoseverhaltens. In der Literatur finden sich Erklärungsmodelle, denen entweder unrealistische Annahmen zugrunde liegen oder die zu einfache Verhaltensweisen unterstellen. Die bounds & likelihood Heuristik, BECKER/LEOPOLD-WILDBURGER (1996), ist eine einfache aber effiziente Prozedur, die Konsensprognosen von Individuen sehr gut erklären kann. Es konnte gezeigt werden, dass die Heuristik in verschiedenen Situationen funktioniert, beispielsweise, wenn den Probanden mehrere Zeitreihen in Form von Vorlaufindikatoren zu Prognose einer Zeitreihe vorgelegt werden. In weiteren Arbeiten konnten zwei verschiedene Erklärungsansätze für individuelles Verhalten entwickelt werden: Die Ähnlichkeitsanalyse und die Schematheorie. Im Zuge dieses Projekts sollen einige unmittelbar folgende Forschungsfragen geklärt werden: Kann die bounds & likelihood Heuristik auf realitätsnähere Informationsumgebungen erweitert werden, in denen Gleichlauf- anstatt Vorlaufindikatoren vorliegen? Kann die Schematheorie auf Prognoseverhalten von Probanden unter mehreren Informationsquellen erweitert werden, wie das für die bounds & likelihood Heuristik bereits erfolgt ist? Verhalten sich Probanden bei ähnlichen oder identischen Prognosesituationen gleich? Ist das Prognoseverhalten von Versuchspersonen überhaupt stabil genug für die Erklärung durch nur ein Modell? Das Ziel dieses Projektes ist die Beantwortung dieser Fragestellungen durch die Durchführung neuer Experimente und die Verknüpfung zum bereits vorhandenen Datenbestand.