Kas ir parauga lieluma novārtā atstāšana?
Parauga lieluma novārtā atstāšana ir izziņas neobjektivitāte, kuru slaveni pētījuši Amoss Tverskis un Daniels Kahnemans. Tas notiek, ja statistiskās informācijas lietotāji izdara nepatiesus secinājumus, neņemot vērā attiecīgo datu izlases lielumu.
Parauga lieluma nolaidības galvenais iemesls ir tas, ka cilvēki bieži vien nesaprot, ka mazos paraugos ir liela iespējamība, ka liela atšķirība. Tāpēc ir ļoti svarīgi noteikt, vai dotās statistikas iegūšanai izmantotais izlases lielums ir pietiekami liels, lai izdarītu jēgpilnus secinājumus.
Zināt, kad izlases lielums ir pietiekami liels, var būt izaicinājums tiem, kuriem nav laba izpratne par statistikas metodēm.
Taustiņu izņemšana
- Parauga lieluma novārtā atstāšana ir kognitīvs aizspriedums, kuru izpētījuši Amoss Tverskis un Daniels Kahnemans. Tas sastāv no nepatiesu secinājumu izdarīšanas no statistiskās informācijas, ņemot vērā, ka nav ņemta vērā izlases lieluma ietekme. Tiem, kas vēlas samazināt izlases lieluma atstāšanas novārtā risku, jāatceras, izlases lielumi ir saistīti ar nepastāvīgiem statistikas rezultātiem, un otrādi.
Izpratnes lieluma nolaidība
Ja izlases lielums ir pārāk mazs, precīzus un uzticamus secinājumus nevar izdarīt. Finanšu kontekstā tas dažādos veidos var maldināt investorus.
Piemēram, ieguldītājs, iespējams, redzēs jaunu ieguldījumu fondu, lepojoties ar to, ka kopš tā darbības sākuma ir guvis 15% gada ienesīgumu. Investors varētu ātri norādīt, ka šis fonds ir viņu biļete uz ātru bagātības radīšanu. Tomēr šo secinājumu var bīstami maldināt, ja fonds neveic ieguldījumus ļoti ilgi. Tādā gadījumā rezultātus varētu izraisīt īstermiņa anomālijas, un tiem ir maz sakara ar fonda faktisko ieguldījumu metodiku.
Parauga lieluma novārtā atstāšana bieži tiek sajaukta ar bāzes likmes nolaidību, kas ir atsevišķs izziņas aizspriedums. Kamēr izlases lieluma novārtā atstāšana norāda uz to, ka netiek ņemta vērā izlases lieluma loma statistisko apgalvojumu ticamības noteikšanā, bāzes likmes nolaidība ir saistīta ar cilvēku tieksmi novārtīt esošās zināšanas par parādību, novērtējot jaunu informāciju.
Parauga lieluma novārtā atstāšanas piemērs reālajā pasaulē
Lai labāk izprastu parauga lieluma atstāšanu novārtā, apsveriet šo piemēru, kas ņemts no Amosa Tversky un Daniela Kahnemana pētījumiem:
Personai tiek lūgts izdarīt no piecu bumbiņu parauga un viņš secina, ka četras ir sarkanas un viena ir zaļa.
Persona zīmē no 20 bumbiņu parauga un secina, ka 12 ir sarkanas un astoņas ir zaļas.
Kurš paraugs sniedz labākus pierādījumus tam, ka bumbiņas pārsvarā ir sarkanas?
Lielākā daļa cilvēku saka, ka pirmais, mazākais paraugs sniedz daudz spēcīgākus pierādījumus, jo sarkanā un zaļā attiecība ir daudz augstāka nekā lielākajam paraugam. Tomēr patiesībā augstāku attiecību atsver mazāks izlases lielums. 20 valstu izlase faktiski sniedz daudz pārliecinošākus pierādījumus.
Vēl viens Amos Tversky un Daniel Kahneman piemērs ir šāds:
Pilsētu apkalpo divas slimnīcas. Lielākā slimnīcā katru dienu piedzimst vidēji 45 mazuļi, bet mazākā slimnīcā katru dienu piedzimst apmēram 15 mazuļi. Lai arī 50% no visiem zīdaiņiem ir zēni, precīzs procentuālais daudzums katru dienu svārstās.
Gada laikā katra slimnīca reģistrēja dienas, kurās vairāk nekā 60% mazuļu bija zēni. Kurā slimnīcā reģistrēts vairāk šādu dienu?
Uzdodot šo jautājumu, 22% respondentu sacīja, ka lielāka slimnīca ziņos vairāk šādu dienu, savukārt 56% atbildēja, ka rezultāti būs vienādi abās slimnīcās. Faktiski pareizā atbilde ir tāda, ka mazāka slimnīca reģistrētu vairāk šādu dienu, jo mazāks izmērs radītu lielāku mainīgumu.
Kā mēs jau iepriekš atzīmējām, parauga lieluma novārtā ņemšanas iemesls ir tas, ka cilvēki bieži vien nesaprot, ka mazos paraugos ir lielāka iespējamība, ka augsts dispersijas līmenis. Ieguldot, tas tiešām var būt ļoti dārgi.
