Biais de survie

Le biais de survie est préjudiciable en raison de sa fréquence et de l'influence profonde qu'il peut avoir sur nos choix. Ce biais est généralement lié aux décisions financières, à l'esprit d'entreprise, aux jeux d'argent et à la recherche médicale. Lorsque nous prenons des décisions dans ces secteurs, nous devons nous assurer de prendre en compte à la fois les réussites et les échecs, faute de quoi le biais de survie peut avoir un impact profond sur nos perceptions et nos jugements. Sans disposer de toutes les données nécessaires pour prendre des décisions rationnelles, les individus ne seront pas en mesure de faire le meilleur choix possible pour eux-mêmes.

Le biais de survie est omniprésent, car il s'agit d'un biais courant qui affecte la manière dont nous interprétons les données et les informations lorsque nous prenons des décisions. Les préjugés liés à la survie affectent également la prise de décision au plus haut niveau, ce qui entraîne des problèmes systémiques dans de nombreuses disciplines.

Récits historiques

Il est important d'examiner comment le biais de survie peut influencer la façon dont nous regardons l'histoire et, par conséquent, la façon dont nous comprenons notre monde. Selon l'école, la manière dont les informations sont présentées et le matériel utilisé peuvent créer des préjugés. L'accent mis sur certains groupes et leurs réussites au cours de l'histoire peut diminuer les histoires et les luttes des autres. Éviter les discussions sur l'exploitation peut nous donner une image inexacte de la façon dont plusieurs pays ont vu le jour et de la raison pour laquelle certains groupes semblent avoir un avantage injuste à l'ère moderne. Si l'on considère la situation dans son ensemble, le fait de se laisser piéger par le biais de la survie influe sur notre vision du racisme systémique et d'autres inégalités. Pour favoriser le progrès social, il est important d'examiner à la fois les triomphes et les grandes injustices de l'histoire.

Épidémiologie

Le biais de survie a été constaté dans des cas de diagnostics de maladies, en particulier en ce qui concerne les taux de survie après le diagnostic. Par exemple, les patients ayant le meilleur pronostic sont souvent ceux qui présentent le risque le plus faible en raison de leur âge, de leurs antécédents médicaux et de leur condition physique. Plus les patients présentent ces précurseurs positifs, meilleurs sont leurs taux de survie. Étant donné que les patients dont les antécédents médicaux sont moins bons ne survivent pas toujours, leur décès n'est pas pris en compte dans le calcul du taux de survie. En d'autres termes, les patients sont représentés de manière disproportionnée par des individus en meilleure santé qui ont des résultats positifs. Il convient également de prendre en compte les personnes qui déc^èdent peu de temps après avoir été diagnostiquées ou celles qui décèdent avant d'avoir été officiellement diagnostiquées. En n'étant pas inclus dans le calcul du taux de survie, le résultat de la survie est gonflé.4

Lors de la pandémie de COVID-19, le taux de survie a été l'un des principaux sujets de préoccupation. De nombreux épidémiologistes et médecins avertissent que les calculs rendus publics ne donnent pas une image complète de la situation. Les patients qui meurent sans avoir été testés pour le COVID-19 ne peuvent pas être considérés comme faisant partie du décompte des décès dus au virus, ce qui risque de fausser les taux de survie. Dans de nombreux pays du monde, les nations et leurs systèmes de santé oⁿt eu du mal à suivre le rythme des tests, ce qui risque de fausser les taux de survie lorsqu'on examine les données générées par la maladie.5

Une grande partie des campagnes de marketing s'appuient sur des témoignages - des données auxquelles le consommateur accorde une grande importance. Nous voulons souvent savoir si un produit est efficace et nous nous tournons alors vers les "essais cliniques" et les études financées par des organismes indépendants présentés dans les campagnes publicitaires. Toutefois, les chiffres ne sont pas toujours très éloquents : une formule tape-à-l'œil du type "95 % des personnes ont constaté une amélioration" n'est pas toujours révélatrice. Lorsque nous ne connaissons pas tous les paramètres d'une étude, il est facile d'en avoir une vision biaisée. Il est toujours bon de vérifier la rigueur d'une étude. Par exemple, quelle était la taille de l'échantillon ? Les participants ont-ils abandonné l'étude ? Pendant combien de temps ont-ils utilisé le produit ? Toutes ces questions sont importantes pour déterminer la validité de l'étude. Lorsque nous prenons ces points en considération, nous travaillons activement contre le biais de survie.

