El sesgo de supervivencia, el sesgo de supervivencia o el sesgo de tiempo inmortal es el error lógico de concentrarse en las personas o las cosas que pasaron por algún proceso de selección y pasando por alto a los que no lo hicieron, típicamente por su falta de visibilidad. Esto puede conducir a conclusiones incorrectas.
El sesgo de supervivencia es una forma de sesgo de selección que puede conducir a creencias demasiado optimistas porque se ignoran múltiples fallas, como cuando las empresas que ya no existen están excluidas de los análisis del desempeño financiero. También puede conducir a la falsa creencia de que los éxitos en un grupo tienen una propiedad especial, en lugar de solo una coincidencia (causalidad de correlación «demuestra»). Por ejemplo, si tres de los cinco estudiantes con las mejores calificaciones universitarias fueron a la misma escuela secundaria, eso puede hacer que uno crea que la escuela secundaria debe ofrecer una educación excelente cuando, de hecho, puede ser una escuela mucho más grande. . Esto puede entenderse mejor observando las calificaciones de todos los demás estudiantes de esa escuela secundaria, no solo los que hicieron el proceso de selección de los cinco primeros.
Otro tipo de sesgo de supervivencia implicaría pensar que un incidente no era tan peligroso porque todos se comunicaron con luego sobrevivieron. Incluso si uno supiera que algunas personas están muertas, no tendrían su voz para agregar a la conversación, lo que lleva a un sesgo en la conversación.
El investigador de parapsicología Joseph Banks Rhine creía que había identificado a los pocos individuos de cientos de sujetos potenciales que tenían poderes de percepción extra-sensorial (ESP). Sus cálculos se basaron en la improbabilidad de estos pocos sujetos adivinando las tarjetas Zener que se muestran a un compañero por casualidad. [1] Una crítica importante que surgió contra sus cálculos fue la posibilidad de un sesgo de supervivencia inconsciente en las selecciones de sujetos. Fue acusado de no tener en cuenta el gran tamaño efectivo de su muestra (todas las personas que rechazó no eran «telépatas fuertes» porque fallaban en una etapa de prueba anterior). Si hubiera hecho esto, podría haber visto que, desde la gran muestra, una o dos personas probablemente lograrían el historial de éxito que había encontrado exclusivamente por casualidad.
¿Qué es la falacia de Neyman?
El sesgo de Neyman es un sesgo de selección en el que los muy enfermos o muy bien (o ambos) se excluyen erróneamente de un estudio. El sesgo («error») en sus resultados puede estar sesgado en dos direcciones:
- Excluir a los pacientes que hayan muerto hará que las condiciones se vean menos graves.
- Excluir a los pacientes que se hayan recuperado hará que las condiciones se vean más severas.
Es posible que no sepa qué grupos (mejorados/murieron) que está excluyendo, lo que hace que sea imposible ajustar cualquier sesgo en sus resultados.
Este tipo de sesgo a menudo ocurre cuando ha pasado una cantidad significativa de tiempo entre la exposición y la investigación; Los pacientes que hayan muerto o recuperado serán excluidos erróneamente de cualquier análisis, sesgando los resultados hacia las personas que son más «promedio». Por ejemplo, un estudio de pacientes hospitalizados por la gripe extrañará a los pacientes que han muerto, y aquellos que han sido dados de alta después de la recuperación. El sesgo de Neyman es menos problemas con los casos agudos y de corta duración que con enfermedades a largo plazo como el VIH o la tuberculosis.
Este tipo de sesgo también se llama sesgo de prevalencia-incidencia del hecho de que es preferible usar casos incidentes en lugar de casos prevalentes. Los casos de incidentes son casos más nuevos, como las admisiones por primera vez. Los casos prevalentes son casos preexistentes, que generalmente están más enfermos con una enfermedad más progresada que los casos incidentes. La combinación de casos prevalentes y de incidentes puede empeorar el sesgo de incidencia prevalente, oscureciendo la verdadera relación entre sus variables de estudio (es decir, las variables en su experimento o estudio) (Magnus, 2008).
