Negligência do tamanho da amostra

O que é a negligência do tamanho da amostra?

A negligência do tamanho da amostra é um Daniel Kahneman. Ocorre quando os usuários de informações estatísticas tiram conclusões falsas ao deixarem de considerar o tamanho da amostra dos dados em questão.

A causa subjacente da negligência do tamanho da amostra é que as pessoas muitas vezes não conseguem entender que altos níveis de variação são mais prováveis ​​de ocorrer em pequenas amostras. Portanto, é fundamental determinar se o tamanho da amostra usado para produzir uma dada estatística é grande o suficiente para permitir conclusões significativas.

Saber quando o tamanho de uma amostra é suficientemente grande pode ser desafiador para aqueles que não têm uma boa compreensão dos métodos estatísticos.

Compreendendo a negligência do tamanho da amostra

Quando o tamanho da amostra é muito pequeno, conclusões precisas e confiáveis ​​não podem ser tiradas. No contexto das finanças, isso pode enganar os investidores de várias maneiras. 

Por exemplo, um investidor pode ver um anúncio de um novo fundo de investimento, gabando-se de ter gerado retornos anualizados de 15% desde seu início. O investidor pode ser rápido em incluir que este fundo é o seu bilhete para a rápida geração de riqueza. No entanto, essa conclusão pode ser perigosamente equivocada se o fundo não estiver investindo por muito tempo. Nesse caso, os resultados podem ser devidos a anomalias de curto prazo e pouco têm a ver com a metodologia de investimento real do fundo.

A negligência do tamanho da amostra é freqüentemente confundida com a negligência da taxa básica, que é um viés cognitivo separado. Enquanto a negligência do tamanho da amostra se refere à falha em considerar o papel dos tamanhos da amostra na determinação da confiabilidade das declarações estatísticas, a negligência da taxa básica se relaciona à tendência das pessoas de negligenciar o conhecimento existente sobre um fenômeno ao avaliar novas informações.

Exemplo do mundo real de negligência do tamanho da amostra

Para entender melhor a negligência do tamanho da amostra, considere o exemplo a seguir, que foi extraído da pesquisa de Amos Tversky e Daniel Kahneman:

Uma pessoa é solicitada a tirar uma amostra de cinco bolas e descobre que quatro são vermelhas e uma é verde.

Uma pessoa tira uma amostra de 20 bolas e descobre que 12 são vermelhas e oito são verdes.

Qual amostra fornece melhor evidência de que as bolas são predominantemente vermelhas?

A maioria das pessoas diz que a primeira amostra menor fornece evidências muito mais fortes porque a proporção de vermelho para verde é muito maior do que a amostra maior. No entanto, na realidade, a proporção mais alta é superada pelo tamanho menor da amostra. A amostra de 20, na verdade, fornece evidências muito mais fortes.

Outro exemplo de Amos Tversky e Daniel Kahneman é o seguinte:

Uma cidade é atendida por dois hospitais. No hospital maior, uma média de 45 bebês nascem a cada dia, e no hospital menor cerca de 15 bebês nascem a cada dia. Embora 50% de todos os bebês sejam meninos, a porcentagem exata varia de um dia para o outro.

Durante um ano, cada hospital registrou os dias em que mais de 60% dos bebês eram meninos. Qual hospital registrou mais dias assim?

Quando essa pergunta foi feita, 22% dos entrevistados disseram que o hospital maior relataria mais dias, enquanto 56% disseram que os resultados seriam os mesmos para os dois hospitais. Na verdade, a resposta correta é que o hospital menor registraria mais dias assim, pois seu menor tamanho produziria maior variabilidade. 

Como observamos anteriormente, a raiz da negligência do tamanho da amostra é que as pessoas muitas vezes não conseguem entender que altos níveis de variância são mais prováveis ​​de ocorrer em amostras pequenas. Ao investir, isso pode ser muito caro.