L'intégration d'ensembles de données riches et l'utilisation de méthodes d'évaluation rigoureuses peuvent atténuer les effets du biais de survie sur les logiciels d'intelligence artificielle. Toutefois, l'intelligence artificielle est un domaine en constante évolution et son utilisation généralisée peut inciter de nombreuses entreprises à présenter la prochaine grande avancée. Si les progrès technologiques sont passionnants, la production trop rapide de logiciels peut conduire à des oublis.

Plus précisément, il est important de ne pas surestimer les taux de réussite de l'intelligence artificielle, en particulier des technologies les plus récentes. Nous ne tenons pas toujours compte des multiples échecs qui nous permettent de perfectionner les systèmes par la suite. Sous-estimer les limites de l'IA peut nous rendre victimes du biais de survie. Cela conduit à utiliser l'IA d'une manière qui fausse notre prise de décision ou notre recherche.

Le biais de survie est un biais cognitif répandu, qui peut être attribué à une incompréhension fondamentale de la relation de cause à effet, en particulier en ce qui concerne le concept de corrélation ^par rapport à celui de causalité.6 Bien que la corrélation et la causalité puissent exister à l'unisson, la corrélation n'implique pas la causalité.7

Le simple fait d'observer une tendance à partir d'un ensemble de données, comme dans l'exemple susmentionné des entrepreneurs qui réussissent et qui abandonnent leurs études, ne signifie pas que tous les entrepreneurs qui réussissent abandonnent leurs études ou que tous ceux qui abandonnent leurs études réussiront. La causalité se réfère aux cas où l'action A provoque le résultat B, tandis que la corrélation est simplement une relation. La coïncidence selon laquelle de nombreux entrepreneurs ont abandonné leurs études universitaires est une corrélation, car l'abandon des études n'est pas nécessairement à l'origine de leur réussite. Le biais d^e survie, cependant, pousse les individus à croire que la corrélation est un lien de cause à effet.7

Il est essentiel d'être conscient du biais de survie et de comprendre comment il peut influencer le jugement et la prise de décision pour s'assurer que l'on pratique la pensée critique et que l'on prend les meilleures décisions possibles pour soi-même. Les préjugés liés à la survie peuvent avoir un impact sur les individus dans plusieurs domaines ; ainsi, une prise de conscience peut permettre de prendre de meilleures décisions concernant les produits, les investissements financiers ou les conclusions scientifiques. Développer des préjugés est une caractéristique humaine inévitable, mais prendre le temps de les remettre en question est nécessaire pour s'assurer que nous prenons la meilleure décision possible.

Une fois qu'ils sont conscients du biais de survie, les individus peuvent s'entraîner à l'éviter de plusieurs manières.

Demandez-vous ce que vous ne voyez pas

Lorsque vous prenez une décision, commencez par examiner ce qui manque. Quelles sont les données qui n'ont pas "survécu" à un événement ou à un ensemble de données que vous utilisez ? En posant des questions et en prenant le temps de rechercher ces points de données manquants, vous pouvez développer une meilleure compréhension avant le moment de la prise de décision. Le fait d'être pleinement informé et de prendre le temps de s'arrêter^, de réfléchir et de faire des recherches vous aidera à prendre en compte le biais de survie dans votre prise de décision.6

Vet your data sources

Une autre méthode pour prévenir le biais de survie, en particulier dans votre travail et votre recherche, consiste à être sélectif dans les sources de données utilisées. En s'assurant que les sources de données sont conçues pour favoriser l'exactitude et n'omettent pas d'observations critiques susceptibles de modifier les résultats de l'analyse ou la prise de décision, les individus peuvent réduire le risque de biais de survie.1

