Предвзятость отбора: что это такое, типы и примеры

Исследователям может понадобиться помощь при получении результатов, которые не соответствуют реалиям целевого сообщества. Причин тому множество, но наиболее важной является предвзятость отбора. Она возникает, когда выборка исследования не должна точно представлять интересующее население, что приводит к отклонениям в результатах исследования.

Понимание предвзятости отбора, ее практических последствий и лучших способов ее избежать поможет вам справиться с ее последствиями. Все, что вам нужно знать о том, как улучшить процесс сбора данных, будет описано в этой статье.

Что такое необъективность отбора?

Необъективность отбора относится к экспериментальным ошибкам, которые приводят к неточному представлению вашей исследовательской выборки. Она возникает, когда пул участников или данные не представляют целевую группу.

Значительной причиной необъективности отбора является то, что исследователь не учитывает характеристики подгрупп. Это приводит к фундаментальным различиям между переменными данными выборки и исследуемой популяции.

Предвзятость отбора возникает в исследованиях по нескольким причинам. Если исследователь выбирает выборочную совокупность, используя неправильные критерии, то можно найти множество примеров такой предвзятости. Она также может возникнуть из-за элементов, влияющих на желание добровольцев участвовать в исследовании.

Все статистические модели в науках об обучении требуют данных. Хорошие данные имеют решающее значение для разработки статистически достоверного набора моделей, но удивительно легко получить недостаточное количество информации. Предвзятость отбора влияет на исследователей на всех этапах процесса, от сбора данных до анализа.

Например, исследователи должны понимать, что их выводы могут быть неприменимы к другим людям или другим условиям. В этом типе ошибок люди случайным образом распределяются в одну из двух или более групп, но в действительности участвуют только некоторые люди, которые могут быть зачислены в группу.

Это означает, что люди, считающиеся подходящими кандидатами для участия в определенной программе, могут принять или не принять в ней участие. Таким образом, те, кто действительно участвует в программе, могут иметь иные характеристики, чем те, кто не участвует. Существование неслучайного процесса отбора может привести к неверным выводам о причинно-следственных связях и связанной с ними статистике, а также к недействительности собранных данных.

Типы предвзятости отбора

Существует множество типов предвзятости отбора, каждый из которых влияет на достоверность ваших данных определенным образом. Давайте рассмотрим некоторые из наиболее распространенных:

• Предвзятость выборки:

Предвзятость выборки - это форма предвзятости отбора, которая возникает, когда мы не собираем данные от всех людей, которые могут быть в нашей популяции, по важной переменной. Некоторые причины этого могут быть следующими: Исследователь собирает свою выборку в основном по принципу "удобной выборки" или "выборки по принципу удобства", а иногда путем тщательного отбора лиц, которые похожи и имеют сходные характеристики с объектами исследования, но еще не были случайно выбраны из популяции.

Это может исказить любой статистический анализ и понимание результатов в данном конкретном случае

Читать далее: Предвзятость в исследованиях

• Self-selection Bias:

Этот тип предвзятости отбора, также известный как "предвзятость добровольцев", возникает, когда люди, решившие принять участие в исследовании, не являются представителями более широкой популяции, представляющей интерес. Например, если вы хотите изучить предпочтения студентов в выборе профессии, вы можете привлечь только студентов из школ, известных тем, что они привлекают богатых студентов. Предвзятость добровольцев также может иметь место, когда в исследовании изучаются люди определенной расы, но в нем не хватает участников, относящих себя к этой расе.

Как и любая другая форма предвзятости, предвзятость самоотбора искажает данные, полученные в ходе исследования. В большинстве случаев исследователь в итоге получает крайне неточные результаты и отсутствие достоверности систематического исследования.

• Непредвзятость ответов

Непредвзятость ответов происходит, когда люди не отвечают на вопросы опроса или не участвуют в исследовательском проекте. Это часто происходит в исследованиях, когда участники не обладают соответствующими способностями, не имеют времени или испытывают чувство вины или стыда по поводу темы.

Например, исследователей интересует, как компьютерные ученые относятся к новой части программного обеспечения. Они провели опрос и обнаружили, что многие компьютерные ученые не ответили или не закончили.

Исследователи обнаружили, что после получения данных респонденты считают программное обеспечение отличным и высококачественным. Однако они обнаружили, что получают в основном неблагоприятную критику после выпуска нового программного обеспечения для всей популяции компьютерных ученых.

