Statistische bias - Wat het is, definitie en concept

Statistische bias is het verschil dat optreedt tussen een wiskundige schatter en zijn numerieke waarde, zodra een analyse is uitgevoerd.

Daarom is bias het verschil tussen theorie en realiteit.

Het is heel gebruikelijk in statistieken en moet worden gecontroleerd. Aan de andere kant worden schatters die geen vooringenomenheid hebben onbevooroordeeld genoemd en zouden de ideale toestand in een onderzoek zijn, hoewel dit praktisch onbereikbaar is.

Wat veroorzaakt vooringenomenheid in de wetenschap?

De bias kan vooral op drie manieren optreden:

• Selectiebias: Het komt het meest voor in statistieken. Meestal heeft het te maken met de keuze van groepen. Meestal is de beslissing niet genomen op basis van objectieve steekproefmethoden. De steekproef wordt bijvoorbeeld gekozen op basis van affiniteit met een kandidaat in een peiling.
• Informatiebias: We worden geconfronteerd met een vooroordeel door gebrekkige informatie. Daarom kunnen we de groepen niet vergelijken omdat we te weinig informatie over hen hebben.
• Verwarringsbias: In dit geval is er een zogenaamde confounding variabele, die de bias veroorzaakt. Het is vaak moeilijk te vinden waar het probleem zit.

Statistische bias en steekproefmethoden

Als we een onderzoek uitvoeren, moeten we weten of we een verkennend of bevestigend onderzoek gaan doen. Deze vraag is essentieel. Het type steekproef dat we kiezen, hangt ervan af.

Dus wanneer we een bevestigend onderzoek willen uitvoeren, zullen we gerandomiseerde methoden gebruiken. Wanneer het echter de bedoeling is om een ​​onderzoek uit te voeren als basis voor verder onderzoek, kan de methode niet willekeurig zijn. Houd er rekening mee dat deze laatste methode meestal goedkoper en eenvoudiger is.

Statistische selectiebias

Dit is de meest voorkomende en degene die onderzoekers in grotere mate inzetten. We moeten heel voorzichtig zijn bij het kiezen van een statistische steekproef. Dit type statistische selectiebias wordt in dit proces gepleegd.

Daarom is het van groot belang om vooraf het protocol vast te leggen en tot in detail uit te voeren. Daarnaast moeten de mensen die de data gaan verzamelen worden opgeleid. Dit laatste deel is een prioriteit om ook andere vormen van vooringenomenheid, zoals informatiebias, te vermijden.

Voorbeelden van statistische selectiebias

We zullen tot slot enkele voorbeelden bekijken waar een statistische vertekening kan optreden.

Ze komen veel voor en leiden vaak tot bevooroordeelde onderzoeken die de werkelijkheid niet weerspiegelen. Daarom is het belangrijk om ze te vermijden.

• Stel je bijvoorbeeld voor dat we de affiniteit van de bevolking voor een politieke kandidaat willen onderzoeken. Opiniepeilers zouden een vooringenomen fout kunnen maken als ze de gebieden niet willekeurig zouden selecteren. Dat wil zeggen, als ze gebieden kiezen die verband houden met die kandidaat.
• In de economie kun je een vooroordeel begaan, bijvoorbeeld bij de studie van armoede. De landen moeten gelijk worden gekozen, zodat er een evenwicht is. Zo zouden de variabelen die armoede, maar ook welvaart bevorderen, kunnen worden bestudeerd.
• In de geneeskunde treedt een statistische selectiebias op als er geen adequate steekproeven worden gebruikt bij het bestuderen van een ziekte. Dat wil zeggen, als we de populatie-incidentie willen zien, moeten we willekeurige steekproeven gebruiken, vooral als het doel is om het onderzoek te bevestigen.