bias di Selezione

Valutazione | Biopsychology | Comparativa |Cognitivo | di Sviluppo | e Lingua | e differenze Individuali |Personalità | Filosofia | Social |
Metodi | Statistiche |Clinica | Educativi | Industriali |Professionali |Mondo psicologia |

Statistiche:Il metodo scientifico · metodi di Ricerca · disegno Sperimentale · statistiche di Laurea corsi · test Statistici · la teoria dei giochi · teoria delle Decisioni

Il bias di selezione è un bias statistico in cui vi è un errore nella scelta degli individui o dei gruppi per prendere parte a uno studio scientifico. A volte è indicato come l’effetto di selezione. Il termine “bias di selezione” si riferisce più spesso alla distorsione di un’analisi statistica, risultante dal metodo di raccolta dei campioni. Se il bias di selezione non viene preso in considerazione, alcune conclusioni potrebbero essere sbagliate.,

Tipi

Ci sono molti tipi di possibili bias di selezione, tra cui:

bias di Campionamento

il Campionamento di bias errore sistematico dovuto a un non-campione casuale della popolazione, causando alcuni membri della popolazione ad essere meno probabilità di essere incluso di altri, con conseguente distorta campione, definito come un campione statistico di una popolazione (o di non-fattori umani) in cui tutti i partecipanti non sono equamente bilanciato o oggettivamente rappresentato., È principalmente classificato come un sottotipo di bias di selezione, a volte specificamente definito bias di selezione del campione, ma alcuni lo classificano come un tipo separato di bias.

Una distinzione, anche se non universalmente accettata, del bias di campionamento è che mina la validità esterna di un test (la capacità dei suoi risultati di essere generalizzati al resto della popolazione), mentre il bias di selezione riguarda principalmente la validità interna per differenze o somiglianze trovate nel campione in questione., In questo senso, gli errori che si verificano nel processo di raccolta del campione o della coorte causano bias di campionamento, mentre gli errori in qualsiasi processo in seguito causano bias di selezione.

Esempi di bias di campionamento includono l’auto-selezione, il pre-screening dei partecipanti allo studio, l’attualizzazione dei soggetti / test di prova che non sono stati completati e il bias di migrazione escludendo i soggetti che si sono recentemente trasferiti all’interno o all’esterno dell’area di studio.

Intervallo di tempo

• Interruzione anticipata di uno studio in un momento in cui i suoi risultati supportano una conclusione desiderata.,
• Uno studio può essere terminato precocemente ad un valore estremo (spesso per ragioni etiche), ma è probabile che il valore estremo venga raggiunto dalla variabile con la più grande varianza, anche se tutte le variabili hanno una media simile.

Esposizione

• Bias di suscettibilità
  • Bias di suscettibilità clinica, quando una malattia predispone a una seconda malattia e il trattamento per la prima malattia sembra erroneamente predisporre alla seconda malattia., Ad esempio, la sindrome postmenopausale dà una maggiore probabilità di sviluppare anche il cancro dell’endometrio, quindi gli estrogeni somministrati per la sindrome postmenopausale possono ricevere una colpa superiore a quella effettiva per causare il cancro dell’endometrio.
  • Bias protopatico, quando un trattamento per i primi sintomi di una malattia o altro risultato sembra causare il risultato. È un pregiudizio potenziale quando c’è un tempo di ritardo dai primi sintomi e dall’inizio del trattamento prima della diagnosi effettiva. Può essere mitigato dal ritardo, cioè dall’esclusione delle esposizioni che si sono verificate in un certo periodo di tempo prima della diagnosi.,
  • Bias di indicazione, un potenziale mix up tra causa ed effetto quando l’esposizione dipende dall’indicazione, ad esempio un trattamento è dato a persone ad alto rischio di contrarre una malattia, potenzialmente causando una preponderanza di persone trattate tra coloro che acquisiscono la malattia. Ciò può causare un aspetto errato del trattamento come causa della malattia.

Dati

• Partizionare i dati con la conoscenza del contenuto delle partizioni, e poi analizzarli con test progettati per partizioni scelte ciecamente.,
• Rifiuto di dati “cattivi” per motivi arbitrari, anziché secondo criteri precedentemente dichiarati o generalmente concordati.
• Rifiuto di ” valori anomali “per motivi statistici che non tengono conto di informazioni importanti che potrebbero essere derivate da osservazioni” selvagge”.

