样本大小定义 编辑

什么是样本量忽略？

样本量忽略是一个重要的问题认知偏差由阿莫斯·特沃斯基和丹尼尔·卡尼曼. 当统计信息的使用者由于没有考虑问题而得出错误的结论时，就会发生这种情况样本量 有问题的数据。

忽视样本量的根本原因是人们往往无法理解方差 更可能发生在小样本中。因此，关键是要确定用于产生给定统计数据的样本量是否足够大，以便得出有意义的结论。

对于那些对统计方法没有很好理解的人来说，知道样本量何时足够大是一个挑战。

关键要点

• 样本量忽视是阿莫斯·特沃斯基和丹尼尔·卡尼曼研究的一种认知偏差。
• 它包括从统计信息中得出错误的结论，因为没有考虑样本量的影响。
• 那些希望减少样本量忽略风险的人应该记住，样本量越小，统计结果越不稳定，反之亦然。

了解样本大小忽略

当样本量太小时，就不能得出准确可靠的结论。在金融方面，这可能以各种方式误导投资者；

例如，一个投资者可能会看到一个新投资基金的广告，吹嘘自己已经创造了15%的收益年化收益 自成立以来。投资者可能很快就会承认，这只基金是他们快速创造财富的门票。然而，如果该基金投资时间不长，这一结论可能会受到危险的误导。在这种情况下，结果可能是由于短期异常，与基金的实际投资方法关系不大。

忽视样本量常常与基准利率忽略 ，这是一种独立的认知偏差。样本量忽略是指没有考虑样本量在确定统计数据可信度方面的作用，而基本比率忽略则是指人们在评估新信息时忽视对现象的现有知识的倾向。

样本量忽略的现实例子

为了更好地理解样本量忽略，请考虑以下示例，该示例来自Amos Tversky和Daniel Kahneman的研究：

一个人被要求从五个球的样品中抽取，发现四个是红色的，一个是绿色的。

一个人从20个球中抽取样本，发现其中12个是红色的，8个是绿色的。

哪个样本提供了更好的证据证明这些球主要是红色的？

大多数人说，第一个较小的样本提供了更有力的证据，因为红色和绿色的比例远远高于较大的样本。然而，在现实中，较高的比例被较小的样本量所抵消。20人的样本实际上提供了更有力的证据。

Amos Tversky和Daniel Kahneman的另一个例子如下：

一个城镇有两家医院。在大医院，平均每天有45个婴儿出生，在小医院，每天大约有15个婴儿出生。虽然50%的婴儿是男孩，但确切的比例每天都在波动。

在一年中，每家医院都记录了60%以上的婴儿碰巧是男孩的日子。哪家医院记录了更多这样的日子？

当被问及这一问题时，22%的受访者表示，规模较大的医院会报告更多这样的日子，而56%的受访者表示，两家医院的结果是一样的。事实上，正确的答案是，规模较小的医院会记录更多这样的天数，因为规模较小的医院会产生更大的可变性；

正如我们前面提到的，忽略样本量的根源在于人们往往无法理解高水平的方差更可能发生在小样本中。在投资方面，这确实是非常昂贵的。