Mikä on näytteen koon laiminlyönti?
Otoskoko Hyläys on kognitiivinen ennakkoluulo, jonka ovat tutkineet kuuluisasti Amos Tversky ja Daniel Kahneman. Se tapahtuu, kun tilastotietojen käyttäjät tekevät vääriä johtopäätöksiä jättämättä ottamatta huomioon kyseisten tietojen otoskokoa.
Otoskoon laiminlyönnin taustalla oleva syy on se, että ihmiset usein eivät ymmärrä, että pienillä näytteillä esiintyy todennäköisesti suurta varianssitasoa. Siksi on kriittistä määrittää, onko tietyn tilastotiedon tuottamiseen käytetty otoskoko riittävän suuri, jotta voidaan tehdä merkityksellisiä johtopäätöksiä.
Tietäminen, kun otoksen koko on riittävän suuri, voi olla haastavaa niille, joilla ei ole ymmärrystä tilastollisista menetelmistä.
Avainsanat
- Otoksen koon laiminlyönti on Amos Tverskyn ja Daniel Kahnemanin tutkima kognitiivinen puolueellisuus. Se koostuu väärien johtopäätösten tekemisestä tilastotiedoista, koska se ei ole ottanut huomioon näytteen koon vaikutuksia. Niiden, jotka haluavat vähentää otoksen koon laiminlyönnin riskiä, tulisi muistaa, että pienempi otoskoko liitetään epävakaampiin tilastotuloksiin ja päinvastoin.
Näytteen koon ymmärtäminen
Kun otoskoko on liian pieni, tarkkoja ja luotettavia johtopäätöksiä ei voida tehdä. Rahoituksen kannalta tämä voi johtaa sijoittajia harhaan monin tavoin.
Sijoittaja voi esimerkiksi nähdä uuden sijoitusrahaston, ylpeilemällä siitä, että se on saanut aikaan 15%: n vuotuisen tuoton sen perustamisen jälkeen. Sijoittaja voi olla nopea sisällyttää, että tämä rahasto on heidän lippu nopeaan varallisuuden tuottamiseen. Tämä päätelmä voi kuitenkin olla vaarallisesti harhaanjohtava, jos rahasto ei ole sijoittanut pitkään. Tällöin tulokset saattavat johtua lyhytaikaisista poikkeavuuksista, ja niillä on vähän tekemistä rahaston todellisen sijoitusmenetelmän kanssa.
Otoksen koon laiminlyönti sekoitetaan usein perusnopeuden laiminlyöntiin, joka on erillinen kognitiivinen puolue. Samalla kun otoksen koon laiminlyönti viittaa siihen, ettei otoksen kokoa ole otettu huomioon tilastollisten väitteiden luotettavuuden määrittämisessä, peruskorkojen laiminlyönti liittyy ihmisten taipumukseen laiminlyödä olemassa oleva tieto ilmiöstä uutta tietoa arvioitaessa.
Oikean maailman esimerkki näytteen koosta
Osoittaaksesi seuraavaa esimerkkiä, joka on otettu Amos Tverskyn ja Daniel Kahnemanin tutkimuksesta, jotta otoksen koko jätetään huomioimatta paremmin:
Henkilöä pyydetään piirtämään viiden pallon näytteestä ja huomaa, että neljä on punaista ja yksi vihreää.
Henkilö piirtää 20 pallon näytteestä ja huomaa, että 12 on punaista ja kahdeksan vihreää.
Mikä näyte antaa paremman todisteen siitä, että pallot ovat pääosin punaisia?
Useimmat ihmiset sanovat, että ensimmäinen, pienempi näyte antaa paljon vahvempia todisteita, koska punaisen ja vihreän välinen suhde on paljon suurempi kuin suuremman näytteen. Todellisuudessa suurempi suhde on kuitenkin suurempi kuin pienempi otoskoko. 20: n otos antaa tosiasiallisesti paljon vahvemman näytön.
Toinen esimerkki Amos Tverskyltä ja Daniel Kahnemanilta on seuraava:
Kaupunkia palvelee kaksi sairaalaa. Suuremmassa sairaalassa syntyy päivittäin keskimäärin 45 vauvaa ja pienemmässä sairaalassa syntyy joka päivä noin 15 vauvaa. Vaikka 50% kaikista vauvoista on poikia, tarkka prosenttiosuus vaihtelee päivästä toiseen.
Yhden vuoden aikana jokainen sairaala kirjasi päivät, jolloin yli 60% vauvoista sattui olevan poikia. Mikä sairaala kirjasi enemmän tällaisia päiviä?
Kun hän kysyi tämän kysymyksen, 22% vastaajista vastasi, että suurempi sairaala ilmoittaisi enemmän tällaisia päiviä, kun taas 56% vastasi, että tulokset olisivat samat molemmissa sairaaloissa. Itse asiassa oikea vastaus on, että pienempi sairaala kirjaa enemmän tällaisia päiviä, koska sen pienempi koko tuottaisi suuremman vaihtelun.
Kuten aiemmin huomautimme, näytteen koon laiminlyönnin syynä on, että ihmiset usein eivät ymmärrä, että pienet näytteet esiintyvät todennäköisemmin korkeilla variansseilla. Sijoittamisessa tämä voi todellakin olla erittäin kallista.
