Die robuste Schönheit von unzulässigen linearen Modellen bei Entscheidungsfindungen.

ZUSAMMENFASSUNG: Richtige lineare Modelle sind solche, bei denen den Prädiktorvariablen Gewichte in einer Weise zugewiesen werden, dass die resultierende lineare Kombination ein Kriterium von Interesse optimal vorhersagt; Beispiele für richtige lineare Modelle sind die Standardregressionsanalyse, Diskriminanzfunktionsanalyse und Ridge-Regression. Forschung, zusammengefasst in Paul Meehls Buch über klinische versus statistische Vorhersage – und eine Vielzahl von Forschungen, die teilweise durch dieses Buch angeregt wurden – zeigt alle, dass wenn eine numerische Kriteriumsvariable (z. B. Abschlussnoten) anhand numerischer Prädiktorvariablen vorhergesagt werden soll, richtige lineare Modelle die klinische Intuition übertreffen. Unzulässige lineare Modelle sind solche, bei denen die Gewichte der Prädiktorvariablen durch nicht optimale Methoden bestimmt werden; sie können z. B. auf Intuition basieren, aus der Simulation von Vorhersagen klinischer Gutachter abgeleitet sein oder gleichgesetzt werden. Dieser Artikel liefert Belege dafür, dass selbst solche unzulässigen linearen Modelle der klinischen Intuition überlegen sind, wenn eine numerische Kriteriumsvariable aus numerischen Prädiktoren vorhergesagt wird. Tatsächlich ist die Einheitsgewichtung (also gleiche Gewichtung) bei solchen Vorhersagen recht robust. Der Artikel erörtert ausführlich die Anwendung von Einheitsgewichten bei der Entscheidung, welche Kugel die Polizei von Denver verwenden soll. Abschließend werden häufig vorgebrachte technische, psychologische und ethische Widerstände gegen die Verwendung linearer Modelle für wichtige gesellschaftliche Entscheidungen diskutiert und Argumente vorgestellt, die diese Widerstände reduzieren könnten.