Datenerhebungsbias tritt auf, wenn wir fälschlicherweise die Probanden auswählen, die zu der zu analysierenden Zufallsstichprobe gehören.
Wir haben das Problem, wenn diese Auswahl die Zufallsstichprobe nicht repräsentativ für die statistische Grundgesamtheit macht. Daher ist jedes Ergebnis, das wir aus der Stichprobe erhalten, verzerrt, und wir konnten nicht bestätigen, dass es in der analysierten Population erfüllt war. Innerhalb dieser Verzerrung können wir verschiedene Typen unterscheiden, die wir im Folgenden erläutern.
Überlebensbias
Tritt auf, wenn Daten von der Analyse ausgeschlossen werden, weil sie zum Zeitpunkt der Analyse nicht mehr vorhanden sind.
Mit anderen Worten, wir konzentrieren uns nur auf die vorhandenen Daten und verwerfen diejenigen, die zuvor in der Bevölkerung vorhanden waren. In der Praxis gibt es viele Beispiele für diese Art von Verzerrung. Eine davon ist, Umfragen nur bei den Kunden eines Unternehmens durchzuführen und potenzielle Kunden auszuschließen. Eine andere wäre, das Verhalten von Aktienindizes zu bewerten und die Unternehmen, die in diesem Index enthalten waren und nicht mehr enthalten sind, aus der Analyse zu eliminieren.
Die Lösung für diese Verzerrung ist sehr einfach. Führen Sie die Studie mit allen vorhandenen und bereits vorhandenen Daten durch.
Erwartungsverzerrung
Es tritt auf, wenn eine Analyse mit Daten durchgeführt wird, die zum Zeitpunkt der Analyse nicht verfügbar sind. Ein Beispiel wäre eine Analyse des Verhältnisses des Kurses einer Aktie zu einer Variablen des Finanzsaldos. Der Aktienkurs ist eine dynamische Variable, von der wir zum Zeitpunkt der Analyse die richtigen Informationen haben. Die in der Bilanz ermittelten Variablen sind jedoch statisch und daher sollten wir für diese Analyse die Veröffentlichung des Jahresabschlusses abwarten.
Angenommen, wir wollen am Ende des Geschäftsjahres für eine Reihe von Unternehmen das Verhältnis zwischen Kurs und Eigenkapital untersuchen. In diesem Fall werden uns die Vermögensdaten erst zur Veröffentlichung des Jahresabschlusses vorliegen. Die Veröffentlichung erfolgt in der Regel einige Monate nach Ende des Geschäftsjahres.
Daher wäre eine Lösung für diese Verzerrung, die Veröffentlichung des Jahresabschlusses abzuwarten. Und führen Sie die Analyse mit den veröffentlichten Daten zusammen mit dem Preis zum Zeitpunkt der Veröffentlichung durch.
Zeitraum-Bias
Diese Verzerrung tritt auf, wenn der für die Daten ausgewählte Zeitraum zu kurz oder zu lang ist. Wenn er zu kurz ist, könnte die Analyse bestimmte Ergebnisse widerspiegeln, die nur für diesen Zeitraum erfüllt werden. Das heißt, sie wären für einen längeren Zeitraum nicht repräsentativ.
Stellen Sie sich einen Zeitraum von fünf Jahren vor, in dem kleine Unternehmen große Unternehmen an der Börse übertroffen haben. Daraus könnten wir den Schluss ziehen, dass kleine Unternehmen in Zukunft immer die großen übertreffen werden. Aber für einen so kurzen Zeitraum können keine derartigen Schlussfolgerungen gezogen werden. Dies liegt vor allem daran, dass sich die Situation über einen längeren Zeitraum ändern kann. Daher sind die erhaltenen Ergebnisse auf diesen verkürzten Zeitraum verzerrt.