Co to jest zaniedbanie wielkości próbki?
Zaniedbanie wielkości próby jest uprzedzeniem poznawczym znanym przez Amosa Tversky'ego i Daniela Kahnemana. Dzieje się tak, gdy użytkownicy informacji statystycznych wyciągają fałszywe wnioski, nie biorąc pod uwagę wielkości próbki danych.
Podstawową przyczyną zaniedbania wielkości próby jest to, że ludzie często nie rozumieją, że wysokie poziomy wariancji są bardziej prawdopodobne w małych próbkach. Dlatego bardzo ważne jest ustalenie, czy wielkość próby zastosowana do wygenerowania danej statystyki jest wystarczająco duża, aby umożliwić sensowne wnioski.
Wiedza, kiedy wielkość próby jest wystarczająco duża, może stanowić wyzwanie dla tych, którzy nie mają dobrego zrozumienia metod statystycznych.
Kluczowe dania na wynos
- Zaniedbanie wielkości próby to uprzedzenie poznawcze badane przez Amosa Tversky'ego i Daniela Kahnemana, polegające na wyciągnięciu fałszywych wniosków z informacji statystycznych, ponieważ nie wzięto pod uwagę skutków wielkości próby. Chcąc zmniejszyć ryzyko zaniedbania wielkości próby, należy pamiętać, że mniejsze wielkości próbek są powiązane z bardziej zmiennymi wynikami statystycznymi i odwrotnie.
Zrozumienie pominięcia wielkości próbki
Gdy próbka jest zbyt mała, nie można wyciągnąć dokładnych i wiarygodnych wniosków. W kontekście finansów może to wprowadzać inwestorów w błąd na różne sposoby.
Na przykład inwestor może zobaczyć nowy fundusz inwestycyjny, który może pochwalić się 15-procentowym zwrotem rocznym od momentu jego powstania. Inwestor może szybko stwierdzić, że fundusz ten jest przepustką do szybkiego generowania bogactwa. Wniosek ten może być jednak niebezpiecznie błędny, jeśli fundusz nie inwestuje od bardzo dawna. W takim przypadku wyniki mogą wynikać z krótkoterminowych anomalii i mają niewiele wspólnego z faktyczną metodologią inwestycyjną funduszu.
Zaniedbanie wielkości próby jest często mylone z zaniedbaniem stawki podstawowej, która jest osobnym błędem poznawczym. Podczas gdy zaniedbywanie wielkości próby odnosi się do nieuwzględnienia roli wielkości próby w określaniu wiarygodności twierdzeń statystycznych, zaniedbanie stawki podstawowej odnosi się do tendencji ludzi do zaniedbywania istniejącej wiedzy na temat zjawiska podczas oceny nowych informacji.
Przykład zaniedbania wielkości próbki w świecie rzeczywistym
Aby lepiej zrozumieć zaniedbanie wielkości próbki, rozważ następujący przykład, który został zaczerpnięty z badań Amosa Tversky'ego i Daniela Kahnemana:
Osoba jest proszona o narysowanie z próbki pięciu piłek i stwierdza, że cztery są czerwone, a jedna zielona.
Osoba losuje z próbki 20 piłek i stwierdza, że 12 jest czerwonych, a osiem zielonych.
Która próbka daje lepszy dowód, że kule są głównie czerwone?
Większość ludzi twierdzi, że pierwsza, mniejsza próbka dostarcza znacznie silniejszych dowodów, ponieważ stosunek czerwieni do zieleni jest znacznie wyższy niż w większej próbce. Jednak w rzeczywistości wyższy stosunek jest równoważony przez mniejszy rozmiar próby. Próbka 20 faktycznie dostarcza znacznie silniejszych dowodów.
Kolejny przykład Amosa Tversky'ego i Daniela Kahnemana jest następujący:
Miasto obsługuje dwa szpitale. W większym szpitalu rodzi się średnio 45 dzieci każdego dnia, aw mniejszym szpitalu około 15 dzieci rodzi się każdego dnia. Chociaż 50% wszystkich dzieci to chłopcy, dokładny odsetek zmienia się z dnia na dzień.
W ciągu jednego roku w każdym szpitalu odnotowano dni, w których ponad 60% dzieci było chłopcami. Który szpital zarejestrował więcej takich dni?
Na to pytanie 22% respondentów stwierdziło, że większy szpital zgłosi więcej takich dni, a 56% stwierdziło, że wyniki będą takie same dla obu szpitali. Prawidłowa odpowiedź jest taka, że mniejszy szpital odnotowałby więcej takich dni, ponieważ jego mniejszy rozmiar spowodowałby większą zmienność.
Jak zauważyliśmy wcześniej, przyczyną zaniedbania wielkości próbki jest to, że ludzie często nie rozumieją, że wysokie poziomy wariancji są bardziej prawdopodobne w małych próbkach. W przypadku inwestycji może to być bardzo kosztowne.
