Hayatta kalma yanlılığı, veriler bugün artık mevcut olmadığı için analizden çıkarıldığında veri toplamada ortaya çıkan bir yanlılıktır.
Bu önyargı, yalnızca “hayatta kalan” verilere odaklandığımız çok çeşitli bağlamlarda ortaya çıkar. Bunun bir örneği, şirketler müşterilerine ürünlerinden biri hakkında anket yaptığında görülür. Ancak, bu durumda “hayatta kalmayanlar” olacak olan müşteri olmayanlarını unuturlar.
Bu durumda, bu çalışmadan sonuç çıkarmak yanlış olur. Sonuçlar yalnızca "hayatta kalan" nüfusa önyargılı olacağından. Ve temsili sonuçlar olmayacaklardı.
Uygulamada hayatta kalma yanlılığı
Bu önyargının açık bir örneği, yatırım fonlarının sonuçlarının incelenmesinde görülebilir. Çoğu veri tabanının yalnızca bugün var olan fonları içerdiği yer. Geçmişte var olan fonlardan bağımsız olarak.
Bugün var olmamalarının nedeni, performanslarının “hayatta kalanlardan” daha kötü olmasıdır. Veya birkaç fon bile birleştirildi. Bu nedenle, analizler en iyi sonucu veren fonlar üzerinde gerçekleştirilmektedir. Ve bu önyargı, bu fonların örneğinin performansını abartma eğilimindedir.
Bununla ilgili temel sorun artık sadece fonun performansının fazla tahmin edilmesi değil. Bunun yerine, seçilen örneklem, toplam popülasyonun rastgele bir örneği olmayacaktır. Ve bu nedenle, çalışmanın sonuçları popülasyonu temsil etmeyebilir. Sonunda, popülasyonun rastgele bir örneğini seçerken aradığımız şey budur.
Hayatta kalma yanlılığına çözüm
Geçmiş davranışına dayanarak yatırım yapmak için bir yatırım fonu seçmek istediğimizi düşünelim. Bu hayatta kalma yanlılığından kaçınmak ve bu seçimi optimize etmek için aşağıdaki adımları gerçekleştirmeliyiz:
- Çalışmayı planladığımız zaman ufkunu seçin. Örneğin, on, on beş veya yirmi yıllık bir tarih.
- Şu anda var olsun ya da olmasın, mevcut tüm fonları zaman ufkunun başından alın.
- Oradan, davranış çalışması için o popülasyondan örneği seçin.
Bunun fikri, sonunda, popülasyonun rastgele örneğini elde etmektir. Ve oradan, o popülasyonu temsil edebilirlerse, elde edilen sonuçlar.