Veľkosť vzorky je zanedbaná
Čo je zanedbávanie veľkosti vzorky?
Zanedbanie veľkosti vzorky je a kognitívna zaujatosť skvele študoval Amos Tversky a Daniel Kahneman. K tomu dochádza vtedy, keď používatelia štatistických informácií urobia nesprávne závery tým, že nezohľadnia veľkosť vzorky predmetných údajov.
Základnou príčinou zanedbávania veľkosti vzorky je, že ľudia často nechápu, že vysoké hladiny rozptyl sa častejšie vyskytujú v malých vzorkách. Preto je dôležité určiť, či je veľkosť vzorky použitej na zostavenie danej štatistiky dostatočne veľká, aby umožnila zmysluplné závery.
Vedieť, či je veľkosť vzorky dostatočne veľká, môže byť náročné pre tých, ktorí dobre nerozumejú štatistickým metódam.
Kľúčové informácie
- Sample Size Neglect je kognitívna zaujatosť, ktorú študovali Amos Tversky a Daniel Kahneman.
- Pozostáva z vyvodenia nesprávnych záverov zo štatistických informácií v dôsledku toho, že sa nezohľadnili účinky veľkosti vzorky.
- Tí, ktorí chcú znížiť riziko zanedbávania veľkosti vzorky, by mali mať na pamäti, že menšie veľkosti vzoriek sú spojené s volatilnejšími štatistickými výsledkami a naopak.
Pochopenie zanedbávania veľkosti vzorky
Keď je veľkosť vzorky príliš malá, nemožno vyvodiť presné a dôveryhodné závery. V kontexte financií to môže investorov zavádzať rôznymi spôsobmi.
Investorovi sa napríklad môže zobraziť reklama na nový investičný fond, ktorá sa môže pochváliť generovaním 15%. ročné výnosy od svojho vzniku. Investor môže rýchlo uviesť, že tento fond je ich vstupenkou na rýchle generovanie bohatstva. Tento záver by však mohol byť nebezpečne scestný, ak fond neinvestuje veľmi dlho. V takom prípade môžu byť výsledky dôsledkom krátkodobých anomálií a nemajú veľa spoločného so skutočnou metodikou investovania fondu.
Zanedbanie veľkosti vzorky je často zamieňané s Zanedbanie základnej sadzby, čo je samostatná kognitívna zaujatosť. Kým zanedbávanie veľkosti vzorky sa týka nezohľadnenia úlohy veľkostí vzoriek pri určovaní dôveryhodnosti štatistiky tvrdí, že zanedbanie základnej sadzby sa týka tendencie ľudí pri hodnotení nových zanedbávať existujúce znalosti o fenoméne informácie.
Príklad skutočného sveta zanedbávania veľkosti vzorky
Aby ste lepšie porozumeli zanedbávaniu veľkosti vzorky, zvážte nasledujúci príklad, ktorý vychádzal z výskumu Amosa Tverskyho a Daniela Kahnemana:
Osoba je požiadaná, aby nakreslila zo vzorky piatich loptičiek, a zistí, že štyri sú červené a jedna zelená.
Človek čerpá zo vzorky 20 loptičiek a zistí, že 12 je červených a osem zelených.
Ktorá vzorka poskytuje lepší dôkaz, že gule sú prevažne červené?
Väčšina ľudí tvrdí, že prvá, menšia vzorka poskytuje oveľa silnejšie dôkazy, pretože pomer červenej a zelenej je oveľa vyšší ako u väčšej vzorky. V skutočnosti však vyšší pomer prevažuje menšia veľkosť vzorky. Vzorka 20 skutočne poskytuje oveľa silnejšie dôkazy.
Ďalší príklad od Amosa Tverského a Daniela Kahnemana je nasledujúci:
Mestu slúžia dve nemocnice. Vo väčšej nemocnici sa narodí v priemere 45 detí každý deň a v menšej nemocnici sa narodí asi 15 detí každý deň. Napriek tomu, že 50% všetkých detí sú chlapci, presné percento kolíše zo dňa na deň.
Počas jedného roka každá nemocnica zaznamenala dni, v ktorých bolo viac ako 60% detí chlapcov. Ktorá nemocnica zaznamenala viac takýchto dní?
Na túto otázku odpovedalo 22% respondentov, že väčšia nemocnica bude hlásiť viac takýchto dní, zatiaľ čo 56% uviedlo, že výsledky budú pre obe nemocnice rovnaké. V skutočnosti je správna odpoveď, že menšia nemocnica by zaznamenala viac takýchto dní, pretože jej menšia veľkosť by priniesla väčšiu variabilitu.
Ako sme už uviedli, koreňom zanedbávania veľkosti vzorky je to, že ľudia často nechápu, že v malých vzorkách sa častejšie vyskytujú vysoké rozptyly. Pri investovaní to môže byť skutočne veľmi nákladné.