표본 크기 무시 정의됨
표본 크기 무시란 무엇입니까?
표본 크기 무시는 인지 편향 Amos Tversky에 의해 유명하게 연구되었고 다니엘 카네만. 통계정보이용자가 고려하지 않고 잘못된 결론을 내릴 때 발생한다. 표본의 크기 해당 데이터의.
표본 크기 무시의 근본적인 원인은 사람들이 종종 높은 수준의 변화 작은 샘플에서 발생할 가능성이 더 큽니다. 따라서 주어진 통계를 생성하는 데 사용된 표본 크기가 의미 있는 결론을 내릴 수 있을 만큼 충분히 큰지 여부를 결정하는 것이 중요합니다.
표본 크기가 충분히 큰 때를 아는 것은 통계적 방법을 잘 이해하지 못하는 사람들에게는 어려울 수 있습니다.
주요 내용
- 표본 크기 무시는 Amos Tversky와 Daniel Kahneman이 연구한 인지 편향입니다.
- 표본 크기의 영향을 고려하지 않아 통계 정보에서 잘못된 결론을 도출하는 것으로 구성됩니다.
- 표본 크기 무시의 위험을 줄이려는 사람들은 표본 크기가 작을수록 변동성이 큰 통계 결과와 관련이 있으며 그 반대의 경우도 마찬가지임을 기억해야 합니다.
표본 크기 무시 이해하기
표본 크기가 너무 작으면 정확하고 신뢰할 수 있는 결론을 도출할 수 없습니다. 금융의 맥락에서 이는 다양한 방식으로 투자자를 오도할 수 있습니다.
예를 들어, 투자자는 15%의 수익을 올렸다고 자랑하는 새로운 투자 펀드에 대한 광고를 볼 수 있습니다. 연간 수익 시작부터. 투자자는 이 펀드가 빠른 부를 창출할 수 있는 티켓이라고 재빨리 포함시킬 수 있습니다. 그러나 펀드가 아주 오랫동안 투자하지 않았다면 이 결론은 위험할 정도로 오도될 수 있습니다. 이 경우 결과는 단기적인 이상 현상으로 인한 것일 수 있으며 펀드의 실제 투자 방법론과 거의 관련이 없습니다.
표본 크기 무시는 종종 다음과 혼동됩니다. 기본 요금 무시, 이것은 별도의 인지 편향입니다. 표본 크기 무시는 통계의 신뢰성을 결정하는 데 표본 크기의 역할을 고려하지 않는 것을 말합니다. 주장, Base Rate Neglect는 새로운 것을 평가할 때 현상에 대한 기존 지식을 무시하는 경향과 관련이 있습니다. 정보.
샘플 크기 무시의 실제 예
표본 크기 무시를 더 잘 이해하려면 Amos Tversky와 Daniel Kahneman의 연구에서 가져온 다음 예를 고려하십시오.
한 사람에게 5개의 공 샘플에서 뽑으라는 요청을 받았고 4개는 빨간색이고 1개는 녹색임을 발견했습니다.
한 사람이 20개의 샘플에서 공을 뽑고 12개가 빨간색이고 8개가 녹색임을 찾습니다.
공이 주로 빨간색이라는 더 나은 증거를 제공하는 샘플은 무엇입니까?
대부분의 사람들은 빨간색과 녹색의 비율이 더 큰 샘플보다 훨씬 높기 때문에 첫 번째 작은 샘플이 훨씬 더 강력한 증거를 제공한다고 말합니다. 그러나 실제로는 표본 크기가 작을수록 비율이 높을수록 더 중요합니다. 20명의 표본은 실제로 훨씬 더 강력한 증거를 제공합니다.
Amos Tversky와 Daniel Kahneman의 또 다른 예는 다음과 같습니다.
한 마을에는 두 개의 병원이 있습니다. 큰 병원에서는 매일 평균 45명의 아기가 태어나고 작은 병원에서는 매일 약 15명의 아기가 태어납니다. 모든 아기의 50%가 남아이지만 정확한 비율은 매일 변동합니다.
1년 동안 각 병원은 아기의 60% 이상이 우연히 남자아이였던 날을 기록했습니다. 어느 병원이 그런 날을 더 많이 기록했습니까?
이 질문에 응답자의 22%는 더 큰 병원이 그런 날을 더 많이 보고할 것이라고 답했고 56%는 결과가 두 병원 모두 동일할 것이라고 말했습니다. 사실, 정답은 작은 병원이 그러한 날을 더 많이 기록할 것이라는 것입니다. 작은 병원은 더 큰 변동성을 생성하기 때문입니다.
앞서 언급했듯이 표본 크기 무시의 근본 원인은 사람들이 작은 표본에서 높은 수준의 분산이 발생할 가능성이 더 높다는 것을 이해하지 못하는 경우가 많다는 것입니다. 투자에서 이것은 실제로 매우 비용이 많이 들 수 있습니다.