Modeller för psykologiska data, som riskuppfattning, är ofta svaga eller t o m mycket svaga. Det beror troligen till stor del på att forskarna har varit nöjda med "signifikanta" samband, kanske också på att man inte har förstått hur man ska kunna formulera mera kraftfulla modeller, eller att man inte har insett vikten av sådana modeller. Vad det gäller det sistnämnda kan jag hänvisa till Pedhazurs (1982) klargörande diskussion. Om det saknas en eller flera viktiga förklarande faktorer i en modell finns risken att de regressionsvikter som skattas med hjälp av modellen är missvisande (bias).
I exemplet riskperception har jag funnit i ett flertal undersökningar att "riskkänslighet" är en mycket viktig förklarande faktor. Med denna term syftar jag på den nivå i riskbedömningar som en person ligger på; den nivån varierar starkt mellan personer. Se exempel i referenslistan nedan. Tar man med denna faktor i sina modeller hamnar förklaringens styrka på ca 60-70 %, vilket är långt utöver vad man har i vanliga beteendevetenskapliga analyser: 2-3 gånger mera. Faktorn kostar oftast inget att mäta, data finns i det typiska fallet redan insamlade.
"Det är en ointressant och banal faktor" kan man kanske säga. Kanske det. Forskarnas uppmärksamhet ligger naturligtvis på andra faktorer, inte på systematiska olikheter mellan individer i användningen av bedömningsskalorna. Men poängen är att det är en kraftfull och psykologiskt rimlig förklaringsfaktor vars användning gör att övriga faktorers vikter kan uppskattas på ett mera tillförlitligt sätt.
Det finns oerhört omfattande psykologisk forskning som fastnat i mycket svaga förklaringsmodeller, t ex självförtroende som bara är svagt relaterat till beteende. Stora datamängder har garanterat statistisk signifikans, men detta är bara ett "glaspärlespel" för gallerierna. Sökande efter kraftfulla modeller kan leda till stor framgång om man är medveten om vikten av "banala" faktorer och tar med dem i modellerna. På så sätt når man bättre förståelse av beteendet och en mera giltig bild av betydelsen också av de "icke-banala" faktorernas inverkan på det man vill förklara.
Referenser
Pedhazur, E. J. (1982). Multiple regression in behavioral research. Explanation and prediction. New York: Holt, Rinehart and Winston.
Sjöberg, L. (2004). Explaining individual risk perception: the case of nuclear waste. Risk Management: An International Journal, 6(1), 51-64. Klicka här.
fredag 16 juli 2010
Vikten av banala förklaringar
Prenumerera på:
Kommentarer till inlägget (Atom)
Inlägg
2 kommentarer:
Lennart,
jag läser ditt inlägg med stort intresse.
"Tar man med denna faktor i sina modeller hamnar förklaringens styrka på ca 60-70 %, vilket är långt utöver vad man har i vanliga beteendevetenskapliga analyser: 2-3 gånger mera. Faktorn kostar oftast inget att mäta, data finns i det typiska fallet redan insamlade.
"Det är en ointressant och banal faktor" kan man kanske säga. Kanske det. Forskarnas uppmärksamhet ligger naturligtvis på andra faktorer, inte på systematiska olikheter mellan individer i användningen av bedömningsskalorna."
Jag har i mina fältstudier i Ryssland gjort systematiska datainhämtningar från 246 chefer om deras riskbeteenden. Men jag har inte explicit frågat om deras riskkänslighet. Denna finns s a s implicit i handelskreditgivningen och kundriskbedömningen.
Det är klart att jag hade kunnat ta med en fråga i still med "Hur benägen är du att att ta risker?" Är det detta du syftar på med "riskkänslighet" en sorts riskaversion?
I stort håller jag med ditt resonemang. Det är är inte så vanligt att forskare mäter riskkänsligheten hos individer i ekonomisk forskning. Det mesta verkar handla om riskkänslighet i finansiella placeringar mm.
Vidare är de nivåer du nämner 60-70 procent mkt höga. Jag har r2 på sin höjd .25 med .001 signifikansnivå.
Det är väl frågan om vilka psykologiska faktorer som samverkar med riskbenägenhet. Här ställer jag mig frågande om forskningen har hittat några egenskaper. Frågan över till dig.
Hej
riskbenägenhet (att ta risker) har jag faktiskt inte arbetat med. Min forskning har handlat om riskperception, hur stora man bedömer att riskerna är. Sambandet med riskbenägenhet är en fråga som kräver en egen utredning.
Jag tror emellertid att man kan analysera riskbenägenhet på ett sätt som motsvarar min analys av riskperception , alltså att hitta ett enkelt sätt att mäta en generell tendens att ta risker. En sådan variabel borde kunna hjälpa dig att få en bättre förklaringsnivå än den som du redan har och som är i och för sig respektabel men så låg att det finns risker för att få en felaktig uppfattning om effekten av dina förklarande variabler.
Andra psykologiska variabler kan man givetvis också ha med i en modell - t ex personlighetsdimensioner - men det är mindre troligt att de ger kraftig förbättring i förklaringsnivån.
Hoppas jag har uttryckt mig någorlunda begripligt! Skriv gärna direkt till mig.
Skicka en kommentar