नमूना आकार उपेक्षा

नमूना आकार की उपेक्षा क्या है?

नमूना आकार उपेक्षा एक संज्ञानात्मक पूर्वाग्रह है जिसका अध्ययन आमोस टावर्सकी और डैनियल कन्नमैन द्वारा किया गया था । यह तब होता है जब सांख्यिकीय जानकारी के उपयोगकर्ता प्रश्न में डेटा के नमूना आकार पर विचार करने में विफल होकर गलत निष्कर्ष निकालते हैं । नमूना आकार की उपेक्षा का मूल कारण यह है कि लोग अक्सर यह समझने में विफल होते हैं कि छोटे नमूनों में उच्च स्तर के विचरण होने की संभावना अधिक होती है। इसलिए, यह निर्धारित करना महत्वपूर्ण है कि किसी दिए गए आंकड़े को तैयार करने के लिए इस्तेमाल किया गया नमूना आकार सार्थक निष्कर्ष की अनुमति देने के लिए पर्याप्त है या नहीं। यह जानना कि नमूना आकार पर्याप्त रूप से बड़ा है, उन लोगों के लिए चुनौतीपूर्ण हो सकता है जिन्हें सांख्यिकीय विधियों की अच्छी समझ नहीं है।

नमूना आकार की उपेक्षा को समझना

बड़ी संख्या के नियम पर निर्भर करते हैं । यह कहता है कि एक बड़े पर्याप्त नमूने के साथ, नमूना की विशेषताओं से, कुछ हद तक विश्वास के साथ, जनसंख्या की विशेषताओं का अनुमान लगाया जा सकता है। जब एक नमूना आकार बहुत छोटा होता है, तो सटीक और भरोसेमंद निष्कर्ष नहीं निकाला जा सकता है। नमूने के आकार की उपेक्षा में ऐसे निष्कर्ष निकालने की हमारी क्षमता पर छोटे नमूनों के प्रभाव की अनदेखी करना शामिल है। वित्त के संदर्भ में, यह विभिन्न तरीकों से निवेशकों को गुमराह कर सकता है।

उदाहरण के लिए, एक निवेशक एक नए निवेश कोष के लिए एक विज्ञापन देख सकता है, जो अपनी स्थापना के बाद से 15% वार्षिक रिटर्न उत्पन्न करने का दावा करता है। निवेशक को यह निष्कर्ष निकालने की जल्दी हो सकती है कि यह फंड तेजी से धन सृजन का टिकट है। हालांकि, अगर फंड बहुत लंबा नहीं रहा है, तो यह निष्कर्ष संभावित निवेशक को गलत सूचना दे सकता है। परिणाम अल्पकालिक विसंगतियों के कारण हो सकते हैं और इसका फंड की वास्तविक निवेश पद्धति से बहुत कम लेना-देना है।

नमूना आकार की उपेक्षा अक्सर आधार दर उपेक्षा के साथ भ्रमित होती है, जो एक संबंधित संज्ञानात्मक पूर्वाग्रह है। जबकि नमूना आकार उपेक्षा सांख्यिकीय दावों की विश्वसनीयता का निर्धारण करने में नमूना आकार की भूमिका पर विचार करने में विफलता को संदर्भित करता है, आधार दर उपेक्षा नई जानकारी का मूल्यांकन करते समय किसी घटना के बारे में मौजूदा ज्ञान की उपेक्षा करने की लोगों की प्रवृत्ति से संबंधित है।

नमूना आकार की उपेक्षा का वास्तविक विश्व उदाहरण

नमूना आकार उपेक्षा को बेहतर ढंग से समझने के लिए, निम्नलिखित उदाहरण पर विचार करें, जो टावर्सकी और कन्नमैन के शोध से लिया गया है:

एक व्यक्ति को पांच गेंदों के नमूने से निकालने के लिए कहा जाता है, और वह पाता है कि चार लाल हैं और एक हरा है।

एक व्यक्ति 20 गेंदों के नमूने से खींचता है, और पाता है कि 12 लाल और आठ हरे हैं।

कौन सा नमूना इस बात का बेहतर सबूत देता है कि गेंदें मुख्य रूप से लाल हैं?

अधिकांश लोग कहते हैं कि पहला, छोटा नमूना अधिक मजबूत सबूत प्रदान करता है क्योंकि लाल से हरे रंग का अनुपात बड़े नमूने की तुलना में बहुत अधिक है। हालांकि, वास्तव में उच्च अनुपात छोटे नमूने के आकार से अधिक होता है। 20 का नमूना वास्तव में बहुत मजबूत सबूत प्रदान करता है।

टावर्सकी और कन्नमन का एक अन्य उदाहरण इस प्रकार है:

एक कस्बे में दो अस्पताल हैं। बड़े अस्पताल में हर दिन औसतन 45 बच्चे पैदा होते हैं और छोटे अस्पताल में हर दिन लगभग 15 बच्चे पैदा होते हैं। हालाँकि सभी शिशुओं में से 50% लड़के हैं, लेकिन सटीक प्रतिशत में दिन-प्रतिदिन उतार-चढ़ाव होता रहता है।

एक वर्ष के दौरान, प्रत्येक अस्पताल ने उन दिनों को दर्ज किया जब 60% से अधिक बच्चे लड़के थे। किस अस्पताल ने ऐसे अधिक दिन दर्ज किए?

यह सवाल पूछे जाने पर, 22% उत्तरदाताओं ने कहा कि बड़े अस्पताल ऐसे और दिनों की रिपोर्ट करेंगे, जबकि 56% ने कहा कि परिणाम दोनों अस्पतालों के लिए समान होंगे। वास्तव में, सही उत्तर यह है कि छोटा अस्पताल ऐसे अधिक दिनों को रिकॉर्ड करेगा, क्योंकि इसका छोटा आकार अधिक परिवर्तनशीलता पैदा करेगा।

जैसा कि हमने पहले उल्लेख किया है, नमूना आकार उपेक्षा की नींव यह है कि लोग अक्सर यह समझने में असफल होते हैं कि छोटे नमूनों में उच्च स्तर की भिन्नता होने की संभावना अधिक होती है। निवेश में, यह वास्तव में बहुत महंगा हो सकता है।

हाइलाइट्स

• नमूना आकार की उपेक्षा एक संज्ञानात्मक पूर्वाग्रह है जिसका अध्ययन अमोस टावर्सकी और डैनियल कन्नमैन द्वारा किया गया है।

• इसमें नमूना आकार के प्रभावों पर विचार न करने के कारण, सांख्यिकीय जानकारी से गलत निष्कर्ष निकालना शामिल है।

• नमूना आकार की उपेक्षा के जोखिम को कम करने के इच्छुक लोगों को यह याद रखना चाहिए कि छोटे नमूना आकार अधिक अस्थिर सांख्यिकीय परिणामों से जुड़े होते हैं, और इसके विपरीत।