O que é negligência no tamanho da amostra?
O tamanho da amostra Neglect é um viés cognitivo famoso por Amos Tversky e Daniel Kahneman. Ocorre quando os usuários de informações estatísticas tiram conclusões falsas ao não considerar o tamanho da amostra dos dados em questão.
A causa subjacente da Negligência do Tamanho da Amostra é que as pessoas geralmente não conseguem entender que altos níveis de variação são mais prováveis de ocorrer em amostras pequenas. Portanto, é fundamental determinar se o tamanho da amostra usada para produzir uma determinada estatística é grande o suficiente para permitir conclusões significativas.
Saber quando um tamanho de amostra é suficientemente grande pode ser um desafio para aqueles que não têm um bom entendimento dos métodos estatísticos.
Principais Takeaways
- Negligência do tamanho da amostra é um viés cognitivo estudado por Amos Tversky e Daniel Kahneman. Consiste em tirar conclusões falsas a partir de informações estatísticas, por não ter considerado os efeitos do tamanho da amostra. Aqueles que desejam reduzir o risco de negligência no tamanho da amostra devem lembrar que menores os tamanhos das amostras estão associados a resultados estatísticos mais voláteis e vice-versa.
Noções básicas sobre negligência no tamanho da amostra
Quando o tamanho da amostra é muito pequeno, não é possível tirar conclusões precisas e confiáveis. No contexto das finanças, isso pode enganar os investidores de várias maneiras.
Por exemplo, um investidor pode solicitar um novo fundo de investimento, vangloriando-se de ter gerado 15% de retorno anualizado desde a sua criação. O investidor pode ser rápido ao incluir que esse fundo é o seu ingresso para a rápida geração de riqueza. No entanto, esta conclusão pode ser perigosamente equivocada se o fundo não estiver investindo há 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 frequentemente confundida com a Negociação da taxa base, que é um viés cognitivo separado. Embora a Negociação do Tamanho da Amostra se refira à falha em considerar o papel do tamanho da amostra na determinação da confiabilidade das declarações estatísticas, a Negociação da Taxa Base está relacionada à tendência das pessoas de negligenciar o conhecimento existente sobre um fenômeno ao avaliar novas informações.
Exemplo do mundo real de negligência no tamanho da amostra
Para entender melhor a Negligência no tamanho da amostra, considere o exemplo a seguir, extraído da pesquisa de Amos Tversky e Daniel Kahneman:
Uma pessoa é convidada 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 melhores evidências 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 que a amostra maior. No entanto, na realidade, a maior proporção é superada pelo menor tamanho 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 servida por dois hospitais. No hospital maior, uma média de 45 bebês nascem todos os dias, e no hospital menor, cerca de 15 bebês nascem todos os dias. Embora 50% de todos os bebês sejam meninos, a porcentagem exata varia de dia para dia.
Durante um ano, cada hospital registrou os dias em que mais de 60% dos bebês eram meninos. Qual hospital registrou mais esses dias?
Ao fazer essa pergunta, 22% dos entrevistados disseram que o hospital maior relataria mais esses dias, enquanto 56% disseram que os resultados seriam os mesmos para os dois hospitais. De fato, a resposta correta é que o hospital menor registraria mais dias desse tipo, porque seu tamanho menor produziria maior variabilidade.
Como observamos anteriormente, a raiz da Negligência do tamanho da amostra é que as pessoas geralmente não conseguem entender que altos níveis de variação são mais prováveis de ocorrer em amostras pequenas. Ao investir, isso pode ser muito caro.
