নমুনা আকার অবহেলা সংজ্ঞায়িত

নমুনা আকার অবহেলা কি?

নমুনা আকার অবহেলা একটি জ্ঞানীয় পক্ষপাত যা বিখ্যাতভাবে আমোস ট্রভারস্কি এবং ড্যানিয়েল কাহেনিম্যান দ্বারা গবেষণা করা হয়েছিল। এটি তখন ঘটে যখন পরিসংখ্যানগত তথ্যের ব্যবহারকারীরা প্রশ্নের মধ্যে থাকা তথ্যের নমুনার আকার বিবেচনা করতে ব্যর্থ হয়ে মিথ্যা উপসংহারে পরিণত হন।

নমুনা আকার অবহেলার অন্তর্নিহিত কারণটি হ'ল লোকেরা প্রায়শই বুঝতে বুঝতে ব্যর্থ হয় যে ছোট নমুনাগুলিতে উচ্চ মাত্রার বৈকল্পিকতা বেশি দেখা যায়। অতএব, প্রদত্ত পরিসংখ্যান তৈরিতে ব্যবহৃত নমুনার আকারটি অর্থবহ সিদ্ধান্তে নেওয়ার পক্ষে যথেষ্ট কিনা তা নির্ধারণ করা গুরুত্বপূর্ণ।

নমুনার আকার কখন পর্যাপ্ত পরিমাণে বড় হয় তা জানা তাদের পক্ষে চ্যালেঞ্জিং হতে পারে যাঁদের কাছে পরিসংখ্যান পদ্ধতিগুলি সম্পর্কে ভাল ধারণা নেই।

কী Takeaways

• নমুনা আকার অবহেলা আমোস ট্রভারস্কি এবং ড্যানিয়েল কাহেনম্যান দ্বারা অধ্যয়ন করা একটি জ্ঞানীয় পক্ষপাত যা নমুনা আকারের প্রভাবগুলি বিবেচনা না করার কারণে এটি পরিসংখ্যান সম্পর্কিত তথ্য থেকে মিথ্যা উপসংহার আঁকা নিয়ে গঠিত। নমুনা আকারগুলি আরও অস্থির পরিসংখ্যান সংক্রান্ত ফলাফলগুলির সাথে সম্পর্কিত এবং তদ্বিপরীত।

নমুনা আকার অবহেলা বোঝা

যখন কোনও নমুনার আকার খুব ছোট হয়, সঠিক এবং বিশ্বাসযোগ্য সিদ্ধান্তে টানা যায় না। অর্থের প্রসঙ্গে, এটি বিনিয়োগকারীদের বিভিন্ন উপায়ে বিভ্রান্ত করতে পারে।

উদাহরণস্বরূপ, কোনও বিনিয়োগকারী একটি নতুন বিনিয়োগ তহবিলের জন্য দেখতে পাবে, প্রতিষ্ঠার পর থেকে 15% বার্ষিক রিটার্ন উত্পন্ন করার গর্ব করে। বিনিয়োগকারীদের অন্তর্ভুক্ত করার জন্য দ্রুত হতে পারে যে এই তহবিল তাদের দ্রুত সম্পদ উত্পাদন করার টিকিট। তবে, যদি এই তহবিল দীর্ঘদিন ধরে বিনিয়োগ না করে তবে এই উপসংহারটি বিপজ্জনকভাবে বিপথগামী হতে পারে। সেক্ষেত্রে ফলাফলগুলি স্বল্প-মেয়াদী অসংলগ্নতার কারণে হতে পারে এবং তহবিলের প্রকৃত বিনিয়োগ পদ্ধতিটির সাথে খুব কম সম্পর্ক রাখে।

