El sesgo de selección es el sesgo introducido por la selección de individuos, grupos o datos para el análisis de tal manera que no se logra la aleatorización adecuada, lo que no se asegura de que la muestra obtenida sea representativa de la población destinada a analizarse. [1] A veces se conoce como el efecto de selección. La frase «sesgo de selección» se refiere con mayor frecuencia a la distorsión de un análisis estadístico, como resultado del método de recolección de muestras. Si el sesgo de selección no se tiene en cuenta, entonces algunas conclusiones del estudio pueden ser falsas.
El sesgo de muestreo es un error sistemático debido a una muestra no aleatoria de una población, [2] haciendo que algunos miembros de la población tengan menos probabilidades de ser incluidos que otros, lo que resulta en una muestra sesgada, definida como una muestra estadística de una población ( o factores no humanos) en los que todos los participantes no están igualmente equilibrados u representados objetivamente. [3] Se clasifica principalmente como un subtipo de sesgo de selección, [4] a veces específicamente denominado sesgo de selección de muestra, [5] [6] [7] pero algunos lo clasifican como un tipo separado de sesgo. [8]
Una distinción del sesgo de muestreo (aunque no es universalmente aceptado) es que socava la validez externa de una prueba (la capacidad de sus resultados que se generalizará al resto de la población), mientras que el sesgo de selección aborda principalmente la validez interna para las diferencias o similitudes encontradas en la muestra en cuestión. En este sentido, los errores que ocurren en el proceso de recopilación de la muestra o cohorte causan sesgo de muestreo, mientras que los errores en cualquier proceso a partir de entonces causan sesgo de selección.
Los ejemplos de sesgo de muestreo incluyen la autoselección, la prevención previa de los participantes de los ensayos, el descuento de los sujetos/pruebas que no se ejecutaron hasta la finalización y el sesgo de migración al excluir a los sujetos que recientemente se mudaron al área de estudio, sesgo de duración, sesgo de duración, Donde se detecta la enfermedad en desarrollo lento con un mejor pronóstico, y el sesgo de tiempo de entrega, donde la enfermedad se diagnostica participantes anteriores que en las poblaciones de comparación, aunque el curso promedio de la enfermedad es el mismo.
- Terminación temprana de un ensayo en un momento en que sus resultados respaldan la conclusión deseada.
- Un ensayo puede finalizarse temprano a un valor extremo (a menudo por razones éticas), pero es probable que el valor extremo sea alcanzado por la variable con la mayor varianza, incluso si todas las variables tienen una media similar.
- El sesgo de susceptibilidad clínica, cuando una enfermedad predispone para una segunda enfermedad, y el tratamiento para la primera enfermedad parece predisponer erróneamente a la segunda enfermedad. Por ejemplo, el síndrome posmenopáusico proporciona una mayor probabilidad de desarrollar también el cáncer de endometrio, por lo que los estrógenos administrados para el síndrome posmenopáusico pueden recibir una culpa más alta de lo real por causar cáncer de endometrio. [9]
- El sesgo protopático, cuando un tratamiento para los primeros síntomas de una enfermedad u otro resultado parece causar el resultado. Es un sesgo potencial cuando hay un tiempo de retraso desde los primeros síntomas y el inicio del tratamiento antes del diagnóstico real. [9] Se puede mitigar retrasando, es decir, la exclusión de exposiciones que ocurrieron en un cierto período de tiempo antes del diagnóstico. [10]
- Sesgo de indicación, una posible mezcla entre causa y efecto cuando la exposición depende de la indicación, p. Se otorga un tratamiento a las personas en alto riesgo de adquirir una enfermedad, lo que puede causar una preponderancia de las personas tratadas entre las que adquieren la enfermedad. Esto puede causar una apariencia errónea de que el tratamiento sea una causa de la enfermedad. [11]
- Datos de partición (dividir) con conocimiento de los contenidos de las particiones, y luego analizarlos con pruebas diseñadas para particiones elegidas ciegamente.
- Alteración post hoc de la inclusión de datos basada en razones arbitrarias o subjetivas, que incluyen:
- La selección de cerezas, que en realidad no es un sesgo de selección, sino un sesgo de confirmación, cuando se eligen subconjuntos específicos de datos para respaldar una conclusión (por ejemplo, citando ejemplos de accidentes avión Complete de forma segura. Ver: Disponibilidad heurística)
- El rechazo de los datos incorrectos sobre (1) motivos arbitrarios, en lugar de según los criterios de según los criterios o (2) que descartan los «valores atípicos» por motivos estadísticos que no tienen en cuenta la información importante que podría derivarse de observaciones «salvajes». [12]
- Realización de experimentos repetidos e informando solo los resultados más favorables, tal vez la relabinación de registros de laboratorio de otros experimentos como «pruebas de calibración», «errores de instrumentación» o «encuestas preliminares».
