حجم العينة المحدد الإهمال

ما هو إهمال حجم العينة؟

حجم العينة إهمال هو أ التحيز المعرفي درس بشكل مشهور من قبل عاموس تفرسكي و دانيال كانيمان. يحدث ذلك عندما يتوصل مستخدمو المعلومات الإحصائية إلى استنتاجات خاطئة عن طريق عدم مراعاة حجم العينة من البيانات المعنية.

السبب الكامن وراء إهمال حجم العينة هو أن الناس غالبًا ما يفشلون في فهم المستويات العالية من فرق من المرجح أن تحدث في عينات صغيرة. لذلك ، من الأهمية بمكان تحديد ما إذا كان حجم العينة المستخدمة لإنتاج إحصائية معينة كبيرًا بما يكفي للسماح باستنتاجات ذات مغزى.

إن معرفة متى يكون حجم العينة كبيرًا بما فيه الكفاية يمكن أن يمثل تحديًا لأولئك الذين ليس لديهم فهم جيد للطرق الإحصائية.

فهم إهمال حجم العينة

عندما يكون حجم العينة صغيرًا جدًا ، لا يمكن استخلاص استنتاجات دقيقة وجديرة بالثقة. في سياق التمويل ، يمكن أن يؤدي ذلك إلى تضليل المستثمرين بطرق مختلفة.

على سبيل المثال ، قد يرى المستثمر إعلانًا عن صندوق استثمار جديد ، ويفتخر بأنه حقق 15٪ عوائد سنوية منذ نشأتها. قد يسارع المستثمر إلى تضمين أن هذا الصندوق هو تذكرته لتوليد الثروة بسرعة. ومع ذلك ، قد يكون هذا الاستنتاج مضللاً بشكل خطير إذا لم يكن الصندوق يستثمر لفترة طويلة جدًا. في هذه الحالة ، قد تكون النتائج ناتجة عن حالات شاذة قصيرة الأجل ولا علاقة لها بمنهجية الاستثمار الفعلية للصندوق.

غالبًا ما يتم الخلط بين إهمال حجم العينة إهمال المعدل الأساسي، وهو تحيز معرفي منفصل. بينما يشير إهمال حجم العينة إلى عدم مراعاة دور أحجام العينة في تحديد مصداقية الإحصاء الادعاءات ، يتعلق إهمال المعدل الأساسي بميل الناس إلى إهمال المعرفة الموجودة حول ظاهرة ما عند تقييم الجديد معلومة.

مثال واقعي لإهمال حجم العينة

لفهم إهمال حجم العينة بشكل أفضل ، ضع في اعتبارك المثال التالي ، المأخوذ من بحث أجراه عاموس تفيرسكي ودانييل كانيمان:

يُطلب من الشخص السحب من عينة مكونة من خمس كرات ، ليجد أن أربع كرات حمراء وواحدة خضراء.

أخذ شخص من عينة من 20 كرة ، ووجد أن 12 كرة حمراء وثماني كرات خضراء.

ما العينة التي تقدم دليلاً أفضل على أن الكرات حمراء في الغالب؟

يقول معظم الناس أن العينة الأولى الأصغر تقدم دليلاً أقوى بكثير لأن نسبة الأحمر إلى الأخضر أعلى بكثير من العينة الأكبر. ومع ذلك ، في الواقع ، يفوق حجم العينة الأصغر النسبة الأعلى. في الواقع ، تقدم العينة المكونة من 20 دليلًا أقوى بكثير.

مثال آخر من عاموس تفيرسكي ودانييل كانيمان هو كما يلي:

بلدة يخدمها مستشفيان. في المستشفى الأكبر ، يولد ما معدله 45 طفلاً كل يوم ، وفي المستشفى الأصغر يولد حوالي 15 طفلاً كل يوم. على الرغم من أن 50٪ من جميع الأطفال هم من الذكور ، إلا أن النسبة الدقيقة تتقلب من يوم لآخر.

خلال عام واحد ، سجلت كل مستشفى الأيام التي تصادف أن يكون فيها أكثر من 60٪ من الأطفال من الذكور. أي مستشفى سجلت المزيد من هذه الأيام؟

عند طرح هذا السؤال ، قال 22٪ من المستجيبين أن المستشفى الأكبر سيبلغ عن المزيد من هذه الأيام ، بينما قال 56٪ أن النتائج ستكون هي نفسها في كلا المستشفيين. في الواقع ، الإجابة الصحيحة هي أن المستشفى الأصغر ستسجل عددًا أكبر من هذه الأيام ، لأن حجمها الأصغر قد ينتج عنه تنوع أكبر.

كما أشرنا سابقًا ، فإن جذر إهمال حجم العينة هو أن الناس غالبًا ما يفشلون في فهم أن المستويات العالية من التباين من المرجح أن تحدث في عينات صغيرة. في الاستثمار ، يمكن أن يكون هذا مكلفًا للغاية بالفعل.