Παραμέληση μεγέθους δείγματος
Η παραμέληση του μεγέθους του δείγματος είναι μια γνωστική προκατάληψη που έχει μελετηθεί από τους Amos Tversky και Daniel Kahneman. Παρουσιάζεται όταν οι χρήστες των στατιστικών πληροφοριών καταλήγουν σε ψευδή συμπεράσματα παραλείποντας να λάβουν υπόψη το μέγεθος του δείγματος των εν λόγω δεδομένων.
Η βασική αιτία της παραμέλησης του δείγματος είναι ότι συχνά οι άνθρωποι δεν καταλαβαίνουν ότι τα υψηλά επίπεδα διακύμανσης είναι πιθανότερο να εμφανιστούν σε μικρά δείγματα. Ως εκ τούτου, είναι κρίσιμο να καθοριστεί αν το μέγεθος του δείγματος που χρησιμοποιείται για την παραγωγή ενός δεδομένου στατιστικού στοιχείου είναι αρκετά μεγάλο ώστε να επιτρέπει την εξαγωγή σημαντικών συμπερασμάτων.
Γνωρίζοντας πότε ένα μέγεθος δείγματος είναι αρκετά μεγάλο μπορεί να είναι δύσκολο για εκείνους που δεν έχουν καλή κατανόηση των στατιστικών μεθόδων.
Βασικές τακτικές
- Το μέγεθος του δείγματος Παραμέληση είναι μια γνωστική προκατάληψη που μελετάται από τον Amos Tversky και τον Daniel Kahneman.
- Συνίσταται στην εξαγωγή ψευδών συμπερασμάτων από στατιστικές πληροφορίες, λόγω της μη συνεκτίμησης των επιπτώσεων του μεγέθους του δείγματος.
- Όσοι επιθυμούν να μειώσουν τον κίνδυνο παραμέλησης του δείγματος δεν πρέπει να θυμούνται ότι τα μικρότερα μεγέθη δείγματος συνδέονται με πιο ασταθή στατιστικά αποτελέσματα και το αντίστροφο.
Κατανόηση της παραμέλησης του μεγέθους του δείγματος
Όταν ένα μέγεθος δείγματος είναι πολύ μικρό, δεν μπορούν να εξαχθούν ακριβή και αξιόπιστα συμπεράσματα. Στο πλαίσιο της χρηματοδότησης, αυτό μπορεί να παραπλανήσει τους επενδυτές με διάφορους τρόπους.
Για παράδειγμα, ένας επενδυτής μπορεί να δει μια διαφήμιση για ένα νέο επενδυτικό ταμείο, που μπορεί να έχει δημιουργήσει ετήσια απόδοση 15% από την έναρξή του. Ο επενδυτής μπορεί να είναι γρήγορος να συμπεριλάβει ότι αυτό το ταμείο είναι το εισιτήριό του για την ταχεία δημιουργία πλούτου. Ωστόσο, το συμπέρασμα αυτό θα μπορούσε να είναι επικίνδυνα λανθασμένο εάν το ταμείο δεν έχει επενδύσει για πολύ καιρό. Στην περίπτωση αυτή, τα αποτελέσματα θα μπορούσαν να οφείλονται σε βραχυπρόθεσμες ανωμαλίες και δεν έχουν καμία σχέση με την πραγματική επενδυτική μεθοδολογία του ταμείου.
Η παραμέληση του μεγέθους του δείγματος συχνά συγχέεται με τη συσσώρευση της βασικής συχνότητας, η οποία είναι μια ξεχωριστή γνωστική προκατάληψη. Ενώ η παραμέληση του μεγέθους δείγματος αναφέρεται στην αποτυχία να εξεταστεί ο ρόλος των μεγεθών του δείγματος για τον προσδιορισμό της αξιοπιστίας των στατιστικών ισχυρισμών, η παραμέληση βασικού επιτοκίου σχετίζεται με την τάση των ανθρώπων να παραμελούν τις υπάρχουσες γνώσεις σχετικά με ένα φαινόμενο κατά την αξιολόγηση νέων πληροφοριών.