Studi

• Selezione di quali studi includere in una meta-analisi (vedi anche meta-analisi combinatoria).,
• Eseguire esperimenti ripetuti e riportare solo i risultati più favorevoli, forse rietichettatura record di laboratorio di altri esperimenti come “prove di calibrazione”, “errori di strumentazione” o “indagini preliminari”.
• Presentando il risultato più significativo di un draga di dati come se fosse un singolo esperimento (che è logicamente lo stesso dell’elemento precedente, ma è visto come molto meno disonesto).

Attrito

Il pregiudizio di attrito è una sorta di pregiudizio di selezione causato dall’attrito (perdita di partecipanti), attualizzando soggetti / test di prova che non sono stati eseguiti fino al completamento., Include dropout, mancata risposta (tasso di risposta inferiore), ritiro e deviatori di protocollo. Fornisce risultati di parte quando è disuguale per quanto riguarda l’esposizione e / o il risultato. Ad esempio, in un test di un programma di dieta, il ricercatore può semplicemente rifiutare tutti coloro che abbandonano il processo, ma la maggior parte di coloro che abbandonano sono quelli per i quali non funzionava. Diverse perdite di soggetti nel gruppo di intervento e di confronto possono modificare le caratteristiche di questi gruppi e risultati indipendentemente dall’intervento studiato.,

Selezione dell’osservatore

I dati vengono filtrati non solo dalla progettazione e dalla misurazione dello studio, ma dalla condizione necessaria che ci sia qualcuno che fa uno studio. In situazioni in cui l’esistenza dell’osservatore o dello studio è correlata con i dati si verificano effetti di selezione dell’osservazione e è richiesto un ragionamento antropico.,

Un esempio è il record di eventi di impatto passati della Terra: se grandi impatti causano estinzioni di massa e interruzioni ecologiche che impediscono l’evoluzione degli osservatori intelligenti per lunghi periodi, nessuno osserverà alcuna prova di grandi impatti nel recente passato (dal momento che avrebbero impedito agli osservatori intelligenti di evolversi). Quindi c’è un potenziale pregiudizio nel record di impatto della Terra. I rischi esistenziali astronomici potrebbero allo stesso modo essere sottovalutati a causa di pregiudizi di selezione, e una correzione antropica deve essere introdotta.,

Evitamento

Nel caso generale, i pregiudizi di selezione non possono essere superati solo con l’analisi statistica dei dati esistenti, sebbene la correzione di Heckman possa essere utilizzata in casi speciali. Una valutazione informale del grado di bias di selezione può essere fatta esaminando le correlazioni tra variabili esogene (di fondo) e un indicatore di trattamento., Tuttavia, nei modelli di regressione, è la correlazione tra determinanti non osservati del risultato e determinanti non osservati della selezione nel campione che stima il pregiudizio, e questa correlazione tra non osservabili non può essere valutata direttamente dai determinanti osservati del trattamento.,

Problemi correlati

Il bias di selezione è strettamente correlato a:

• bias di pubblicazione o bias di segnalazione, la distorsione prodotta nella percezione della comunità o nelle meta-analisi non pubblicando risultati poco interessanti (di solito negativi) o risultati che vanno contro i pregiudizi dello sperimentatore, gli interessi di uno sponsor o le aspettative della comunità.
• bias di conferma, la distorsione prodotta da esperimenti che sono progettati per cercare prove di conferma invece di cercare di confutare l’ipotesi.,
• pregiudizio di esclusione, risultato dell’applicazione di criteri diversi a casi e controlli per quanto riguarda l’ammissibilità alla partecipazione per uno studio / diverse variabili che servono come base per l’esclusione.,

Vedi anche

• Berkson paradosso
• campionamento parziale
• il Cigno Nero teoria
• Cherry picking (fallacia)
• Finanziamento bias
• Elenco delle distorsioni cognitive
• bias di Campionamento
• profezia che si autoavvera
• la Partecipazione bias
• la Sopravvivenza bias

Note