Statistische Verzerrung ist die Differenz, die zwischen einem mathematischen Schätzer und seinem numerischen Wert auftritt, nachdem eine Analyse durchgeführt wurde.
Daher ist Bias der Unterschied zwischen Theorie und Realität.
Sie ist in der Statistik weit verbreitet und muss kontrolliert werden. Schätzer, die keinen Bias aufweisen, werden dagegen als unverzerrt bezeichnet und wären der Idealzustand in einer Untersuchung, obwohl dies praktisch unerreichbar ist.
Was erzeugt Voreingenommenheit in der Wissenschaft?
Der Bias kann vor allem auf drei Arten auftreten:
- Selektionsbias: In der Statistik am häufigsten. Normalerweise hat es mit der Auswahl der Gruppen zu tun. In den meisten Fällen wurde die Entscheidung nicht auf der Grundlage objektiver Stichprobenverfahren getroffen. Die Stichprobe wird beispielsweise aufgrund der Affinität zu einem Kandidaten in einer Umfrage ausgewählt.
- Informationsverzerrung: Wir stehen vor einer Verzerrung aufgrund unzureichender Informationen. Daher können wir die Gruppen nicht vergleichen, da wir zu wenig Informationen über sie haben.
- Verwirrungsbias: In diesem Fall gibt es eine sogenannte Störvariable, die den Bias verursacht. Es ist oft schwer zu finden, wo das Problem liegt.
Statistische Verzerrung und Stichprobenverfahren
Wenn wir eine Untersuchung durchführen, müssen wir wissen, ob wir eine explorative oder bestätigende Studie durchführen. Diese Frage ist wesentlich. Die Art der Bemusterung, die wir wählen, hängt davon ab.
Wenn wir eine Bestätigungsstudie durchführen wollen, verwenden wir daher randomisierte Methoden. Wenn jedoch beabsichtigt ist, eine Untersuchung durchzuführen, die als Grundlage für weitere Untersuchungen dienen soll, kann die Methode nicht zufällig sein. Es sollte beachtet werden, dass diese letzte Methode in der Regel kostengünstiger und einfacher ist.
Statistischer Selektionsbias
Dies ist die häufigste und die Forscher verpflichten sich in größerem Umfang. Wir müssen bei der Auswahl einer statistischen Stichprobe sehr vorsichtig sein. Diese Art von statistischem Selektionsbias wird in diesem Prozess begangen.
Aus diesem Grund ist es sehr wichtig, das Protokoll im Voraus zu erstellen und im Detail durchzuführen. Darüber hinaus müssen die Personen, die die Daten erheben, geschult werden. Dieser letzte Teil ist eine Priorität, um auch andere Arten von Verzerrungen, wie etwa Informationsverzerrungen, zu vermeiden.
Beispiele für statistischen Selektionsbias
Wir werden zum Abschluss einige Beispiele sehen, bei denen eine statistische Verzerrung auftreten kann.
Sie sind sehr verbreitet und führen oft zu voreingenommenen Untersuchungen, die nicht der Realität entsprechen. Deshalb ist es wichtig, sie zu vermeiden.
- Stellen Sie sich zum Beispiel vor, wir möchten die Affinität der Bevölkerung zu einem politischen Kandidaten untersuchen. Meinungsforscher könnten einen Voreingenommenheitsfehler machen, wenn sie die Bereiche nicht zufällig auswählen. Das heißt, wenn sie Bereiche wählen, die mit dem Kandidaten in Verbindung stehen.
- In den Wirtschaftswissenschaften kann man zum Beispiel bei der Armutsforschung eine Voreingenommenheit begehen. Die Länder sollten gleich gewählt werden, damit ein Gleichgewicht besteht. So könnten die Variablen untersucht werden, die Armut, aber auch Wohlstand fördern.
- In der Medizin tritt ein statistischer Selektionsbias auf, wenn bei der Untersuchung einer Krankheit keine adäquate Stichprobe verwendet wird. Das heißt, wenn wir die Populationsinzidenz sehen wollen, müssen wir Zufallsstichproben verwenden, insbesondere wenn das Ziel darin besteht, die Studie zu bestätigen.