Heuristique de représentativité : définition, expériences et exemples

Qu’est-ce que l’heuristique de représentativité ?

L’heuristique de représentativité est un raccourci du jugement qui consiste à évaluer la probabilité qu’un objet, une personne ou un événement relève d’une catégorie d’après son degré de ressemblance avec le stéréotype de cette catégorie, sans tenir compte des proportions réelles ni de la taille des échantillons.

À la question « quelle est la probabilité que A appartienne à B ? », l’esprit répond à une autre : « à quel point A ressemble-t-il à B ? ». La ressemblance est un indice, parfois excellent. Mais elle ignore tout ce qui fait une probabilité : combien de B existent, d’où vient l’information, combien de fois on a observé. Tversky et Kahneman l’illustraient en 1974 par un certain Steve, décrit comme très timide, serviable et méticuleux. On le croit bibliothécaire. On oublie qu’il y a beaucoup plus d’agriculteurs que de bibliothécaires.

L’heuristique de représentativité en résumé

C’est la plus féconde des heuristiques décrites par Kahneman et Tversky : elle engendre à elle seule plusieurs erreurs qui ont chacune leur fiche dans ce guide, de l’oubli des proportions à la confiance excessive dans les petits échantillons. Sur les marchés, elle se reconnaît à un raisonnement par l’image : ce qui a l’air d’une valeur de qualité, ou d’une tendance, est traité comme tel.

• Famille : les raccourcis du jugement
• Mis en évidence par : Daniel Kahneman et Amos Tversky
• Date : 1972 (« Subjective probability : A judgment of representativeness », Cognitive Psychology, vol. 3)
• Expérience de référence : les familles de six enfants (1972), puis le problème de Linda (1983)
• Proche de : la négligence du taux de base, la loi des petits nombres, l’erreur du joueur
• Sur les marchés : extrapolation des performances passées, confusion entre qualité d’une entreprise et rendement futur de son action

Quelles expériences ont révélé l’heuristique de représentativité ?

L’article de 1972 (Cognitive Psychology, vol. 3, p. 430-454) part d’une question d’apparence anodine. Dans une ville, on a recensé toutes les familles de six enfants : 72 d’entre elles ont eu, dans l’ordre, fille, garçon, fille, garçon, garçon, fille. Combien estimez-vous de familles où l’ordre exact a été garçon, fille, garçon, garçon, garçon, garçon ? Les deux suites sont exactement aussi probables. Pourtant 75 participants sur 92 jugent la seconde moins fréquente : cinq garçons sur six ne « ressemblent » pas à une naissance au hasard, et la première suite, bien mélangée, a l’air du hasard.

Le même article contient le problème des deux maternités, repris dans Science en 1974. Dans la grande, il naît environ 45 bébés par jour ; dans la petite, environ 15. Pendant un an, chacune note les jours où plus de 60 % des naissances ont été des garçons. Laquelle en comptera le plus ? Sur 95 étudiants, 21 répondent la grande, 21 la petite et 53 à peu près autant. La bonne réponse est la petite : un petit échantillon s’écarte plus souvent de la moyenne. Mais « 60 % de garçons » ressemble autant à une maternité qu’à l’autre.

La démonstration la plus célèbre date de 1983 (Psychological Review, vol. 90, p. 293-315). Linda a 31 ans, elle est célibataire, franche, très brillante, diplômée de philosophie ; étudiante, elle se préoccupait de discrimination et de justice sociale et participait à des manifestations antinucléaires. Est-il plus probable qu’elle soit employée de banque, ou employée de banque et militante féministe ? La seconde proposition est incluse dans la première ; elle ne peut pas être plus probable. Pourtant, invités à classer huit affirmations par probabilité, 89 % de 88 étudiants placent la seconde au-dessus de la première, et encore 85 % de 32 doctorants en sciences de la décision de la Stanford Business School. Réduite à ces deux seules affirmations, la question piège encore 85 % de 142 étudiants. Tversky et Kahneman ont appelé cette faute l’erreur de conjonction.

Comment fonctionne l’heuristique de représentativité ?

La ressemblance se calcule sans effort ; la probabilité, non. L’esprit compare donc un portrait à un prototype et transforme le degré de ressemblance en degré de croyance. Le procédé produit trois familles d’erreurs. La première est l’oubli des proportions, développé dans la fiche sur la négligence du taux de base. La deuxième est l’insensibilité à la taille de l’échantillon : on attend d’une petite série qu’elle ressemble à la population entière, ce que traite la fiche sur la loi des petits nombres, et dont l’erreur du joueur est le cas le plus connu. La troisième est l’erreur de conjonction : un détail plausible ajouté à un scénario le rend plus vraisemblable aux yeux du lecteur, alors qu’il le rend arithmétiquement moins probable.

Elle a une conséquence directe sur la prévision. Kahneman et Tversky ont montré qu’on prédit volontiers un résultat aussi extrême que l’impression produite : un portrait brillant appelle une prévision brillante, même quand le lien entre les deux est faible. Le travail statistique consisterait à ramener la prévision vers la moyenne, à proportion de l’incertitude. On le fait rarement.

L’effet s’amplifie avec la richesse du récit (chaque détail cohérent ajoute à la ressemblance, d’où le lien avec l’erreur de narration), avec la pression du temps, et quand la catégorie a un stéréotype fort. Il recule quand la question est posée en fréquences (« sur 100 personnes comme Linda, combien… ») plutôt qu’en probabilités, et quand la structure d’inclusion est rendue visible.

Quels exemples de l’heuristique de représentativité en Bourse ?