Участниками опроса были компьютерные ученые начального уровня, которые не могли заметить недостатки программы. Участники опроса не отражали более значительную популяцию компьютерных ученых. Следовательно, результаты были неточными.

• Exclusion Bias:

Inclusion bias происходит, когда исследователь намеренно включает некоторые подгруппы в выборочную совокупность. Оно тесно связано с ошибкой выборки без ответа и влияет на внутреннюю валидность вашего систематического исследования.

Эксперты определяют ошибку включения как "собирательный термин, охватывающий различные потенциальные ошибки, которые могут возникнуть в результате включения пациентов в исследование после рандомизации и последующего анализа". Когда это происходит, результаты вашего исследования могут установить ложную связь между переменными.

Предвзятость исключения возникает, когда вы намеренно исключаете некоторые подгруппы из выборочной совокупности до рандомизации их в группы. Возможно, вы исключили пациентов с определенными заболеваниями, такими как рак или ВИЧ/СПИД, потому что было бы неэтично изучать этих людей без их согласия. Или, возможно, вы исключили их, потому что не хотели предоставлять им доступ к другому варианту лечения во время клинического испытания. Некоторые исследователи также предпочитают не включать в клинические испытания людей, которые слишком больны или слишком стары для участия в них (потому что эти люди не смогут эффективно участвовать или не получат достаточной пользы от участия).

• Recall Bias:

Одной из наиболее распространенных форм предвзятости при воспоминаниях является ретроактивное искажение памяти. Ретроактивное искажение памяти происходит, когда люди вспоминают события и опыт таким образом, чтобы они соответствовали их текущим потребностям, а не первоначальной цели. Например, кто-то может вспомнить событие как положительный или даже приятный опыт, хотя оно должно было быть негативным. Кроме того, ретроактивное искажение памяти может возникать, когда люди с трудом вспоминают детали, важные для темы исследования, например, факты о собственной жизни или жизни других людей.

Ретроактивное искажение памяти также может возникать, когда люди включают неточную информацию в свои воспоминания. Например, человек может сообщить, что потратил пять часов на дорогу от работы до дома в определенный день, тогда как на самом деле это заняло всего три часа, потому что он пообедал за столом заранее и забыл об этом до конца дня.

• Предвзятость при выживании

Предвзятость при выживании возникает, когда исследователь подвергает переменные отбору и выбирает тех, кто успешно прошел процедуру. Такой метод предварительного отбора исключает неудачные переменные из-за их малозаметности.

Предвзятость выживания фокусируется на наиболее успешных факторах, даже если они не имеют соответствующих данных. Это может изменить результаты ваших исследований и привести к излишне позитивным мнениям, которые не отражают реальность.

Предположим, вы исследуете переменные успеха предпринимателей. Большинство известных предпринимателей не закончили колледж. Это может заставить вас предположить, что для начала карьеры достаточно закончить колледж с сильной концепцией. Но большинство бросивших колледж не становятся богатыми.

На самом деле, гораздо больше людей бросили колледж, чтобы начать неудачный бизнес. В этом примере имеет место предвзятость выживания, когда вы обращаете внимание только на тех, кто бросил колледж и добился успеха, и игнорируете подавляющее большинство бросивших колледж, которые потерпели неудачу.

• Предвзятость отсева

Предвзятость отсева возникает, когда некоторые респонденты выбывают из опроса во время его проведения. В результате в результатах вашего исследования остается много неизвестных, что снижает качество выводов.

В большинстве случаев исследователь ищет тенденции среди переменных отсева. Если вы сможете выявить эти тенденции, вы сможете определить, почему респонденты внезапно покинули ваше исследование, и принять соответствующие меры.

• Смещение охвата

Смещение охвата возникает, когда репрезентативная выборка составляется из меньшей части целевой совокупности. Онлайн-опросы особенно уязвимы к ошибке недоохвата.

В онлайн-опросе о самоотчетах о состоянии здоровья, допустим, вы сосредоточитесь на чрезмерном употреблении алкоголя и курении. Однако из-за способа проведения опроса вы намеренно исключаете людей, которые не пользуются Интернетом.

Таким образом, из вашей выборки выпадают люди старшего возраста и менее образованные. Поскольку пользователи и не-пользователи Интернета существенно различаются, вы не сможете получить надежные результаты онлайн-опроса.

Как избежать предвзятости отбора

Оценка силы связи между результатом (зависимой переменной) и несколькими предикторными переменными необходима для решения многих исследовательских вопросов. Для того чтобы избежать смещения отбора, обычно используются методы двумерного анализа и множественной регрессии.

