Per un ricercatore accademico formatosi prima come filosofo, poi come psicologo, Robin Dawes era un collega pratico. Racconterà una storia di quando lavorava in un reparto psichiatrico alla fine degli anni ’50. “C’era una cliente che aveva questa illusione, e l’illusione era che le stesse crescendo il seno.” L’uomo fu tenuto in un reparto sicuro mentre gli psichiatri riflettevano sulla causa di questa sorprendente delusione; Sospettavano che si trattasse probabilmente dell’effetto traumatico della recente e tragica morte di un genitore.
Dopo sei settimane, qualcuno chiese all’uomo di togliersi la maglietta. Aveva una condizione genetica, non un’illusione. “Era proprio vero: le stava crescendo il seno.”
Era una lezione da imparare: anche gli esperti – no, soprattutto gli esperti – possono lasciarsi trasportare da idee generali che ignorano metodi semplici e diretti. Non sorprende, quindi, che Dawes sia rimasto affascinato dalla ricerca di Ted Serbin e Paul Mihl, psicologi che hanno studiato il potere sorprendente delle semplici previsioni statistiche in aree come la diagnosi clinica o il rendimento accademico.
Serbin, ad esempio, ha utilizzato una regressione lineare, ovvero la regola statistica più semplice immaginabile, per prevedere i voti universitari (GPA) degli studenti universitari in base al grado della loro classe di scuola superiore e ai punteggi agli esami di ammissione. Questo metodo era più accurato e andava oltre le opinioni degli psicologi clinici armati degli stessi dati. Mehl ha trovato molti altri esempi in cui semplici regole statistiche superano le diagnosi o le previsioni degli esperti.
Ma quanto possono essere semplici queste regole? Una regressione lineare standard prevede un output basato su una combinazione di diversi input. Ad esempio, la probabilità di recidiva di un delinquente può essere basata sull’età, sul sesso, sul numero di condanne precedenti e sulla gravità delle condanne precedenti. Il peso ricevuto da ciascun fattore è determinato da una formula matematica che si adatta maggiormente ai dati storici.
Invece, Dawes suggerì quella che chiamò regressione lineare “impropria”, in cui i pesi non erano ottimizzati, ma scelti arbitrariamente, forse equamente ponderati, o addirittura scelti casualmente.
Per scegliere un esempio adatto al Financial Times, pensa a scegliere un portafoglio di investimenti ottimale. L’output è il rendimento del portafoglio; Con una corretta allocazione tra diversi asset, possiamo massimizzare il rendimento previsto per qualsiasi livello di rischio. Harry Markowitz, che ha condiviso il Premio Nobel al Memoriale nel 1990, ha mostrato negli anni ’50 come scegliere i pesi in un portafoglio così perfetto. Non preoccuparti della scuola di pensiero di Robin Dawes. Seguite invece una regola come “investite i vostri soldi equamente solo nelle 50 più grandi società pubbliche” – o addirittura “metà in azioni, metà in obbligazioni”.
Non è possibile che funzioni, vero? Ebbene, il primo compito che Markowitz ha intrapreso dopo aver pubblicato la sua teoria è stato quello di capire come allocare i suoi contributi pensionistici. Ha investito metà in azioni e metà in obbligazioni. È un peso inappropriato per te. Ma non è chiaro se Markowitz avesse torto, anche se si stava contraddicendo: un articolo del 2009 di Victor DeMiguel, Lorenzo Garlappi e Raman Uppal ha scoperto che la semplice strategia di investire in modo uniforme su un gruppo di asset è sorprendentemente efficace.
Dopo una discussione in una conferenza accademica, un collega relatore ha sfidato Dawes: “Puoi … usare uno dei tuoi modelli lineari inappropriati per prevedere quanto bene io e mia moglie andiamo d’accordo?”
