Apa yang diabaikan Ukuran Sampel?
Pengabaian Ukuran Sampel adalah bias kognitif yang dipelajari oleh Amos Tversky dan Daniel Kahneman. Ini terjadi ketika pengguna informasi statistik membuat kesimpulan yang salah dengan tidak mempertimbangkan ukuran sampel data yang bersangkutan.
Penyebab mendasar dari Pengabaian Ukuran Sampel adalah bahwa orang sering gagal untuk 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 yang diberikan 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.
Pengambilan Kunci
- Pengabaian Ukuran Sampel adalah bias kognitif yang dipelajari oleh Amos Tversky dan Daniel Kahneman. Terdiri dari menarik kesimpulan palsu dari informasi statistik, karena belum mempertimbangkan efek ukuran sampel. Mereka yang ingin mengurangi risiko Pengabaian Ukuran Sampel harus ingat bahwa lebih kecil ukuran sampel dikaitkan dengan hasil statistik yang lebih tidak stabil, dan sebaliknya.
Memahami Pengabaian Ukuran Sampel
Ketika ukuran sampel terlalu kecil, kesimpulan yang akurat dan dapat dipercaya tidak dapat ditarik. Dalam konteks keuangan, ini dapat menyesatkan investor dengan berbagai cara.
Sebagai contoh, seorang investor mungkin melihat dana investasi baru, membual karena telah menghasilkan pengembalian tahunan 15% sejak awal. Investor mungkin cepat memasukkan bahwa dana ini adalah tiket mereka untuk menghasilkan kekayaan yang cepat. Namun, kesimpulan ini bisa sangat salah kaprah jika dana itu sudah lama tidak diinvestasikan. Dalam hal ini, hasilnya mungkin karena anomali jangka pendek dan tidak ada hubungannya dengan metodologi investasi aktual dana tersebut.
Pengabaian Ukuran Sampel sering dikacaukan dengan Pengabaian Tingkat Basis, yang merupakan bias kognitif terpisah. Sementara Pengabaian Ukuran Sampel mengacu pada kegagalan untuk mempertimbangkan peran ukuran sampel dalam menentukan kepercayaan klaim statistik, Pengabaian Tarif 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, perhatikan contoh berikut, yang diambil dari penelitian oleh Amos Tversky dan Daniel Kahneman:
Seseorang diminta untuk menggambar dari sampel 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 dominan berwarna 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 lebih besar daripada 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 anak 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 anak 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-hari tersebut, sementara 56% mengatakan bahwa hasilnya akan sama untuk kedua rumah sakit. Sebenarnya, jawaban yang benar adalah bahwa 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 kami catat sebelumnya, akar dari Pengabaian Ukuran Sampel adalah bahwa orang sering gagal memahami bahwa tingkat varians yang tinggi lebih mungkin terjadi pada sampel kecil. Dalam berinvestasi, ini bisa sangat mahal.