Le terme "biais de survie" a été inventé pour la première fois par Abraham Wald, un célèbre statisticien connu pour avoir étudié les avions de la Seconde Guerre mondiale. Lorsque le groupe de recherche de Wald a tenté de déterminer comment mieux protéger les avions de guerre, sa première approche a été d'évaluer les parties de l'avion les plus endommagées. Une fois les zones les plus endommagées identifiées, ils renforçaient l'avion en offrant une meilleure protection à ces endroits. Cependant, Abraham Wald a remarqué que les avions les plus endommagés étaient ceux qui n'étaient pas revenus de la bataille. Ces mêmes avions fournissaient également les informations les plus pertinentes concernant les parties de l^'avion qui devaient être renforcées.8

Si ce groupe de recherche n'avait pas été en mesure d'identifier ce fait critique, les renforts d'avions qu'il aurait suggérés auraient entièrement ignoré un sous-ensemble d'avions qui possédaient sans doute les données les plus précieuses concernant le projet. Les résultats de l'étude illustrent la manière dont Abraham Wald et son groupe de recherche à Columbia ont surmonté le biais de survi^e, sauvant ainsi des centaines de vies.8

Le biais de survie a également un impact sur les systèmes financiers. Les performances des fonds communs de placement en sont un exemple typique. Plus précisément, le biais du survivant décrit la tendance des entreprises ou des fonds communs de placement à être exclus des études d'analyse des performances. Les résultats de ces études évaluant les marchés financiers sont alors biaisés dans un sens plus positif, car seules les entreprises qui on^t réussi et "survécu" ont été incluses dans l'étude.9

Le biais de survie peut être examiné plus spécifiquement dans le cas des fonds communs de placement. Un fonds commun de placement est un instrument financier qui met en commun l'argent collecté auprès des investisseurs et qui est géré par un gestionnaire professionnel. Le gestioⁿⁿaire investit ensuite dans des actions, des obligations et d'autres actifs10. Les fonds qui ont été ouverts précédemment et qui ont perdu de l'argent ont été soit fermés, soit fusionnés avec d'autres fonds, ce qui masque les mauvaises performances passées.

Le biais de survie se produit lorsque les analystes calculent les résultats de performance de groupes d'investissements, tels que les fonds communs de placement, en utilisant uniquement les données survivantes à la fin de la période, et excluent les fonds ou les sociétés qui n'existent plus à la fin de l'étude. Par exemple, dans un univers financier où il existe 1 000 fonds, imaginons que 10 % de ces fonds cessent d'exister à la fin de l'année en raison de mauvaises performances. Si un analyste procède à une analyse des performances de ces fonds mais ne commence l'étude qu'à la fin de l'année, il sera victime d'un biais de survie et omettra les fonds qui ont échoué dans ses résultats finaux. En n'incluant pas les fonds qui ont échoué, les donⁿées de performance indiqueraient un résultat final plus favorable pour l'univers théorique des fonds.9

En 1996, les chercheurs Elton, Gruber et Blake ont analysé la relation entre la taille des fonds et le biais de survie. Ils ont constaté que le biais de survie était plus important dans le secteur des petits fonds que dans celui des fonds communs de placement plus importants. Les fonds de petite taille ont une probabilité plus élevée de disparaître que les fonds plus importants et mieux ét^ablis, c'est pourquoi ils ont estimé que cela était vrai pour le secteur des fonds de petite taille.12 Les chercheurs ont estimé l'ampleur du biais de survie dans le secteur des fonds communs de placement aux États-Unis à 0,9 % par an. En outre, ils ont défini et mesuré le biais de survie comme suit :

"Le biais est défini comme la moyenne α pour les fonds survivants moins la moyenne α pour tous les fonds" (où α est le rendement ajusté au risque du S&P 500). Il s'agit de la mesure standard de la ^surperformance des fonds communs de placement).12

Un autre exemple de biais de survie peut être observé dans le domaine de la médecine et de la recherche médicale. En 2010, la Harvard Medical School et le Beth Israel Deaconess Medical Center (BIDMC) ont mené une étude dans l'espoir d'améliorer la survie des patients à la suite d'un traumatisme. Les saignements irréguliers constituent une préoccupation majeure dans le traitement des traumatismes. Si l^e sang du patient ne coagule pas correctement, le risque d'hémorragie mortelle est élevé.13

