Pengabaian ukuran sampel didefinisikan | Finansial 2022

Apa Pengabaian ukuran sampel didefinisikan?

Sample Size Neglect adalah Daniel Kahneman. Ini terjadi ketika pengguna informasi statistik membuat kesimpulan yang salah dengan gagal mempertimbangkan ukuran sampel data yang dimaksud.

Penyebab mendasar dari Pengabaian Ukuran Sampel adalah orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi dalam sampel kecil. Oleh karena itu, sangat penting untuk menentukan apakah ukuran sampel yang digunakan untuk menghasilkan statistik tertentu cukup besar untuk menghasilkan kesimpulan yang bermakna.

Mengetahui kapan ukuran sampel cukup besar dapat menjadi tantangan bagi mereka yang tidak memiliki pemahaman yang baik tentang metode statistik.

Poin Penting

Sample Size Neglect adalah bias kognitif yang dipelajari oleh Amos Tversky dan Daniel Kahneman.
Ini terdiri dari penarikan kesimpulan yang salah dari informasi statistik, karena tidak mempertimbangkan efek ukuran sampel.
Mereka yang ingin mengurangi risiko Pengabaian Ukuran Sampel harus ingat bahwa ukuran sampel yang lebih kecil dikaitkan dengan hasil statistik yang lebih tidak stabil, dan sebaliknya.

Memahami Pengabaian Ukuran Sampel

Jika ukuran sampel terlalu kecil, kesimpulan yang akurat dan dapat dipercaya tidak dapat diambil. Dalam konteks keuangan, hal ini dapat menyesatkan investor dengan berbagai cara.

Misalnya, seorang investor mungkin melihat iklan untuk dana investasi baru, membanggakan telah menghasilkan pengembalian tahunan 15% sejak awal. Investor mungkin dengan cepat memasukkan bahwa dana ini adalah tiket mereka untuk menghasilkan kekayaan secara cepat. Namun, kesimpulan ini bisa salah arah jika reksa dana tersebut tidak diinvestasikan dalam waktu yang lama. Dalam hal ini, hasil dapat disebabkan oleh anomali jangka pendek dan tidak ada hubungannya dengan metodologi investasi aktual reksa dana tersebut.

Pengabaian Ukuran Sampel sering dikacaukan dengan Pengabaian Tingkat Dasar, yang merupakan bias kognitif terpisah. Sementara Pengabaian Ukuran Sampel mengacu pada kegagalan untuk mempertimbangkan peran ukuran sampel dalam menentukan kepercayaan klaim statistik, Pengabaian Tingkat Dasar berkaitan dengan kecenderungan orang untuk mengabaikan pengetahuan yang ada tentang suatu fenomena ketika mengevaluasi informasi baru.

Contoh Pengabaian Ukuran Sampel di Dunia Nyata

Untuk lebih memahami Pengabaian Ukuran Sampel, pertimbangkan contoh berikut, yang diambil dari penelitian oleh Amos Tversky dan Daniel Kahneman:

Seseorang diminta untuk menggambar dari sampel yang terdiri dari lima bola, dan menemukan bahwa empat berwarna merah dan satu berwarna hijau.

Seseorang mengambil sampel dari 20 bola, dan menemukan bahwa 12 berwarna merah dan delapan berwarna hijau.

Sampel mana yang memberikan bukti lebih baik bahwa bola didominasi warna merah?

Kebanyakan orang mengatakan bahwa sampel pertama yang lebih kecil memberikan bukti yang jauh lebih kuat karena rasio merah ke hijau jauh lebih tinggi daripada sampel yang lebih besar. Namun, pada kenyataannya rasio yang lebih tinggi sebanding dengan ukuran sampel yang lebih kecil. Sampel 20 sebenarnya memberikan bukti yang jauh lebih kuat.

Contoh lain dari Amos Tversky dan Daniel Kahneman adalah sebagai berikut:

Sebuah kota dilayani oleh dua rumah sakit. Di rumah sakit yang lebih besar, rata-rata 45 bayi lahir setiap hari, dan di rumah sakit yang lebih kecil sekitar 15 bayi lahir setiap hari. Meskipun 50% dari semua bayi adalah laki-laki, persentase pastinya berfluktuasi dari hari ke hari.

Selama satu tahun, setiap rumah sakit mencatat hari-hari di mana lebih dari 60% bayi adalah laki-laki. Rumah sakit mana yang mencatat lebih banyak hari seperti itu?

Ketika ditanya pertanyaan ini, 22% responden mengatakan bahwa rumah sakit yang lebih besar akan melaporkan lebih banyak hari seperti itu, sementara 56% mengatakan bahwa hasilnya akan sama untuk kedua rumah sakit tersebut. Faktanya, jawaban yang benar adalah rumah sakit yang lebih kecil akan mencatat lebih banyak hari seperti itu, karena ukurannya yang lebih kecil akan menghasilkan variabilitas yang lebih besar.

Seperti yang kita catat sebelumnya, akar dari Pengabaian Ukuran Sampel adalah orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi dalam sampel kecil. Dalam berinvestasi, ini memang bisa sangat mahal.

Apa Pengabaian ukuran sampel didefinisikan?

Poin Penting

Memahami Pengabaian Ukuran Sampel

Contoh Pengabaian Ukuran Sampel di Dunia Nyata

Artikel terkait