إهمال حجم العينة
ما هو إهمال حجم العينة؟
إهمال حجم العينة هو تحيز معرفي اشتهر بدراسته من قبل عاموس تفيرسكي ودانيال كانيمان. يحدث عندما يتوصل مستخدمو المعلومات الإحصائية إلى استنتاجات خاطئة عن طريق عدم مراعاة حجم عينة البيانات المعنية. السبب الكامن وراء إهمال حجم العينة هو أن الناس غالبًا 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 المستخدمة لإنتاج إحصائية معينة كبيرًا بما يكفي للسماح باستنتاجات ذات مغزى. إن معرفة متى يكون حجم العينة كبيرًا بما فيه الكفاية يمكن أن يمثل تحديًا لأولئك الذين ليس لديهم فهم جيد للطرق الإحصائية.
فهم إهمال حجم العينة
تعتمد معظم الاستدلالات الإحصائية على قانون الأعداد الكبيرة. يشير هذا إلى أنه مع وجود عينة كبيرة بما يكفي ، يمكن الاستدلال على خصائص المجتمع الذي يتم سحب العينة منه ، بدرجة معينة من الثقة ، من خصائص العينة. عندما يكون حجم العينة صغيرًا جدًا ، لا يمكن استخلاص استنتاجات دقيقة وجديرة بالثقة. يتكون إهمال حجم العينة من تجاهل تأثير العينات الصغيرة على قدرتنا على استخلاص مثل هذه الاستنتاجات. في سياق التمويل ، يمكن أن يؤدي ذلك إلى تضليل المستثمرين بطرق مختلفة.
على سبيل المثال ، قد يرى المستثمر إعلانًا عن صندوق استثمار جديد ، يتفاخر بأنه حقق عوائد سنوية بنسبة 15٪ منذ إنشائه. قد يسارع المستثمر إلى استنتاج أن هذا الصندوق هو تذكرة لتوليد الثروة بسرعة. ومع ذلك ، إذا لم يكن الصندوق موجودًا لفترة طويلة ، فقد يؤدي هذا الاستنتاج إلى تضليل المستثمر المحتمل. قد تكون النتائج ناتجة عن حالات شاذة قصيرة الأجل ولا علاقة لها بمنهجية الاستثمار الفعلية للصندوق.
غالبًا ما يتم الخلط بين إهمال حجم العينة وإهمال المعدل الأساسي ، وهو تحيز معرفي مرتبط. بينما يشير إهمال حجم العينة إلى الفشل في النظر في دور أحجام العينة في تحديد مصداقية المطالبات الإحصائية ، فإن إهمال المعدل الأساسي يتعلق بميل الناس إلى إهمال المعرفة الموجودة حول ظاهرة ما عند تقييم المعلومات الجديدة.
مثال من العالم الحقيقي لإهمال حجم العينة
لفهم إهمال حجم العينة بشكل أفضل ، ضع في اعتبارك المثال التالي ، المأخوذ من بحث Tversky و Kahneman:
يُطلب من شخص السحب من عينة مكونة من خمس كرات ، ليجد أن أربع كرات حمراء وواحدة خضراء.
سحب شخص من عينة من 20 كرة ، ووجد أن 12 كرة حمراء وثماني كرات خضراء.
ما العينة التي تقدم دليلاً أفضل على أن الكرات حمراء في الغالب؟
يقول معظم الناس أن العينة الأولى الأصغر تقدم دليلاً أقوى بكثير لأن نسبة الأحمر إلى الأخضر أعلى بكثير من العينة الأكبر. ومع ذلك ، في الواقع ، يفوق حجم العينة الأصغر النسبة الأعلى. في الواقع ، تقدم العينة المكونة من 20 دليلًا أقوى بكثير.
مثال آخر من Tversky و Kahneman هو كما يلي:
بلدة يخدمها مستشفيان. في المستشفى الأكبر ، يولد ما معدله 45 طفلاً كل يوم ، وفي المستشفى الأصغر يولد حوالي 15 طفلاً كل يوم. على الرغم من أن 50٪ من جميع الأطفال هم من الذكور ، إلا أن النسبة الدقيقة تتقلب من يوم لآخر.
خلال عام واحد ، سجلت كل مستشفى الأيام التي تصادف أن يكون فيها أكثر من 60٪ من الأطفال من الذكور. أي مستشفى سجلت المزيد من هذه الأيام؟
عند طرح هذا السؤال ، قال 22٪ من المستجيبين أن المستشفى الأكبر سيبلغ عن المزيد من هذه الأيام ، بينما قال 56٪ أن النتائج ستكون هي نفسها في كلا المستشفيين. في الواقع ، الإجابة الصحيحة هي أن المستشفى الأصغر ستسجل عددًا أكبر من هذه الأيام ، لأن حجمها الأصغر سينتج قدرًا أكبر من التباين.
كما أشرنا سابقًا ، فإن أساس إهمال حجم العينة هو أن الناس غالبًا ما يفشلون في فهم أن المستويات العالية من التباين من المرجح أن تحدث في عينات صغيرة. في الاستثمار ، يمكن أن يكون هذا مكلفًا للغاية بالفعل.
يسلط الضوء
إهمال حجم العينة هو تحيز معرفي درسه عاموس تفرسكي ودانيال كانيمان.
يتكون من استخلاص استنتاجات خاطئة من المعلومات الإحصائية ، بسبب عدم مراعاة تأثيرات حجم العينة.
أولئك الذين يرغبون في تقليل مخاطر إهمال حجم العينة يجب أن يتذكروا أن أحجام العينات الأصغر ترتبط بنتائج إحصائية أكثر تقلبًا ، والعكس صحيح.