Двумерный анализ - это количественный анализ, часто используемый для определения эмпирической связи между двумя переменными. В этом методе исследователи измеряют каждую предикторную переменную по отдельности, а затем применяют статистические тесты, чтобы определить, влияет ли она на итоговую переменную.

Если между предикторными переменными и итоговой нет никакой связи, то в процессе сбора данных не удастся обнаружить никаких признаков смещения отбора. Однако если между этими переменными существует какая-то связь, то возможно, что при сборе данных имело место некоторое смещение отбора.

Методы множественной регрессии позволяют исследователям оценить силу этой связи между результатом (зависимой переменной) и несколькими предикторными переменными.

Вполне возможно, что на результаты вашего опроса повлияло смещение отбора. Рассмотрите следующие советы, которые помогут вам избежать смещения отбора:

Во время разработки опроса

Попробуйте воспользоваться некоторыми из этих предложений, чтобы избежать смещения отбора, когда вы разрабатываете структуру вашего опроса:

• Убедитесь, что цели вашего опроса очевидны.
• Уточните стандарты, которым должна соответствовать ваша целевая аудитория.
• Предоставьте каждому возможному участнику справедливую возможность принять участие в опросе.

Во время отбора выборки

Подумайте о применении некоторых из этих стратегий на практике в процессе отбора выборки:

• Применяя в своих процессах случайную выборку, обеспечьте надлежащую рандомизацию.
• Убедитесь, что ваш список участников актуален и точно представляет целевую аудиторию.
• Убедитесь, что подгруппы представляют население в целом и имеют общие существенные факторы.

Во время оценки

При проведении процесса оценки и валидации необходимо подумать о том, как воплотить некоторые из этих идей в жизнь, чтобы избежать предвзятости отбора:

• Если вы хотите убедиться, что отбор выборки, процедура и сбор данных свободны от предвзятости, неплохо пригласить второго исследователя.
• Применяйте технологии для мониторинга изменения данных, чтобы выявить неожиданные результаты и быстро провести расследование, чтобы исправить или избежать неточных данных.
• Проверьте тенденции данных предыдущих фундаментальных исследований, чтобы убедиться, что ваше исследование находится на пути к сильной внутренней валидности.
• Пригласите людей, которые не ответили на опрос, на дополнительный опрос. Второй тур может дать больше голосов для более четкого понимания результатов.

Узнайте, как избежать предвзятости отбора с помощью этого быстрого видео Audience by !

Каковы последствия предвзятости отбора?

Всегда существует вероятность случайных или систематических ошибок в исследованиях, которые ставят под угрозу надежность результатов исследования. Предвзятость отбора может иметь различные последствия, и часто трудно сказать, насколько они значительны или в каком направлении. Эти последствия могут привести к ряду проблем для бизнеса, включая следующие:

• Риск потери доходов и репутации

Для планирования и стратегии бизнеса выводы, полученные из нерепрезентативных выборок, значительно менее полезны, поскольку они не соответствуют целевой аудитории. Существует риск потери денег и репутации, если деловые решения будут основаны на таких выводах.

• Влияет на внешнюю валидность анализа

Исследование становится менее достоверным в результате неточных данных. Поэтому внешняя достоверность анализа снижается из-за необъективной выборки.

• Это приводит к принятию неправильных деловых решений

Если конечные результаты необъективны и нерепрезентативны для темы, то полагаться на выводы исследования при принятии важных деловых решений небезопасно.

Вывод

Понимание предвзятости отбора, ее типов и того, как она влияет на результаты исследований, - это первый шаг в работе с ней. Мы обнаружили важные данные, которые помогут выявить ее и свести ее влияние к минимуму. Вы можете избежать смещения отбора, используя для сбора надежных исследовательских данных.

Различные ситуации могут привести к смещению отбора, например, при объединении не нейтральных выборок с системными проблемами. Инструментом корпоративного уровня для проведения исследований и альтернирующих опытов является исследовательский пакет .

Audience поможет вам собрать ценные данные из вашей идеальной выборки.

При проведении исследований важно понимать природу смещения отбора. Если вы проводите исследование о влиянии сахара на диабет, например, и у вас есть группа людей с диабетом, которые являются членами вашей церкви, это может быть источником смещения отбора. Они могут с большей вероятностью участвовать в церковных мероприятиях, чем те, кто не страдает диабетом, и поэтому с большей вероятностью попадут в выборку.

Если вы хотите избежать такого рода смещения в своем исследовании, вам следует собирать данные из широкого круга надежных источников с помощью Audience