¿Qué es el sesgo de Neyman?
El sesgo de prevalencia-incidencia o el sesgo de Neyman ocurre debido al momento de cuándo se incluyen los casos en un estudio de investigación. David Sackett escribió en 1979: «Una mirada tardía a los expuestos (o afectados) temprano se perderá los episodios fatales y otros episodios cortos, además de casos y casos» silenciosos «leves o» silenciosos «en los que la evidencia de exposición desaparece con el inicio de la enfermedad».
Excluir a los pacientes que hayan muerto hará que la enfermedad parezca menos grave. Excluir a los pacientes que se hayan recuperado hará que la enfermedad parezca más grave. Cuanto mayor sea el tiempo entre la exposición y la investigación significa más probabilidad de que las personas que mueran o se recuperen de la enfermedad y, por lo tanto, se excluyan del análisis, y es más probable que este sesgo afecte las enfermedades de larga duración que las condiciones de acción corta.
Los estudios de casos y controles son más susceptibles a este sesgo, pero también puede ocurrir en estudios transversales y estudios experimentales o de cohortes.
Un estudio de casos y controles que investiga la neumonía que solo asciende a casos y controles ingresados en un hospital. Aquellos con neumonía que murieron antes de la admisión no se incluirán la muestra. La muestra seleccionada, por lo tanto, incluirá casos moderadamente severos, pero no casos fatales.
No hemos encontrado investigaciones formales del impacto del sesgo de prevalencia-incidencia.
La selección cuidadosa de muestras de estudio es crucial para desarrollar una buena comprensión de una enfermedad y sus causas. El uso de casos incidentes en lugar de casos prevalentes puede evitar el sesgo de prevalencia-incidencia (Neyman).
¿Cómo se aplica el sesgo de supervivencia?
El sesgo de supervivencia es el acto de centrarse en personas exitosas, empresas o estrategias e ignorar a las que fallaron. Por ejemplo, en la Segunda Guerra Mundial, las fuerzas aliadas estudiaron aviones que sobrevivieron a disparar para discernir la colocación de la armadura. Al descuidar los agujeros de bala en los aviones perdidos, se perdieron las áreas más vulnerables de los aviones.
También llamado «sesgo de sobrevivientes», este fenómeno se refiere a la tendencia humana a estudiar resultados exitosos e ignorar las fallas que lo acompañan. Debido a esto, adoptamos opiniones, estructuramos empresas y tomamos decisiones sin examinar todos los datos, lo que puede conducir fácilmente al fracaso.
Echa un vistazo a esta charla de TED para obtener más información sobre el sesgo de supervivencia.
Entonces, ¿cómo podemos evitar el sesgo de supervivencia en los negocios? Aquí hay nueve ejemplos comunes de sesgo de sobrevivientes, y sugerencias sobre cómo protegerse contra cada uno.
Si bien este ejemplo no tiene una correlación directa con los negocios, comenzaremos aquí porque a menudo se considera el lugar de nacimiento de la idea del sesgo de sobrevivientes.
En la Segunda Guerra Mundial, las fuerzas aliadas querían agregar una armadura protectora a sus aviones de guerra. Debido a que los recursos eran tensos, no podían agregar armadura a todo el avión. Por lo tanto, los expertos tenían que decidir qué áreas eran más vulnerables para atacar y se beneficiarían más de la protección adicional.
Para decidir dónde asignar la armadura, estudiaron aviones que habían sido disparados pero que llegaron con éxito a casa. Descubrieron que estos aviones no habían incurrido en agujeros de bala en el motor o la cabina, por lo que el obvio tren de pensamiento los llevó a colocar armaduras en todas partes en los aviones, excepto la cabina y el motor.
¿Quién fue Abraham Wald y en qué consiste el sesgo de supervivencia?