L'étude de Harvard a cherché à déterminer si le fait de donner aux patients traumatisés des protéines supplémentaires, naturellement présentes dans notre corps, favoriserait la coagulation du sang et améliorerait les taux de survie. L'étude ciblait les patients qui avaient reçu 4 à 8 transfusions sanguines dans les 12 heures suivant leur blessure initiale. L'étude espérait recrute^r 1502 patients, mais n'en a recruté que 573, et a donc été abandonnée par la suite.13

L'échec de cette étude est dû à un biais de survie, car l'essai n'incluait que des patients qui avaient survécu à leur blessure initiale et qui avaient ensuite reçu des soins aux urgences avant d'être transférés aux soins intensifs pour 4 à 8 transfusions sanguines. Les patients décédés des suites de leur blessure initiale n'ont pas été inclus dans l'étude, ce qui a ^rendu difficile la recherche de patients appropriés pour l'essai.13

Qu'est-ce que c'est ?

Le biais de survie est un type de biais de sélection de l'échantillon qui se produit lorsqu'un individu confond un sous-groupe visible et performant avec l'ensemble du groupe. En d'autres termes, le biais de survie se produit lorsqu'une personne ne prend en compte que l'observation survivante sans tenir compte des points de données qui n'ont pas "survécu" à l'événement.

Pourquoi le biais de survie se produit-il ?

Le biais de survie est présent dans de nombreuses disciplines, professions et domaines de recherche. Ce biais peut être attribué à une incompréhension fondamentale de la relation de cause à effet et à une perception biaisée de la corrélation par rapport à la causalité.

Exemple 1 - Systèmes financiers

Le biais de survie se produit dans nos systèmes financiers, lorsque les individus calculent les résultats de performance de groupes d'investissements, tels que les fonds communs de placement, en utilisant uniquement les données survivantes à la fin de la période, en excluant les fonds ou les sociétés qui n'existent plus. En général, les fonds communs de placement disparaissent en raison de leurs mauvaises performances, et le fait de les omettre dans les études fausse généralement les données en les rendant trop positives.

Exemple 2 - Recherche médicale

Le biais de survie peut également être observé dans son impact sur la recherche médicale. La Harvard Medical School et le Beth Israel Deaconess Medical Center (BIDMC) ont tenté de mener une étude sur les patients souffrant de traumatismes et d'améliorer leurs chances de survie à la suite de différents types de procédures médicales. En raison des paramètres spécifiques de l'étude et des taux de survie biaisés, l'essai n'a pu compter que 573 patients, sur les 1502 participants initiaux. L'échec de cette étude est dû à un biais de survie, car l'essai n'a inclus que des patients qui avaient survécu à leur blessure initiale et qui avaient ensuite reçu des soins dans le département de l'énergie avant de recevoir 4 à 8 transfusions sanguines.

Comment l'éviter ?

Une fois que les personnes ont pris connaissance du biais de survie, elles peuvent l'éviter en examinant les points de données manquants dans un ensemble de données et en utilisant des sources de données exactes qui n'omettent pas d'observations clés.

Comment les préjugés peuvent influencer la prise de décision des entrepreneurs

Cet article explore les défis auxquels sont confrontées les entreprises en phase de démarrage lorsqu'elles s'aventurent en terrain inconnu. Lorsque le moment est venu d'envisager un changement de stratégie, des biais cognitifs peuvent s'immiscer pour favoriser une prise de décision rapide et efficace. Cependant, la rapidité n'est pas toujours synonyme de meilleurs choix. Parfois, le fait de ne pas envisager d'autres solutions et de "suivre son instinct" peut entraîner de graves erreurs.

Théorie du grand homme

La théorie du grand homme affirme que les leaders naissent et ne se fabriquent pas. Cela signifie qu'il existe une qualité innée et intrinsèque qui rend certaines personnes si influentes. Cette théorie affirme également qu'en raison de sa nature inhérente, les leaders méritent d'occuper cette position. Cet article explore les affirmations et les controverses, ainsi que la manière dont cette théorie est liée au biais de survie.