Det er ikke bare fryd og gammen å drive med spådommer. I min erfaring, ender det ofte opp med ett av to ytterpunkter. Når alt går som planlagt, blir du behandlet som om du er en profet. Når spådommene dine ikke er i nærheten av å være riktige, kan du forvente å bli behandlet som en sjarlatan.
Uavhengig av hva slags prognose man kommer med, er det én ting som er ekstremt sannsynlig: det vil ikke skje nøyaktig slik som du forutså det, spesielt hvis det finnes mange mulige resultater.
Bruke fortiden til å forutsi fremtiden
Det å forankre seg i fortiden eller generell informasjon kan være en nyttig metode. For eksempel vet vi at hjemmelag skårer mer enn bortelag. Så når to like sterke lag møtes, er det mer sannsynlig at hjemmelaget vinner. I hvilken halvdel av en fotballkamp blir det skåret flest mål? Det er andre omgang. Kommer England til å vinne i en straffekonkurranse? Nei.
Vi kan få enda mer innsikt ved å studere måleenheten for spredningen, for eksempel standardavviket, da dette viser størrelsen på det mulige avviket fra den beste prognosen.
Men hvis vi hadde forankret, kunne vi aldri forutsett Leicester FCs suksess (ja, the City MÅ nevnes i alle artiklene mine) ved starten av sesongen. Eller hadde vi det? Hvis vi så på de siste kampene i 2014/2015, kunne vi ha tolket det som at Leicester hadde en sjanse til å gjøre det bra. Men jeg må innrømme at selv å se dem for seg blant de 6 beste hadde vært meget optimistisk.
Modellenes begrensninger
Man bør ikke modellere med skylapper. Det er viktig å forstå detaljene i hvert tilfelle. Jeg liker denne analogien om hvordan man bruker tidligere sannsynlighet. Artikkelen om Han Solo og bayesianske tidligere sannsynlighetsberegninger forklarer Star Wars-scenariet der Millenium Falcon flyr gjennom et asteroidefelt og C3P0 forteller Han Solo at sjansen for at han skal klare å fly gjennom feltet er 1 til 3720. Men C3P0 tok ikke med i beregningen at den normale statistikken ikke gjelder for Han, og burde oppdateres for å tilpasses scenarioet hans.
Det er dette som har skjedd med Leicester. For det første, er det visse modeller som ikke gjelder her. For eksempel er en typisk modell at man anslår antall mål som skal skåres som Poisson-prosess.
Men dette vil gi høyere sjanse for at et lag med høyere skåringsrate skal vinne. Men Leicester er et lag som typisk vinner 1-0, selv om dette ville blitt motbalansert av forsvarsstyrken deres i modellen.
I tillegg virket markedet ulogisk, selv om riktige data var i bruk. Alle har forventet at Arsenal skulle øke farten og Leicester skulle falle sammen. Selv om det var et sannsynlig scenario, var det mest sannsynlig at begge skulle fortsette på samme kurs.
Veien i midten
Som konklusjon kan vi si at du kan forankre, men du må ikke glemmeat tidligere prestasjoner ikke er en indikator på fremtidige resultater. Derfor må du være subjektiv, kreativ, utvise dømmekraft og ta hensyn til virkeligheten, men ikke være for løssluppen. Nei, det er ikke lett.
