Il bias statistico è la differenza che si verifica tra uno stimatore matematico e il suo valore numerico, una volta eseguita un'analisi.
Pertanto, il pregiudizio è la differenza tra teoria e realtà.
È molto comune nelle statistiche e deve essere controllato. D'altra parte, gli stimatori che non hanno bias sono chiamati unbiased e sarebbero lo stato ideale in un'indagine, anche se questo è perché è praticamente irraggiungibile.
Cosa produce pregiudizi nella scienza?
Il bias può manifestarsi, soprattutto, in tre modi:
- bias di selezione Selection: È il più comune nelle statistiche. Di solito ha a che fare con la scelta dei gruppi. Molto spesso, la decisione non è stata presa sulla base di metodi di campionamento oggettivi. Ad esempio, il campione viene scelto per affinità con un candidato in un sondaggio.
- bias di informazione Information: Siamo di fronte a un pregiudizio dovuto a informazioni carenti. Pertanto, non possiamo confrontare i gruppi perché disponiamo di informazioni troppo limitate su di essi.
- bias di confusione: In questo caso c'è una cosiddetta variabile confondente, che è ciò che causa il bias. Spesso è difficile trovare dove sia il problema.
Distorsioni statistiche e metodi di campionamento
Quando svolgiamo un'indagine dobbiamo sapere se stiamo per effettuare uno studio esplorativo o di conferma. Questa domanda è essenziale. Il tipo di campionamento che scegliamo dipenderà da questo.
Pertanto, quando vogliamo condurre uno studio di conferma, utilizzeremo metodi randomizzati. Tuttavia, quando l'intenzione è quella di condurre un esame che serva da base per ulteriori indagini, il metodo può essere non casuale. Va tenuto presente che quest'ultimo metodo è solitamente più economico e più semplice.
bias di selezione statistica Stati
Questo è il più comune e quello che i ricercatori si impegnano in misura maggiore. Bisogna stare molto attenti quando si sceglie un campione statistico. Questo tipo di bias di selezione statistica viene commesso in questo processo.
Ecco perché è molto importante stabilire in anticipo il protocollo e farlo in dettaglio. Inoltre, le persone che raccoglieranno i dati devono essere formate. Quest'ultima parte è prioritaria per evitare, anche, altri tipi di bias, come quello informativo.
Esempi di bias di selezione statistica
Vedremo, per finire, alcuni esempi in cui può verificarsi un bias statistico.
Sono molto comuni e spesso portano a indagini distorte che non riflettono la realtà. Ecco perché è importante evitarli.
- Ad esempio, immaginiamo di voler studiare l'affinità della popolazione per un candidato politico. I sondaggisti potrebbero commettere un errore di parzialità se non selezionassero le aree a caso. Cioè, se scelgono aree relative a detto candidato.
- In economia puoi commettere un pregiudizio, ad esempio, nello studio della povertà. I paesi dovrebbero essere scelti allo stesso modo in modo che ci sia un equilibrio. Si potrebbero così studiare le variabili che promuovono la povertà, ma anche la prosperità.
- In medicina, si verifica un errore di selezione statistica se non viene utilizzato un campionamento adeguato quando si studia una malattia. Cioè, se vogliamo vedere l'incidenza della popolazione, dobbiamo usare campioni casuali, soprattutto se l'obiettivo è confermare lo studio.