En la Segunda Guerra Mundial, el ejército de los Estados Unidos examinó aviones dañados y concluyó que deberían agregar armadura en las áreas más afectadas del avión. Abraham Wald en la Universidad de Columbia demostró que esta era la conclusión incorrecta, que en cambio, agregar armadura a las áreas menos afectadas de la aeronave es más efectiva. Wald razonó que el ejército solo estaba considerando aviones que habían sobrevivido a las misiones; Cualquier avión derribado o destruido no estaba disponible para ser estudiado.
El sesgo de supervivencia es donde solo consideramos cosas que pasan un proceso de selección, es decir, sobrevivientes y no fallas. Este sesgo cognitivo puede llevarnos a ser demasiado optimistas. Puede llevarnos a la correlación de errores de causalidad al extraer rasgos comunes en datos exitosos sin considerar que también estaba presente en las fallas.
Puede encontrar sesgo de supervivencia en casi todos los libros de negocios. Por ejemplo, en lo bueno de lo bueno: por qué algunas compañías dan el salto y otras no, Jim Collins analizó a 11 compañías de 1435 que superaron al mercado de valores durante 40 años, buscando rasgos comunes que creía que representaban su éxito. El problema con este método es que estos rasgos podrían haber existido en empresas fallidas.
¿Quién fue Abraham Wald?
Wald nació el 31 de octubre de 1902 en Kolozsvár, Transilvania, en el reino de Hungría. Un judío religioso, no asistió a la escuela los sábados, como lo requirió el sistema escolar húngaro, por lo que sus padres lo educaron en casa hasta la universidad. [1] Sus padres eran bastante conocedores y competentes como maestros. [3]
Durante la Segunda Guerra Mundial, Wald fue miembro del Grupo de Investigación Estadística (SRG) en la Universidad de Columbia, donde aplicó sus habilidades estadísticas a varios problemas de guerra. [5] Incluyeron métodos de análisis secuencial e inspección de muestreo. [5] Uno de los problemas en los que trabajó el SRG fue examinar la distribución del daño a los aviones que regresaron después de las misiones voladoras para proporcionar consejos sobre cómo minimizar las pérdidas de bombarderos al fuego enemigo. Wald obtuvo un medio útil para estimar la distribución de daños para todos los aviones que volaron de los datos sobre la distribución de daños de todas las aeronaves que regresaron. [2] [6] Su trabajo se considera seminal en la disciplina de la investigación operativa, que luego fue incipiente.
Wald y su esposa murieron en 1950 cuando el avión Air India (VT-CFK, un avión DC-3 [7]) en el que viajaban se estrelló cerca del pilar Rangaswamy en el norte de las montañas de Nilgiri, en el sur de la India, en un Extensa gira de conferencias por invitación del gobierno indio. [1] Había visitado el Instituto de Estadística India en Calcuta y debía asistir al Congreso de Ciencias de la India en Bangalore en enero. Sus dos hijos estaban de vuelta en casa en los Estados Unidos. [8]
Después de su muerte, Wald fue criticado por Sir Ronald A. Fisherfrs. Fisher atacó a Wald por ser un matemático sin experiencia científica que había escrito un libro incompetente sobre estadísticas. Fisher criticó particularmente el trabajo de Wald sobre el diseño de experimentos y la supuesta ignorancia de las ideas básicas del tema, según lo establecido por Fisher y Frank Yates. [9] El trabajo de Wald fue defendido por Jerzy Neyman al año siguiente. Neyman explicó el trabajo de Wald, particularmente con respecto al diseño de experimentos. [10] Lucien le Cam le acredita en su propio libro, Métodos asintóticos en la teoría de decisiones estadísticas: «Las ideas y las técnicas utilizadas reflejan en primer lugar la influencia de los escritos de Abraham Wald. . «[11]
¿Qué consecuencia tiene un sesgo de selección?
