Apa Pengabaian Ukuran Sampel?
Pengabaian Ukuran Sampel adalah bias kognitif yang terkenal dipelajari oleh Amos Tversky dan Daniel Kahneman. Itu terjadi ketika pengguna informasi statistik membuat kesimpulan yang salah dengan tidak mempertimbangkan ukuran sampel dari data yang bersangkutan.
Penyebab mendasar dari Pengabaian Ukuran Sampel adalah orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi pada sampel kecil. Oleh karena itu, sangat penting untuk menentukan apakah ukuran sampel yang digunakan untuk menghasilkan statistik tertentu cukup besar untuk memungkinkan kesimpulan yang bermakna.
Mengetahui kapan ukuran sampel cukup besar dapat menjadi tantangan bagi mereka yang tidak memiliki pemahaman yang baik tentang metode statistik.
Ringkasan:
- Pengabaian Ukuran Sampel 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 dari ukuran sampel.
- Mereka yang ingin mengurangi risiko Pengabaian Ukuran Sampel harus ingat bahwa ukuran sampel yang lebih kecil dikaitkan dengan hasil statistik yang lebih fluktuatif, dan sebaliknya.
Memahami Pengabaian Ukuran Sampel
Kebanyakan inferensi statistik bergantung pada hukum bilangan besar. Ini mengatakan bahwa dengan sampel yang cukup besar, karakteristik populasi dari mana sampel diambil dapat disimpulkan, dengan tingkat kepercayaan tertentu, dari karakteristik sampel.
Ketika ukuran sampel terlalu kecil, kesimpulan yang akurat dan dapat dipercaya tidak dapat ditarik. Pengabaian ukuran sampel terdiri dari mengabaikan pengaruh sampel kecil pada kemampuan kita untuk menarik kesimpulan tersebut.
Dalam konteks keuangan, hal ini dapat menyesatkan investor dengan berbagai cara. Misalnya, seorang investor mungkin melihat iklan untuk dana investasi baru, membual telah menghasilkan 15% pengembalian tahunan sejak awal.
Investor mungkin cepat menyimpulkan bahwa dana ini adalah tiket menuju kekayaan yang cepat. Namun, jika dana tersebut belum ada dalam waktu lama, kesimpulan ini dapat memberikan informasi yang salah kepada calon investor.
Hasilnya mungkin karena anomali jangka pendek dan tidak ada hubungannya dengan metodologi investasi dana yang sebenarnya. Pengabaian Ukuran Sampel sering dikacaukan dengan Pengabaian Tingkat Dasar, yang merupakan bias kognitif terkait.
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 Dunia Nyata Pengabaian Ukuran Sampel
Untuk lebih memahami Pengabaian Ukuran Sampel, pertimbangkan contoh berikut, yang diambil dari penelitian Tversky dan Kahneman:
Seseorang diminta untuk mengambil sampel dari lima bola, dan menemukan bahwa empat berwarna merah dan satu berwarna hijau. Seseorang menarik dari sampel 20 bola, dan menemukan bahwa 12 berwarna merah dan delapan berwarna hijau.
Sampel mana yang memberikan bukti yang lebih baik bahwa bola didominasi warna merah?
Kebanyakan orang mengatakan bahwa sampel pertama yang lebih kecil memberikan bukti yang 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 Tversky dan 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 laki-laki. Rumah sakit mana yang mencatat lebih banyak hari seperti itu?
Saat 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.
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, dasar Pengabaian Ukuran Sampel adalah bahwa orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi dalam sampel kecil.
Dalam berinvestasi, ini memang bisa sangat mahal.