Apa itu overconfidence?
Overconfidence adalah kecenderungan sistematis untuk melebih-lebihkan seberapa akurat penilaian, prediksi, atau kemampuan Anda. Dalam konteks pengambilan keputusan, ini sering muncul sebagai keyakinan yang terlalu tinggi terhadap hasil (misalnya, meyakini bahwa hasil masa depan itu “kemungkinan besar” padahal base rate dan ketidakpastian tidak terlalu menguntungkan).
Poin pentingnya adalah overconfidence tidak sama dengan menjadi “terlalu optimis.” Ini secara spesifik adalah ketidaksesuaian antara seberapa yakin Anda merasa (atau bagaimana Anda menetapkan probabilitas) dan bagaimana hasilnya benar-benar terjadi.
Bagaimana contoh terbukti (worked example) dari overconfidence bekerja?
Contoh terbukti harus memisahkan dua bagian:
- Mekanisme yang stabil: matematika probabilitas, expected value, dan bagaimana keyakinan diterjemahkan menjadi decision thresholds.
- Kondisi yang bervariasi: volatilitas pasar, kualitas eksekusi, biaya, dan faktor dunia nyata lainnya yang mengubah hasil.
Karena prompt meminta contoh yang transparan, tujuannya adalah membuat setiap asumsi menjadi eksplisit, lalu menunjukkan bagaimana kesalahan kecil dalam estimasi probabilitas dapat mengubah keputusan secara material.
Bukti atau contoh: skenario numerik yang transparan
Anggap Anda sedang mempertimbangkan keputusan dengan dua kemungkinan (Outcome A atau Outcome B) dengan probabilitas yang tidak pasti. Anda harus memilih apakah akan “mengambil taruhan” (Proceed) atau tidak (Avoid).
Asumsi (dinyatakan sejak awal)
- Anda memilih target outcome: Outcome A terjadi dengan probabilitas benar (p).
- Anda memperkirakan (\hat{p}) berdasarkan keyakinan Anda.
- Jika Anda proceed dan A terjadi, Anda mendapatkan +10 unit.
- Jika Anda proceed dan B terjadi, Anda kehilangan -10 unit.
- Menghindari (Avoiding) memberi payoff 0.
- Tidak ada biaya lain dalam model mainan ini (ini adalah keterbatasan).
Mekanisme yang stabil: expected value
Jika Anda proceed, expected payoff berdasarkan estimasi Anda (\hat{p}) adalah: [ EV_{\text{your estimate}} = \hat{p}(+10) + (1-\hat{p})(-10) = 20\hat{p} - 10. ] Anda akan memilih untuk proceed jika (EV_{\text{your estimate}} > 0), yang berarti: [ 20\hat{p} - 10 > 0 \Rightarrow \hat{p} > 0.5. ]
Dua dunia probabilitas (di mana overconfidence berperan)
- Probabilitas yang benar (realitas): (p = 0.45). Outcome A sebenarnya lebih kecil kemungkinannya dibanding “coin-flip plus sedikit.”
- Estimasi Anda yang overconfident: (\hat{p} = 0.65). Anda percaya penilaian Anda sangat menguntungkan.
Keputusan yang Anda buat (berdasarkan (\hat{p})): [ EV_{\text{your estimate}} = 20(0.65) - 10 = 3. ] Jadi Anda proceed.
Namun expected value yang terealisasi (berdasarkan probabilitas benar (p)) adalah: [ EV_{\text{true}} = 20(0.45) - 10 = -1. ] Jadi, secara ekspektasi, proceed itu merugikan.
Ini adalah contoh terbukti dari overconfidence: Anda menggunakan probabilitas yang terlalu tinggi, sehingga aturan keputusan Anda berubah dari “avoid” menjadi “proceed.”
Keterbatasan dan risiko (mode kegagalan yang material)
-
Ketidakpastian diabaikan atau diremehkan: Overconfidence sering kali menyempitkan rentang luas kemungkinan hasil menjadi keyakinan yang sempit tentang “seberapa besar kemungkinan itu terjadi.” Dalam istilah probabilitas, Anda mengganti (\hat{p}) untuk (p) tanpa dasar.
-
Biaya dan efek eksekusi dikecualikan: Keputusan nyata biasanya mencakup spread, biaya, slippage, dan perbedaan timing. Hal-hal itu mengubah angka payoff (dalam contoh mainan, ±10) dan dapat mengubah logika yang tadinya sedikit menguntungkan menjadi tidak menguntungkan.
-
Kondisi berubah: Bahkan jika Anda akurat di masa lalu, “base rate” (p) bisa bergeser. Hubungan historis tidak menjamin probabilitas masa depan.
-
Kegagalan verifikasi: Seseorang yang overconfident mungkin tidak menguji kalibrasi (misalnya, apakah kejadian yang Anda tetapkan 65% benar-benar terjadi sekitar 65% dari waktu).
Verifikasi dan apa yang harus dilakukan selanjutnya (tanpa menjanjikan hasil)
Untuk memverifikasi secara independen logika dari contoh terbukti, pembaca dapat:
- Menghitung ulang rumus expected value (EV = 20p - 10) dari payoff yang dinyatakan.
- Memeriksa decision threshold: proceed mensyaratkan (p > 0.5) di bawah asumsi-asumsi ini.
- Melakukan stress-test asumsi dengan mengubah (p), (\hat{p}), atau besaran payoff, lalu mengamati kapan keputusan berbalik.
Pertanyaan lanjutan yang berguna adalah: “Bukti apa yang akan memperbarui (\hat{p}) agar mendekati estimasi terkalibrasi dari (p)?” Ini berfokus pada pengukuran, bukan prediksi.
Jika Anda mau, Anda bisa menerapkan kerangka yang sama pada model mainan yang berbeda (misalnya, payoff yang asimetris atau menambahkan biaya tetap) sambil tetap membuat setiap asumsi menjadi eksplisit.
DOCUMENT END