樣本量忽略

樣本大小忽視是一種認知偏差，著名的研究阿莫斯Tversky和丹尼爾卡尼曼。當統計資訊的使用者由於沒有考慮所討論資料的樣本大小而做出錯誤結論時，就會發生這種情況。...

什麼是樣本量忽略(sample size neglect)？

樣本大小忽視是一種認知偏差，著名的研究阿莫斯Tversky和丹尼爾卡尼曼。當統計資訊的使用者由於沒有考慮所討論資料的樣本大小而做出錯誤結論時，就會發生這種情況。

忽略樣本量的根本原因是人們常常不理解高水平的方差更可能發生在小樣本中。因此，關鍵是要確定用於產生給定統計資料的樣本量是否足夠大，以便得出有意義的結論。

對於那些對統計方法沒有很好理解的人來說，知道樣本量何時足夠大是一個挑戰。

關鍵要點

樣本量忽視是阿莫斯·特沃斯基和丹尼爾·卡尼曼研究的一種認知偏差。
它包括從統計資訊中得出錯誤的結論，因為沒有考慮樣本量的影響。
那些希望減少樣本量忽略風險的人應該記住，樣本量越小，統計結果越不穩定，反之亦然。

瞭解樣本大小忽略

當樣本量太小時，就不能得出準確可靠的結論。在金融領域，這可能以各種方式誤導投資者。

例如，一位投資者可能會看到一則新投資基金的廣告，吹噓其自成立以來已創造了15%的年化回報率。投資者可能很快就會承認，這隻基金是他們快速創造財富的門票。然而，如果該基金投資時間不長，這一結論可能會受到危險的誤導。在這種情況下，結果可能是由於短期異常，與基金的實際投資方法關係不大。

樣本量忽略常常與基本比率忽略相混淆，後者是一種獨立的認知偏差。樣本量忽略是指沒有考慮樣本量在確定統計資料可信度方面的作用，而基本比率忽略則是指人們在評估新資訊時忽視對現象的現有知識的傾向。

樣本量忽略的現例項子

為了更好地理解樣本量忽略，請考慮以下示例，該示例來自Amos Tversky和Daniel Kahneman的研究：

A person is asked to draw from a sample of five balls, and finds that four are red and one is green. A person draws from a sample of 20 balls, and finds that 12 are red and eight are green. Which sample provides better evidence that the balls are predominantly red?

大多數人說，第一個較小的樣本提供了更有力的證據，因為紅色和綠色的比例遠遠高於較大的樣本。然而，在現實中，較高的比例被較小的樣本量所抵消。20人的樣本實際上提供了更有力的證據。

Amos Tversky和Daniel Kahneman的另一個例子如下：

A town is served by two hospitals. In the larger hospital, an average of 45 babies are born each day, and in the **aller hospital about 15 babies are born each day. Although 50% of all babies are boys, the exact percentage fluctuates from day to day. During one year, each hospital recorded the days on which more than 60% of the babies happened to be boys. Which hospital recorded more such days?

當被問及這一問題時，22%的受訪者表示，規模較大的醫院會報告更多這樣的日子，而56%的受訪者表示，兩家醫院的結果是一樣的。事實上，正確的答案是，規模較小的醫院會記錄更多這樣的日子，因為規模較小的醫院會產生更大的變**。

正如我們前面提到的，忽略樣本量的根源在於人們往往無法理解高水平的方差更可能發生在小樣本中。在投資方面，這確實是非常昂貴的。