En 1985, Werner De Bondt et Richard Thaler publient dans le Journal of Finance (vol. 40, p. 793-805) un article au titre de question : le marché boursier surréagit-il ? Leur hypothèse vient directement de Kahneman et Tversky : si les investisseurs prédisent à partir de l’image récente d’une entreprise, ils doivent surestimer les gagnants et condamner trop vite les perdants. Ils forment, à partir des rendements mensuels des actions de la Bourse de New York (base CRSP), des portefeuilles des 35 titres les plus perdants et des 35 plus gagnants sur trois ans, seize fois, de décembre 1932 à décembre 1977, puis suivent leur parcours pendant les trois années suivantes. Les perdants battent ensuite le marché de 19,6 % en moyenne sur 36 mois ; les gagnants font environ 5 % de moins que lui. L’écart atteint 24,6 %, et l’essentiel des gains des perdants se concentre sur les mois de janvier.

Un second cas touche l’épargne salariale. Shlomo Benartzi a étudié la part des versements que les salariés américains affectent à l’action de leur propre employeur dans leur plan d’épargne retraite (Journal of Finance, 2001, vol. 56, p. 1747-1764). Quand l’entreprise a connu les pires performances boursières des dix années précédentes, les salariés y placent 10,37 % de leurs versements libres ; quand elle a connu les meilleures, 39,70 %. Or ces choix ne prédisent pas la performance future. Dix belles années ont l’air d’une entreprise d’avenir ; elles ne sont qu’un passé.

La finance comportementale résume ce glissement d’une formule devenue classique : on confond une bonne entreprise et une bonne action. La première se juge à ses produits, à ses marges, à sa réputation. La seconde dépend du prix payé, qui intègre déjà tout cela. La fiche sur l’heuristique d’affect montre, chiffres à l’appui, ce que coûte cette confusion aux entreprises les plus admirées.

Comment reconnaître l’heuristique de représentativité dans ses décisions ?

Le signe distinctif est un raisonnement qui passe par « ça ressemble à » sans jamais passer par « combien de fois ».

• Vous achetez une configuration graphique parce qu’elle « ressemble » à celle qui a précédé une forte hausse, sans savoir combien de fois elle a échoué.
• Vous jugez une société sur sa marque, son dirigeant ou son produit, et vous en concluez que l’action est une bonne affaire.
• Trois années de forte hausse vous suffisent pour classer une valeur parmi les « valeurs de croissance ».
• Plus votre scénario est détaillé, plus vous le trouvez probable.
• Vous rapprochez la situation présente d’un précédent historique célèbre parce que le récit concorde, sans vérifier les chiffres.

Comment éviter l’heuristique de représentativité ?

La parade la plus éprouvée est de reformuler en fréquences : « sur cent configurations de ce type, combien ont donné le mouvement attendu ? ». La question oblige à chercher la classe de référence, c’est-à-dire l’ensemble des cas comparables, et son taux de réussite. Quand il n’existe pas de chiffre, l’absence de chiffre est en elle-même une information.

Pour les prévisions, une règle écrite à l’avance aide à corriger l’excès : partir de la moyenne de la catégorie, puis s’en écarter seulement à proportion de la fiabilité de l’indice. Pour un scénario, chaque détail ajouté doit être affecté d’une probabilité, et les probabilités se multiplient : un scénario en cinq étapes vraisemblables chacune à 80 % n’a qu’environ une chance sur trois de se réaliser en entier. Séparer, dans une fiche d’analyse, la qualité de l’entreprise et le prix de l’action évite la confusion entre les deux. Ce qui ne marche pas : se fier à sa formation pour s’en garder. Les doctorants de Stanford ont fait presque aussi mal que les étudiants.

Quelles sont les limites de l’heuristique de représentativité ?

Gerd Gigerenzer et Ralph Hertwig ont contesté l’interprétation du problème de Linda (Journal of Behavioral Decision Making, 1999). Selon eux, les participants comprennent « probable » au sens de « plausible » ou « conforme à la description », et la conversation les invite à penser que l’énoncé « employée de banque » sous-entend « et pas féministe ». Posée en fréquences, la question fait chuter nettement le taux d’erreur. Des économistes ont aussi montré que de modestes incitations financières, et plus encore la possibilité d’en discuter à deux ou à trois, réduisent sensiblement l’erreur (Charness, Karni et Levin, 2010). Tversky et Kahneman l’avaient eux-mêmes observé en 1983 sur un autre problème, où l’erreur passait de 65 % à 25 % quand on demandait « combien sur 100 participants » ; le débat porte sur ce qu’il faut en conclure.

Pour le cas de marché, l’objection est financière. Eugene Fama et Kenneth French ont montré en 1996 que le retournement des perdants et des gagnants à long terme est largement absorbé par leur modèle à trois facteurs, ce qui permet d’y voir une prime de risque plutôt qu’une erreur des investisseurs : une entreprise dont l’action s’est effondrée est souvent plus fragile, donc plus risquée. Les tenants de l’explication comportementale, de Lakonishok, Shleifer et Vishny (1994) à Thaler, répondent que ce surcroît de risque reste difficile à mettre en évidence. La question n’est pas tranchée, et c’est l’un des grands débats sur l’efficience des marchés.

Enfin, le mot lui-même a été jugé trop souple : une heuristique qui explique à la fois que l’on croie à la continuation des tendances et à leur retournement (l’erreur du joueur) explique peut-être un peu trop. Les théoriciens ont depuis proposé des modèles plus précis, mais l’intuition de départ résiste : posé dans sa forme d’origine, le problème de Linda continue de produire des taux d’erreur élevés.

Questions fréquentes sur l’heuristique de représentativité

Pour aller plus loin

• La diversification, que l’achat massif de l’action de son employeur contredit
• Sur le forum : une discussion sur la finance comportementale et les phases d’un cycle boursier, où l’euphorie fait prendre la hausse pour une propriété des actifs