Παράδειγμα πραγματικού κόσμου της παραμέλησης του δείγματος
Για να κατανοήσουμε καλύτερα την Παραμέληση του δείγματος, εξετάστε το ακόλουθο παράδειγμα, το οποίο αντλείται από την έρευνα του Amos Tversky και του Daniel Kahneman:
Ένα άτομο καλείται να αντλήσει από ένα δείγμα πέντε μπάλες, και διαπιστώνει ότι τα τέσσερα είναι κόκκινα και το ένα είναι πράσινο.
Ένα άτομο αντλεί από ένα δείγμα 20 μπάλες, και διαπιστώνει ότι τα 12 είναι κόκκινα και τα οκτώ είναι πράσινα.
Ποιο δείγμα παρέχει καλύτερα στοιχεία ότι οι μπάλες είναι κυρίως κόκκινες;
Οι περισσότεροι άνθρωποι λένε ότι το πρώτο, μικρότερο δείγμα παρέχει πολύ ισχυρότερες αποδείξεις επειδή ο λόγος του κόκκινου προς το πράσινο είναι πολύ υψηλότερος από το μεγαλύτερο δείγμα. Ωστόσο, στην πραγματικότητα ο υψηλότερος λόγος αντισταθμίζεται από το μικρότερο μέγεθος δείγματος. Το δείγμα των 20 παρέχει πραγματικά πολύ ισχυρότερα στοιχεία.
Ένα άλλο παράδειγμα από τους Amos Tversky και Daniel Kahneman είναι το εξής:
Μια πόλη εξυπηρετείται από δύο νοσοκομεία. Στο μεγαλύτερο νοσοκομείο, γεννιέται κάθε μέρα 45 μωρά, ενώ στο μικρότερο νοσοκομείο γεννιούνται καθημερινά περίπου 15 μωρά. Παρόλο που το 50% όλων των παιδιών είναι αγόρια, το ακριβές ποσοστό κυμαίνεται από μέρα σε μέρα.
Κατά τη διάρκεια ενός έτους, κάθε νοσοκομείο κατέγραψε τις ημέρες κατά τις οποίες περισσότερο από το 60% των μωρών συνέβαινε να είναι αγόρια. Ποιο νοσοκομείο κατέγραψε περισσότερες ημέρες;
Όταν ερωτήθηκε αυτή η ερώτηση, το 22% των ερωτηθέντων δήλωσε ότι το μεγαλύτερο νοσοκομείο θα αναφέρει περισσότερες ημέρες, ενώ το 56% δήλωσε ότι τα αποτελέσματα θα ήταν τα ίδια και για τα δύο νοσοκομεία. Στην πραγματικότητα, η σωστή απάντηση είναι ότι το μικρότερο νοσοκομείο θα καταγράψει περισσότερες τέτοιες ημέρες, επειδή το μικρότερο μέγεθος του θα μπορούσε να προκαλέσει μεγαλύτερη μεταβλητότητα.
Όπως σημειώσαμε προηγουμένως, η ρίζα της παραμέλησης του δείγματος είναι ότι συχνά οι άνθρωποι δεν καταλαβαίνουν ότι τα υψηλά επίπεδα διακύμανσης είναι πιθανότερο να εμφανιστούν σε μικρά δείγματα. Στην επένδυση, αυτό μπορεί να είναι πολύ δαπανηρό πράγματι.
Σύγκριση επενδυτικών λογαριασμών Όνομα παροχέα Περιγραφή Αποκάλυψη διαφημιζόμενου × Οι προσφορές που εμφανίζονται σε αυτόν τον πίνακα προέρχονται από συνεργασίες από τις οποίες η Investopedia λαμβάνει αποζημίωση.