El sesgo de selección puede resultar cuando la selección de sujetos en un estudio o su probabilidad de ser retenido en el estudio conduce a un resultado diferente de lo que habría obtenido si hubiera inscrito a toda la población objetivo. Si uno inscribiera a toda la población y recopilara datos precisos sobre exposición y resultado, entonces podría calcular la verdadera medida de asociación. Generalmente no inscribimos a toda la población; En cambio, tomamos muestras. Sin embargo, si se muestreó a la población de manera justa, tal el muestreo de las cuatro células fue justo y representativo de la distribución de la exposición y el resultado en la población general, entonces se puede obtener una estimación precisa de la verdadera asociación (suponiendo una gran Suficiente muestra, de modo que el error aleatorio sea mínimo y supone que no hay otros sesgos o confusos). Conceptualmente, esto podría visualizarse mediante cuchares de igual tamaño (muestreo) para cada una de las cuatro células.
Sin embargo, si el muestreo no es representativo de las distribuciones de exposición-resultado en la población general, entonces las medidas de asociación serán sesgadas, y esto se conoce como sesgo de selección. En consecuencia, el sesgo de selección puede resultar cuando la selección de sujetos en un estudio o su probabilidad de ser retenido en un estudio de cohorte conduce a un resultado diferente de lo que habría obtenido si hubiera inscrito a toda la población objetivo. Un ejemplo de esto podría estar representado por la siguiente tabla, en la que los procedimientos de inscripción dieron como resultado un muestreo desproporcionadamente grande de sujeto enfermo que tuvo la exposición.
¿Cuáles son los tipos de sesgos?
Aunque el concepto de superioridad ilusoria posiblemente se remonta a Confucio y Sócrates, puede ser un shock que su discusión en forma del efecto Dunning-Kruger tenga casi 20 años; Y aunque puede ser simplemente el resultado de una cámara de eco creada a través de mis propias redes sociales, parece estar apareciendo con bastante frecuencia en las noticias y publicaciones que he estado leyendo últimamente, ¡incluso a través de memes! Para aquellos de ustedes que no están familiarizados con el fenómeno, el efecto Dunning-Kruger se refiere a un sesgo cognitivo en el que las personas con un bajo nivel de conocimiento en un tema particular evalúan por error su conocimiento o capacidad como mayor de lo que es. Del mismo modo, también se refiere a expertos que subestiman su propio nivel de conocimiento o capacidad.
Pero, de nuevo, tal vez no sea mi cámara de eco… tal vez sea parte integrante de nuestra nueva economía del conocimiento (Dwyer, 2017; Dwyer, Hogan y Stewart, 2014) y la forma en que procesamos información rápida y sin esfuerzo (derecho o derecho o derecho o incorrecto) con la ayuda de Internet. En cualquier caso, dada la frecuencia con la que parece haber encontrado mención de este sesgo cognitivo últimamente, junto con el interés en mi publicación de blog anterior 18 falacias lógicas y técnicas de persuasión comunes, decidí que podría ser interesante compilar una lista similar, Esta vez, uno de sesgos cognitivos.
Un sesgo cognitivo se refiere a un «error sistemático» en el proceso de pensamiento. Tales sesgos a menudo están conectados a una heurística, que es esencialmente un atajo mental: las heurísticas permiten que uno haga una inferencia sin una deliberación extensa y/o juicio reflexivo, dado que son esencialmente esquemas para tales soluciones (West, Toplak y Stanovich, 2008, 2008 ). Aunque existen muchas heurísticas interesantes, la siguiente lista trata exclusivamente con sesgos cognitivos. Además, estos no son los únicos sesgos cognitivos que existen (por ejemplo, también existe el efecto de halo y el fenómeno mundial justo); Más bien, son 12 sesgos comunes que afectan la forma en que tomamos decisiones cotidianas, desde mi experiencia.
Artículos Relacionados:
- La gente tiene un sesgo de disponibilidad que les hace subestimar la probabilidad de eventos negativos
- ¿Qué es el sesgo de encuadre y cómo afecta nuestras decisiones?
- Cómo satisfacer tus necesidades de supervivencia en el mundo moderno
- Sesgo de selección en estudios de investigación puede sesgar los resultados