- Presentar el resultado más significativo de un dragado de datos como si fuera un solo experimento (que es lógicamente el mismo que el elemento anterior, pero se ve mucho menos deshonesto).
El sesgo de deserción es un tipo de sesgo de selección causado por la deserción (pérdida de participantes), [13] descuenta los sujetos/pruebas de prueba que no se completaron. Está estrechamente relacionado con el sesgo de supervivencia, donde solo los sujetos que «sobrevivieron» a un proceso se incluyen en el análisis o el sesgo de falla, donde solo se incluyen los sujetos que «fallaron» un proceso. Incluye abandono, no respuesta (tasa de respuesta más baja), retiro y desviadores de protocolo. Da resultados sesgados donde es desigual con respecto a la exposición y/o el resultado. Por ejemplo, en una prueba de un programa de dieta, el investigador puede simplemente rechazar a todos los que abandonan el juicio, pero la mayoría de los que abandonan son aquellos para quienes no estaba funcionando. La diferente pérdida de sujetos en el grupo de intervención y comparación puede cambiar las características de estos grupos y los resultados, independientemente de la intervención estudiada. [13]
¿Qué significa sesgo de selección?
Esta explicación del término de investigación apareció por primera vez en una columna regular llamada «Lo que los investigadores significan por…» que se ejecutó en el boletín del Instituto para el Trabajo y la Salud en el trabajo durante más de 10 años (2005-2017). La columna cubrió más de 35 términos de investigación comunes utilizados en la salud y las ciencias sociales. La colección completa de términos definidos está disponible en línea o en una guía que se puede descargar desde el sitio web.
La mayoría de los estudios científicos están diseñados para identificar el efecto de algo, como el efecto de una afección en el desarrollo de un problema (enfermedad, lesión) o el efecto de una intervención (tratamiento, programa) en la superación de un problema. Los científicos generalmente determinan el efecto tomando dos grupos similares, la única diferencia es la exposición de los grupos a esa condición o intervención, y medir la diferencia en los resultados experimentados por ellos.
Pero, ¿qué sucede cuando los dos grupos seleccionados no fueron similares para comenzar? ¿Qué pasaría si las características clave que distinguen a los dos podrían haber jugado un papel en la producción de los diferentes resultados? Ese es un ejemplo de lo que se llama sesgo de selección.
El sesgo es un tipo de error que se sesga sistemáticamente da como resultado una determinada dirección. El sesgo de selección es un tipo de error que ocurre cuando el investigador decide quién será estudiado. Por lo general, se asocia con la investigación donde la selección de participantes no es aleatoria (es decir, con estudios de observación como cohorte, casos controles y estudios transversales).
Por ejemplo, digamos que desea estudiar los efectos de las noches de trabajo sobre la incidencia de un determinado problema de salud. Usted recopila información de salud sobre un grupo de 9 a 5 trabajadores y un grupo de trabajadores que realizan el mismo tipo de trabajo, pero de noche. Luego mide las tasas a las que los miembros de ambos grupos informaron el problema de salud. Puede concluir que el trabajo nocturno está asociado con un aumento en ese problema.
¿Qué es el sesgo de selección?
Durante la Segunda Guerra Mundial, un estadístico llamado Abraham Wald recibió un trabajo bastante inesperado, dada su antecedentes: de mejorar la tasa de supervivencia de los aviones estadounidenses. Wald era un hombre inteligente y revisó los análisis anteriores que se habían hecho. Los investigadores anteriores habían visto el daño y la destrucción tratados a los aviones, y aconsejaron que se agregara más armadura a las áreas más dañadas, para aumentar su protección. Se dispararon y se desgarraron partes específicas, por lo que se agregó una nueva armadura.
Sin embargo, la tasa de supervivencia no aumentó. De hecho, disminuyó, ya que la nueva armadura agregó peso y redujo la agilidad de los aviones, y aún regresaron con daños en las mismas áreas. Wald observó todo esto y aconsejó que la fuerza aérea comience a agregar armadura solo a las áreas intactas: las partes sin rastro de daño. Él razonó que los únicos datos sobre la capacidad de supervivencia provenían de los planos sobrevivientes mismos; Los que volvieron con daño mostraron exactamente dónde se podían tratar los golpes no letales.
