Il bias di raccolta dati si verifica quando selezioniamo erroneamente i soggetti che apparterranno al campione casuale in analisi.
Abbiamo il problema quando questa selezione rende il campione casuale non rappresentativo della popolazione statistica. E quindi qualsiasi risultato che otteniamo dal campione è distorto, e non possiamo affermare che sia stato soddisfatto nella popolazione analizzata.All'interno di questo bias, possiamo differenziare diversi tipi, che spiegheremo di seguito.
Bias di sopravvivenza
Si verifica quando i dati vengono esclusi dall'analisi perché non esistono più al momento dell'analisi.
In altre parole, ci concentriamo solo sui dati esistenti e scartiamo quelli che esistevano in precedenza nella popolazione. In pratica ci sono molti esempi di questo tipo di bias. Uno di questi è quello di effettuare sondaggi solo ai clienti di un'azienda, escludendo potenziali clienti. Un altro sarebbe valutare il comportamento degli indici azionari eliminando dall'analisi le società che erano e non sono più in quell'indice.
La soluzione a questo pregiudizio è molto semplice. Eseguire lo studio con tutti i dati, esistenti e preesistenti.
Pregiudizio di anticipazione
Si verifica quando viene eseguita un'analisi utilizzando dati che non sono disponibili al momento dell'analisi. Un esempio potrebbe essere quello di fare un'analisi del rapporto del prezzo di un'azione con qualche variabile dell'equilibrio finanziario. Il prezzo delle azioni è una variabile dinamica di cui abbiamo informazioni corrette al momento dell'analisi. Tuttavia, le variabili stabilite nello stato patrimoniale sono statiche e, pertanto, dovremmo attendere la pubblicazione del bilancio per questa analisi.
Supponiamo di voler studiare la relazione tra prezzo e patrimonio netto per un certo numero di società alla fine dell'anno fiscale. In questo caso, non avremo i dati sul patrimonio netto fino alla pubblicazione del bilancio. Pubblicazione che di solito viene data un paio di mesi dopo la fine dell'anno fiscale.
Pertanto, una soluzione a questo pregiudizio sarebbe attendere la pubblicazione del bilancio. Ed eseguire l'analisi con i dati pubblicati insieme al prezzo al momento della pubblicazione.
Distorsioni del periodo di tempo
Questa distorsione si verifica quando il periodo selezionato per i dati è troppo breve o troppo lungo.Se è troppo breve, l'analisi potrebbe riflettere risultati specifici che vengono soddisfatti solo per quel periodo. Cioè, non sarebbero rappresentativi per un periodo di tempo più lungo.
Immagina un arco di tempo di cinque anni in cui le piccole aziende hanno sovraperformato le grandi aziende sul mercato azionario. Da ciò si potrebbe trarre la conclusione che in futuro le piccole imprese supereranno sempre quelle grandi. Ma per un periodo di tempo così breve non è possibile trarre tali conclusioni. Dovuto principalmente al fatto che in periodi di tempo più lunghi la situazione potrebbe cambiare. Pertanto, i risultati ottenuti sono sbilanciati in questo periodo di tempo ridotto.