Zanedbanie veľkosti vzorky
Zanedbanie veľkosti vzorky je kognitívne skreslenie, ktoré slávne študovali Amos Tversky a Daniel Kahneman. Vyskytuje sa, keď používatelia štatistických informácií urobia nepravdivé závery tým, že nezohľadňujú veľkosť vzorky príslušných údajov.
Základnou príčinou zanedbávania veľkosti vzorky je skutočnosť, že ľudia často nechápu, že pri malých vzorkách sa vyskytuje vyššia miera rozptylu. Preto je dôležité určiť, či veľkosť vzorky použitá na vytvorenie danej štatistiky je dostatočne veľká na to, aby umožnila zmysluplné závery.
Vedieť, kedy je veľkosť vzorky dostatočne veľká, môže byť náročné pre tých, ktorí nemajú dobré vedomosti o štatistických metódach.
Kľúčové jedlá
- Zanedbanie vzorky je kognitívne skreslenie, ktoré študovali Amos Tversky a Daniel Kahneman.
- Pozostáva z nepravdivých záverov zo štatistických informácií, pretože sa nezohľadnili účinky veľkosti vzorky.
- Tí, ktorí chcú znížiť riziko zanedbania veľkosti vzorky, by mali pamätať na to, že menšie veľkosti vzoriek sú spojené s volatilnejšími štatistickými výsledkami a naopak.
Pochopenie zanedbania veľkosti vzorky
Ak je veľkosť vzorky príliš malá, nie je možné vyvodiť presné a dôveryhodné závery. V kontexte financií to môže investorov zavádzať rôznymi spôsobmi.
Napríklad investor by mohol vidieť reklamu na nový investičný fond, ktorý sa môže pochváliť generovaním 15% anualizovaných výnosov od svojho založenia. Investor by mohol rýchlo zahrnúť, že tento fond je ich vstupenkou na rýchlu tvorbu bohatstva. Tento záver by však mohol byť nebezpečne zavádzajúci, ak by fond príliš dlho neinvestoval. V takom prípade by mohli byť výsledky spôsobené krátkodobými anomáliami a majú málo spoločného so skutočnou investičnou metodológiou fondu.
Zanedbanie veľkosti vzorky je často zamieňané so zanedbaním základnej ceny, čo je samostatná kognitívna predpojatosť. Zatiaľ čo zanedbávanie veľkosti vzorky sa týka toho, že sa nezohľadňuje úloha veľkostí vzoriek pri určovaní dôveryhodnosti štatistických tvrdení, zanedbávanie základnej sadzby sa týka tendencie ľudí zanedbávať existujúce poznatky o fenoméne pri hodnotení nových informácií.
Príklad zanedbania veľkosti vzorky v reálnom svete
Aby ste lepšie porozumeli zanedbávaniu veľkosti vzorky, zvážte nasledujúci príklad, ktorý vychádza z výskumu Amosa Tverského a Daniela Kahnemana:
Od osoby sa žiada, aby čerpala zo vzorky piatich gúľ a zistí, že štyri sú červené a jedna zelená.
Osoba čerpá zo vzorky 20 guličiek 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 silnejší dôkaz, pretože pomer červenej k zelenej je oveľa vyšší ako väčšia vzorka. V skutočnosti je však vyšší pomer vyvážený menšou veľkosťou vzorky. Vzorka 20 skutočne poskytuje oveľa silnejšie dôkazy.
Ďalší príklad od Amos Tversky a Daniel Kahneman je nasledujúci:
Mestu slúžia dve nemocnice. Vo väčšej nemocnici sa každý deň narodí v priemere 45 detí a v menšej nemocnici sa narodí približne 15 detí každý deň. Aj keď 50% všetkých detí sú chlapci, presné percento kolíše zo dňa na deň.
Počas jedného roka každá nemocnica zaznamenala dni, v ktorých sa stalo viac ako 60% detí chlapcami. Ktorá nemocnica zaznamenala viac takýchto dní?
Pri položení tejto otázky 22% respondentov uviedlo, že väčšia nemocnica oznámila viac takýchto dní, zatiaľ čo 56% uviedlo, že výsledky budú rovnaké pre obe nemocnice. Správna odpoveď je, že menšia nemocnica by zaznamenala viac takýchto dní, pretože jej menšia veľkosť by spôsobila väčšiu variabilitu.
Ako sme už uviedli vyššie, základom zanedbávania veľkosti vzorky je to, že ľudia často nechápu, že pri malých vzorkách sa častejšie vyskytujú vysoké úrovne rozptylu. Pri investovaní to môže byť skutočne veľmi nákladné.
Porovnať investičné účty Názov poskytovateľa Opis Zverejnenie informácií inzerenta × Ponuky uvedené v tejto tabuľke pochádzajú od partnerstiev, od ktorých spoločnosť Investopedia dostáva kompenzácie.