Monstergrootte verwaarlozing

Wat is verwaarlozing van de steekproefomvang?

Sample Size Neglect is een Daniel Kahneman. Het komt voor wanneer gebruikers van statistische informatie valse conclusies trekken door geen rekening te houden met de steekproefomvang van de gegevens in kwestie.

De onderliggende oorzaak van verwaarlozing van steekproefomvang is dat mensen vaak niet begrijpen dat hoge variantie waarschijnlijker is in kleine steekproeven. Daarom is het van cruciaal belang om te bepalen of de steekproefomvang die wordt gebruikt om een ​​bepaalde statistiek te produceren, groot genoeg is om zinvolle conclusies mogelijk te maken.

Weten wanneer een steekproefomvang voldoende groot is, kan een uitdaging zijn voor degenen die geen goed begrip hebben van statistische methoden.

Inzicht in verwaarlozing van steekproefomvang

Als een steekproef te klein is, kunnen er geen nauwkeurige en betrouwbare conclusies worden getrokken. In de financiële context kan dit investeerders op verschillende manieren misleiden. 

Een belegger kan bijvoorbeeld een advertentie zien voor een nieuw beleggingsfonds, dat opschept over het feit dat hij sinds de oprichting 15% op jaarbasis heeft behaald. De belegger voegt er misschien snel aan toe dat dit fonds hun ticket is voor snelle vermogensopbouw. Deze conclusie zou echter gevaarlijk misleid kunnen zijn als het fonds nog niet zo lang belegt. In dat geval kunnen de resultaten het gevolg zijn van kortetermijnanomalieën en weinig te maken hebben met de feitelijke beleggingsmethodologie van het fonds.

Sample Size Neglect wordt vaak verward met Base Rate Neglect, wat een aparte cognitieve bias is. Terwijl verwaarlozing van steekproefomvang verwijst naar het niet in overweging nemen van de rol van steekproefomvang bij het bepalen van de betrouwbaarheid van statistische claims, heeft verwaarlozing van basispercentages betrekking op de neiging van mensen om bestaande kennis over een fenomeen te verwaarlozen bij het evalueren van nieuwe informatie.

Voorbeeld uit de echte wereld van verwaarlozing van steekproefomvang

Om een ​​beter begrip te krijgen van Sample Size Neglect, kunt u het volgende voorbeeld bekijken, dat is ontleend aan onderzoek door Amos Tversky en Daniel Kahneman:

Een persoon wordt gevraagd om te trekken uit een steekproef van vijf ballen, en ontdekt dat er vier rood zijn en één groen.

Een persoon trekt uit een steekproef van 20 ballen en ontdekt dat 12 rood en acht groen zijn.

Welk monster geeft beter bewijs dat de ballen overwegend rood zijn?

De meeste mensen zeggen dat de eerste, kleinere steekproef veel sterker bewijs levert, omdat de verhouding van rood tot groen veel hoger is dan de grotere steekproef. In werkelijkheid weegt de hogere ratio echter niet op tegen de kleinere steekproefomvang. De steekproef van 20 levert eigenlijk veel sterker bewijs op.

Een ander voorbeeld van Amos Tversky en Daniel Kahneman is als volgt:

Een stad wordt bediend door twee ziekenhuizen. In het grotere ziekenhuis worden elke dag gemiddeld 45 baby’s geboren en in het kleinere ziekenhuis worden elke dag ongeveer 15 baby’s geboren. Hoewel 50% van alle baby’s jongens zijn, fluctueert het exacte percentage van dag tot dag.

Elk ziekenhuis registreerde gedurende een jaar de dagen waarop meer dan 60% van de baby’s toevallig jongens waren. Welk ziekenhuis registreerde meer van dergelijke dagen?

Toen deze vraag werd gesteld, zei 22% van de respondenten dat het grotere ziekenhuis meer van dergelijke dagen zou melden, terwijl 56% zei dat de resultaten voor beide ziekenhuizen hetzelfde zouden zijn. In feite is het juiste antwoord dat het kleinere ziekenhuis meer van dergelijke dagen zou registreren, omdat de kleinere omvang grotere variabiliteit zou veroorzaken. 

Zoals we eerder opmerkten, is de oorzaak van verwaarlozing van steekproefomvang dat mensen vaak niet begrijpen dat hoge niveaus van variantie vaker voorkomen in kleine steekproeven. Bij het investeren kan dit inderdaad erg kostbaar zijn.