حجم العينة إهمال المعرفة

ما هو حجم العينة الإهمال؟

حجم العينة الإهمال هو تحيز إدراكي شهير درسه عاموس تفرسكي ودانييل كانيمان. يحدث ذلك عندما يقوم مستخدمو المعلومات الإحصائية بإجراء استنتاجات خاطئة عن طريق عدم مراعاة حجم عينة البيانات المعنية.

السبب الكامن وراء إهمال حجم العينة هو أن الأشخاص غالباً ما يفشلون في فهم أن المستويات العالية من التباين من المرجح أن تحدث في عينات صغيرة. لذلك ، من الأهمية بمكان تحديد ما إذا كان حجم العينة المستخدم لإنتاج إحصاء معين كبيرًا بما يكفي للسماح باستنتاجات ذات معنى.

قد تكون معرفة متى يكون حجم العينة كبيرًا بما فيه الكفاية أمرًا صعبًا بالنسبة لأولئك الذين ليس لديهم فهم جيد للطرق الإحصائية.

الماخذ الرئيسية

• حجم العينة الإهمال هو تحيز إدراكي قام بدراسته عاموس تفرسكي ودانييل كانيمان. إنه يتكون من استخلاص استنتاجات خاطئة من معلومات إحصائية ، نظرًا لعدم النظر في آثار حجم العينة. وينبغي على الراغبين في تقليل مخاطر حجم العينة الإهمال أن يتذكر أنه أصغر ترتبط أحجام العينات بنتائج إحصائية أكثر تقلبًا ، والعكس صحيح.

فهم حجم العينة الإهمال

عندما يكون حجم العينة صغيرًا جدًا ، لا يمكن استخلاص استنتاجات دقيقة وجديرة بالثقة. في سياق التمويل ، يمكن أن يؤدي ذلك إلى تضليل المستثمرين بطرق مختلفة.

على سبيل المثال ، قد يرى المستثمر صندوقًا جديدًا للاستثمار ، يتفاخر بأنه حقق عائدات سنوية بنسبة 15٪ منذ إنشائه. قد يكون المستثمر سريعا لتضمين أن هذا الصندوق هو تذكرة سفره إلى توليد الثروة السريع. ومع ذلك ، قد يكون هذا الاستنتاج مضللاً بشكل خطير إذا لم يستثمر الصندوق لفترة طويلة. في هذه الحالة ، يمكن أن تكون النتائج بسبب الحالات الشاذة قصيرة الأجل وليس لها علاقة تذكر بمنهجية الاستثمار الفعلية للصندوق.

غالبًا ما يتم خلط إهمال حجم العينة مع إهمال معدل الأساس ، وهو تحيز إدراكي منفصل. بينما يشير "إهمال حجم العينة" إلى الفشل في النظر في دور أحجام العينات في تحديد موثوقية الادعاءات الإحصائية ، فإن إهمال معدل الأساس يتعلق بميل الناس إلى إهمال المعرفة الحالية حول هذه الظاهرة عند تقييم المعلومات الجديدة.

العالم الحقيقي مثال على حجم العينة الإهمال

لفهم إهمال حجم العينة بشكل أفضل ، خذ بعين الاعتبار المثال التالي ، الذي تم استخلاصه من الأبحاث التي أجراها عاموس تفرسكي ودانييل كانيمان:

يُطلب من الشخص السحب من عينة مكونة من خمس كرات ، ويجد أن أربع كرات حمراء وواحدة خضراء.

شخص يرسم من عينة من 20 كرة ، ويجد أن 12 منها حمراء وثمانيها خضراء.

أي عينة تقدم دليلاً أفضل على أن الكرات حمراء في الغالب؟

يقول معظم الناس أن العينة الأولى والصغيرة توفر دليلًا أقوى لأن نسبة اللون الأحمر إلى الأخضر أعلى بكثير من العينة الأكبر. ومع ذلك ، في الواقع تفوق النسبة الأعلى من حجم العينة الأصغر. عينة من 20 في الواقع يوفر أدلة أقوى من ذلك بكثير.

مثال آخر من عاموس تفرسكي ودانييل كانيمان على النحو التالي:

يخدم المدينة مستشفيان. في المستشفى الأكبر ، يولد ما معدله 45 طفلًا يوميًا ، وفي المستشفى الأصغر حوالي 15 مولودًا كل يوم. على الرغم من أن 50 ٪ من جميع الأطفال هم من الأولاد ، إلا أن النسبة الدقيقة تتقلب من يوم لآخر.

خلال سنة واحدة ، سجلت كل مستشفى الأيام التي صادف فيها أكثر من 60٪ من الأطفال. أي مستشفى سجل المزيد من هذه الأيام؟

عند طرح هذا السؤال ، قال 22٪ من المجيبين إن المستشفى الأكبر سيبلغ عن مثل هذه الأيام ، بينما قال 56٪ إن النتائج ستكون هي نفسها بالنسبة للمستشفيين. في الحقيقة ، الجواب الصحيح هو أن المستشفى الأصغر يسجل المزيد من هذه الأيام ، لأن حجمه الأصغر سيؤدي إلى تقلبات أكبر.

كما أشرنا سابقًا ، فإن جذر إهمال حجم العينة هو أن الناس غالباً ما يفشلون في فهم أن مستويات التباين العالية من المرجح أن تحدث في عينات صغيرة. في الاستثمار ، وهذا يمكن أن يكون مكلفا للغاية في الواقع.