Con el consejo tomado a bordo, la capacidad de supervivencia aumentó y el resto es, bueno, la historia. Si bien esto lo convierte en un gran ejemplo de pensamiento lateral, también nos dice algo crítico sobre la recopilación de datos, la del sesgo de selección.
El sesgo de selección es un error experimental que ocurre cuando el grupo de participantes, o los datos posteriores, no es representativo de la población objetivo.
¿Cuándo se comete un sesgo de selección?
El sesgo de selección se define como un desequilibrio no aleatorio entre los grupos de tratamiento de la distribución de factores capaces de influir en los puntos finales, es decir, de factores subexperimentales (incluidos los factores pronósticos).
El sesgo puede ser introducido por los métodos utilizados para seleccionar una población de interés, identificar y probar una fuente de tales pacientes, reclutar y retener a esos pacientes, y para difundir los resultados.4 Los estudios de observación son propensos a sesgo con respecto a la selección de la selección de Fuentes de pacientes expuestos y no expuestos, o casos y controles. Los pacientes y su equipo de tratamiento pueden introducir el sesgo participando o no participando en función de las exposiciones y resultados en estudio. Los estudios de cohortes prospectivos y los ensayos aleatorizados son propensos al sesgo con respecto a la pérdida diferencial para el seguimiento.2 Estudios sin protocolos previamente planificados y publicitados y planes de análisis estadístico son propensos al sesgo con respecto a la selección de resultados para informar (favorecer los resultados con diferencias estadísticamente significativas significativas Entre grupos), y los estudios que no encuentran una diferencia entre los grupos con respecto al resultado primario (estudios «negativos») pueden dar lugar a «sesgo de publicación», es decir, nunca son presentados o no seleccionados para su publicación por los editores de revistas .11
Cualquier modelo de sesgo de selección se puede describir en términos de distribuciones ponderadas. Sea un vector de resultados de interés y sea X un vector de variables «control» o «explicativas». La distribución de la población de (y, x) es f (y, x). Para simplificar la exposición, suponga que la densidad está bien definida y escríbela como f (y, x). Cualquier regla de muestreo es equivalente a una función de ponderación no negativa ω (y, x) que altera la densidad de población. Las personas son seleccionadas en la población muestreada por una regla que difiere, en general, del muestreo aleatorio. Sea (y*, x*) denotar las variables aleatorias producidas a partir del muestreo. La densidad de los datos muestreados g (y*, x*) puede escribirse como
Cuando se introduce el denominador de la expresión para hacer que la densidad G (y*, x*) se integre a uno como se requiere para las densidades adecuadas. El muestreo aleatorio simple corresponde al caso donde ω (y, x) = 1. esquemas de muestreo para los cuales ω (y, x) = 0 para algunos valores de (y, x) crean problemas especiales porque no todos los valores de (y, x ) se muestrean. Para muestras en las que ω (y, x) = 0 para una proporción no negligible de la población, es útil considerar dos casos. Una muestra truncada es una para la cual no se conoce la probabilidad de observar la muestra de la muestra aleatoria más grande. Para tal muestra, la ecuación. (1) es la densidad de todos los valores de Y y X muestreados. Una muestra censurada es una para la cual se conoce o puede estimarse consistentemente.
En muchos problemas en economía, la atención se centra en f (y∣x), la densidad condicional de y dada x = x. Si las muestras se seleccionan únicamente en las variables X (selección en las variables exógenas), ω (y, x) = Ω (x) y no hay problema sobre el uso de muestras seleccionadas para hacer inferencias válidas sobre la densidad condicional de la población. El muestreo en Y y X se denomina «muestreo estratificado general», y una variedad de diferentes esquemas de muestreo pueden caracterizarse por la estructura que colocan en los pesos.
¿Cuándo ocurre un sesgo de selección?
Los participantes en la investigación pueden diferir sistemáticamente de la población de interés. Por ejemplo, los participantes incluidos en un ensayo de vacuna contra la influenza pueden ser adultos jóvenes sanos, mientras que aquellos que tienen más probabilidades de recibir la intervención en la práctica pueden ser ancianos y tener muchas comorbilidades y, por lo tanto, no son representativas. Del mismo modo, en los estudios de observación, las conclusiones de la población de investigación pueden no aplicarse a las personas del mundo real, ya que el efecto observado puede ser exagerado o no es posible asumir un efecto en aquellos que no se incluyen en el estudio.
