샘플 크기 무시 란 무엇입니까?
표본 크기 소실은 Amos Tversky와 Daniel Kahneman에 의해 유명한 연구 편견입니다. 통계 정보 사용자가 해당 데이터의 표본 크기를 고려하지 않아 잘못된 결론을 내릴 때 발생합니다.
표본 크기 무시의 근본 원인은 사람들이 종종 작은 표본에서 높은 수준의 분산이 발생할 가능성을 이해하지 못하기 때문입니다. 따라서 주어진 통계량을 생성하는 데 사용 된 표본 크기가 유의미한 결론을 내릴만큼 충분히 큰지 여부를 결정하는 것이 중요합니다.
통계 학적 방법을 잘 이해하지 못하는 사람들에게는 표본 크기가 충분히 큰시기를 아는 것이 어려울 수 있습니다.
주요 테이크 아웃
- 샘플 크기 무시는 Amos Tversky와 Daniel Kahneman이 연구 한인지 편향으로, 샘플 크기의 영향을 고려하지 않았기 때문에 통계 정보에서 잘못된 결론을 도출하는 것으로 구성됩니다. 표본 크기는보다 변동적인 통계 결과와 관련이 있으며 그 반대도 마찬가지입니다.
샘플 크기 무시 이해
표본 크기가 너무 작 으면 정확하고 신뢰할 수있는 결론을 도출 할 수 없습니다. 금융의 맥락에서 이것은 다양한 방법으로 투자자를 오도 할 수 있습니다.
예를 들어, 투자자는 처음 투자 한 이후 15 %의 연간 수익을 창출 한 것을 자랑하는 새로운 투자 펀드를 볼 수 있습니다. 투자자는이 기금이 빠른 부를 창출하기위한 그들의 표라고 빨리 포함시킬 수 있습니다. 그러나 펀드가 오랫동안 투자하지 않은 경우이 결론은 위험에 빠질 수 있습니다. 이 경우 결과는 단기적인 이상으로 인한 것일 수 있으며 펀드의 실제 투자 방법과 거의 관련이 없습니다.
샘플 크기 무시는 종종 별도의인지 편향 인 기본 속도 무시와 혼동됩니다. 표본 크기 무시는 통계적 주장의 신뢰성을 결정하는 데 표본 크기의 역할을 고려하지 않은 것을 의미하지만, 기본 속도 무시는 새로운 정보를 평가할 때 현상에 대한 기존 지식을 무시하는 경향이 있습니다.
샘플 크기 무시의 실제 예
표본 크기 무시를 더 잘 이해하려면 Amos Tversky와 Daniel Kahneman의 연구에서 발췌 한 다음 예를 고려하십시오.
한 사람에게 5 개의 공 샘플을 뽑아달라고 요청하고 4 개는 빨간색이고 1 개는 녹색 인 것을 발견했습니다.
한 사람이 20 개의 공을 채취하여 12 개가 빨간색이고 8 개가 녹색 인 것을 발견했습니다.
어떤 샘플이 공이 주로 빨간색이라는 더 나은 증거를 제공합니까?
대부분의 사람들은 첫 번째 작은 표본이 빨간색 대 녹색의 비율이 큰 표본보다 훨씬 높기 때문에 훨씬 더 강력한 증거를 제공한다고 말합니다. 그러나 실제로는 더 큰 샘플 크기가 클수록 더 높은 비율이 중요합니다. 20의 표본은 실제로 훨씬 더 강력한 증거를 제공합니다.
Amos Tversky와 Daniel Kahneman의 또 다른 예는 다음과 같습니다.
한 도시에는 두 개의 병원이 있습니다. 큰 병원에서는 매일 평균 45 명의 아기가 태어나고 작은 병원에서는 매일 약 15 명의 아기가 태어납니다. 모든 아기의 50 %가 소년이지만 정확한 비율은 매일 변동합니다.
1 년 동안 각 병원은 아기의 60 % 이상이 소년이었던 날을 기록했습니다. 그런 날을 기록한 병원은?
이 질문에 응답 한 응답자의 22 %는 더 큰 병원이 더 많은 요일을보고 할 것이라고 답했으며 56 %는 두 병원 모두에 대해 결과가 동일 할 것이라고 답했습니다. 실제로 정답은 규모가 작을수록 변동성이 커지기 때문에 병원 규모가 작을수록 더 많은 요일을 기록한다는 것입니다.
앞에서 언급했듯이 표본 크기 무시의 근본은 사람들이 종종 작은 표본에서 높은 수준의 분산이 발생할 가능성을 이해하지 못한다는 것입니다. 투자에있어 이것은 실제로 비용이 많이들 수 있습니다.