নমুনা আকার অবহেলা প্রায়শই বেস রেট অবহেলার সাথে বিভ্রান্ত হয় যা একটি পৃথক জ্ঞানীয় পক্ষপাত। নমুনা আকার অবহেলা পরিসংখ্যানগত দাবিগুলির বিশ্বস্ততা নির্ধারণে নমুনা আকারগুলির ভূমিকা বিবেচনা করতে ব্যর্থতা বোঝায়, বেস রেট অবহেলা নতুন তথ্য মূল্যায়ন করার সময় কোনও ঘটনা সম্পর্কে বিদ্যমান জ্ঞানের অবহেলা করার প্রবণতা সম্পর্কিত।

নমুনা আকার অবহেলার বাস্তব বিশ্বের উদাহরণ

নমুনা আকার অবহেলা আরও ভালভাবে বুঝতে, নীচের উদাহরণটি বিবেচনা করুন, যা আমোস ট্রভারস্কি এবং ড্যানিয়েল কাহেনিমানের গবেষণা থেকে নেওয়া:

একজন ব্যক্তিকে পাঁচটি বলের নমুনা থেকে আঁকতে বলা হয় এবং তারা দেখতে পান যে চারটি লাল এবং একটি সবুজ।

কোনও ব্যক্তি 20 বলের নমুনাটি আঁকেন এবং দেখতে পান যে 12 টি লাল এবং আটটি সবুজ।

কোন নমুনা বলগুলি প্রধানত লাল বলে আরও ভাল প্রমাণ দেয়?

বেশিরভাগ লোকেরা বলে যে প্রথম, ছোট নমুনা অনেক বেশি শক্তিশালী প্রমাণ সরবরাহ করে কারণ লাল থেকে সবুজ অনুপাত বড় নমুনার চেয়ে অনেক বেশি higher তবে, বাস্তবে উচ্চতর অনুপাতটি ছোট নমুনার আকারের চেয়েও বেশি we 20 এর নমুনা আসলে আরও শক্তিশালী প্রমাণ সরবরাহ করে।

আমোস ট্রভারস্কি এবং ড্যানিয়েল কাহেনিম্যানের আরও একটি উদাহরণ নিম্নরূপ:

একটি শহর দুটি হাসপাতাল দ্বারা পরিবেশন করা হয়। বৃহত্তর হাসপাতালে প্রতিদিন গড়ে 45 জন শিশু জন্মগ্রহণ করে এবং ছোট হাসপাতালে প্রতিদিন প্রায় 15 শিশু জন্মগ্রহণ করে। যদিও সমস্ত শিশুর 50% ছেলে হয়, সঠিক শতাংশটি দিনে দিনে ওঠানামা করে।

এক বছরের মধ্যে, প্রতিটি হাসপাতালে সেই দিনগুলি রেকর্ড করা হয় যেখানে 60% এরও বেশি বাচ্চা ছেলে ছিল। এরকম দিনগুলিতে কোন হাসপাতাল রেকর্ড করেছে?

এই প্রশ্ন জিজ্ঞাসা করা হলে, 22% উত্তরদাতারা বলেছিলেন যে বৃহত্তর হাসপাতালটি আরও বেশি দিন এইরকম রিপোর্ট করবে, এবং 56% বলেছে যে উভয় হাসপাতালের ফলাফল একই হবে। প্রকৃতপক্ষে, সঠিক উত্তরটি হ'ল ছোট হাসপাতাল আরও এই জাতীয় দিনগুলি রেকর্ড করবে, কারণ এর ছোট আকারটি আরও বেশি পরিবর্তনশীলতা আনতে পারে।

যেমনটি আমরা আগে উল্লেখ করেছি, নমুনা আকার অবহেলার মূলটি হ'ল লোকেরা প্রায়শই বুঝতে বুঝতে ব্যর্থ হয় যে ছোট নমুনাগুলিতে উচ্চ মাত্রার ভেরিয়েন্স হওয়ার সম্ভাবনা বেশি। বিনিয়োগের ক্ষেত্রে এটি সত্যিই খুব ব্যয়বহুল হতে পারে।