Dawes pensava di poterlo fare. Aveva colleghi che raccoglievano dati su sesso e relazioni, e propose le seguenti previsioni ponderate in modo inappropriato: le coppie erano più propense a descrivere la loro relazione come “felice” se facevano sesso più spesso di quanto litigassero, e “infelici” se la frequenza dei litigi superava la frequenza del sesso.
Due variabili, equamente ponderate: esiste sicuramente un modello più accurato? Eppure la teoria assurdamente semplice si adatta alle prove. Un collega aveva dati su 12 coppie infelici; Tutti loro litigavano più spesso di quanto facessero sesso. Su 30 coppie felici, 28 hanno fatto sesso più spesso di quanto sostenessero. Un successivo piccolo studio è giunto alla stessa conclusione.
(Un avvertimento importante: chiedere prima alle coppie la qualità della relazione e poi la quantità di sesso e litigi, altrimenti fare le cose in grande può provocare una crisi di autogratificazione. Una donna ha contato il sesso e i litigi e ha deciso che era ora di chiedere il divorzio.)
“La conclusione è che se amiamo più di quanto odiamo, siamo felici; se odiamo più di quanto amiamo, siamo infelici”, scrisse Dawes in un articolo del 1979, “The Powerful Beauty of Inappropriate Linear Models in Decision Making”, aggiungendo: “Questa conclusione non è molto profonda, psicologicamente, o questo modello è tipico di un modello molto pericoloso. Una variabile molto importante”.
Perché questo modello quasi ridicolmente semplice funziona? Una risposta è che quando i pesi sono arbitrari, c’è già una certa efficienza coinvolta nella scelta delle variabili da inserire nel mix. Dawes avrebbe potuto affermare che la felicità coniugale è una funzione delle precipitazioni mensili medie in Nigeria; Un altro modello semplice ma non molto buono.
Un’altra risposta è che i risultati apparentemente complessi spesso riflettono combinazioni di variabili abbastanza semplici. È quasi sempre un brutto segno se un criminale ha una serie di precedenti condanne, indipendentemente da cos’altro sia vero. E indipendentemente dallo psicodramma che circonda la relazione di una coppia, se fanno molto sesso, probabilmente è un buon segno.
Ma un terzo fattore è che il semplice set di dati cattura una fetta di ciò che sta realmente accadendo. La felicità coniugale è difficile da misurare con precisione. Il rischio è difficile da misurare con precisione. Anche misurare la frequenza del sesso può sembrare difficile: chi conta e cosa pensa di contare? Insieme a tutto questo rumore, tutto cambia.
Di conseguenza, la stima migliore ideale potrebbe rivelarsi troppo attendibile nel tempo e man mano che arrivano più dati. Un approccio più semplice e più grezzo potrebbe essere un po’ più potente. Victor DeMiguel e i suoi colleghi hanno scoperto che, affinché le migliori ipotesi imputate superino in modo affidabile la semplice regola della parità di quote per un portafoglio di 50 asset, gli analisti avrebbero bisogno di un set di dati lungo cinque secoli.
Non è così semplice – “impropria” – l’analisi è sempre la migliore, solo che è una linea di base sorprendentemente forte. Non è pignolo o troppo impegnativo. Può essere eseguito su un tovagliolo in un bar o scritto sul taccuino di un medico. Prima di srotolare un grande edificio analitico, a volte vale la pena chiedere di controllare sotto la maglietta.
Scritto e pubblicato per la prima volta per Tempi finanziari il 27 maggio 2026.
I lettori fedeli possono divertirsi come connettere il mondo.
“Nessuno rende le statistiche della vita quotidiana più interessanti e divertenti di Tim Harford.” -Bill Bryson
“Questo libro divertente e coinvolgente sul potere dei numeri, della logica e della genuina curiosità” – Maria Konikova
Ho aperto un negozio in libreria Stati Uniti d’America E Regno Unito. I collegamenti a Bookshop e Amazon possono generare commissioni di segnalazione.