El sesgo de selección puede surgir en los estudios porque grupos de participantes pueden diferir en formas distintas de las intervenciones o exposiciones bajo investigación. Cuando este es el caso, los resultados del estudio están sesgados por la confusión.
Un estudio de la prevalencia de la enfermedad de Parkinson (PD) completó una encuesta puerta a puerta de todo el condado de los Estados Unidos. Utilizaron una técnica de detección de dos etapas, primero administraron un cuestionario integral y luego refirieron a esos sujetos con signos o síntomas sugestivos de EP para una evaluación neurológica. Más del 97% de los hogares en el condado participaron. Alrededor del 15% de los proyectados positivos en la primera pantalla rechazaron el seguimiento. Extensos esfuerzos proporcionaron «información valiosa sobre casi todas las negativas que un neurólogo revisó para establecer un diagnóstico». Los autores presentaron evidencia convincente de que habían logrado obtener una enumeración completa de casos de EP en el condado.
¿Qué es el sesgo y sus tipos?
El sesgo es una preferencia o prejuicio ilógico o irracional sostenido por un individuo, que también puede ser subconsciente. Es un debilitamiento humano único, y dado que los inversores son humanos, también pueden verse afectados por él. Los psicólogos han identificado más de una docena de sesgos, y cualquiera o todos pueden nublar el juicio de un inversor.
- El sesgo es una suposición o creencia irracional que afecta la capacidad de tomar una decisión basada en hechos y evidencia.
- Los inversores son tan vulnerables como cualquiera a tomar decisiones nubladas por prejuicios o prejuicios.
El sesgo se puede ver en la forma en que las personas invierten. Por ejemplo, el sesgo de dotación puede llevar a los inversores a sobreestimar el valor de una inversión simplemente porque la compraron. Si la inversión está perdiendo dinero, insisten en que tienen razón y que el mercado seguramente corregirá su error. Pueden reforzar esta creencia revisando todas las razones por las que valía lo que pagaron, ignorando las razones por las que cayó su valor. El inversor racional revisaría todos los datos, positivos y negativos, y decidiría si es hora de tomar la pérdida y seguir adelante.
Cuando visita el sitio, Dotdash Meredith y sus socios pueden almacenar o recuperar información en su navegador, principalmente en forma de cookies. Las cookies recopilan información sobre sus preferencias y sus dispositivos y se utilizan para hacer que el sitio funcione como espere, para comprender cómo interactúa con el sitio y para mostrar anuncios dirigidos a sus intereses. Puede obtener más información sobre nuestro uso, cambiar su configuración predeterminada y retirar su consentimiento en cualquier momento con efecto para el futuro visitando la configuración de cookies, que también se puede encontrar en el pie de página del sitio.
¿Qué es el sesgo ejemplo?
- Un candidato lo sacó del parque con entrevistas de primera ronda y el equipo sigue entusiasmado por avanzar, a pesar de que hicieron un mal trabajo en el ejercicio de seguimiento
- Para dar forma a la hoja de ruta del producto, un líder de su equipo sigue presentando aprendizajes de la investigación de usuarios, a pesar de que la nueva información ha demostrado ser incorrectas
- Evaluar a los candidatos por separado en diferentes etapas del proceso de entrevista: si su equipo es lo suficientemente grande, use diferentes entrevistadores en diferentes etapas
- Use una rúbrica clara para las revisiones de rendimiento, entrevistas y la maqueta de ruta que siempre tiene en cuenta la información más reciente
- Entrene a su equipo con sesgo de anclaje y tenga conversaciones como grupo para trabajarlo
Sí, es importante seguir la dirección de su gerente y líderes de la compañía. Pero cuando los sigues a ciegas, o los ves como teniendo más precisión o influencia que cualquier otra cosa, ese es el sesgo de autoridad.
- Un candidato lo sacó del parque con entrevistas de primera ronda y el equipo sigue entusiasmado por avanzar, a pesar de que hicieron un mal trabajo en el ejercicio de seguimiento
- Para dar forma a la hoja de ruta del producto, un líder de su equipo sigue presentando aprendizajes de la investigación de usuarios, a pesar de que la nueva información ha demostrado ser incorrectas
- Evaluar a los candidatos por separado en diferentes etapas del proceso de entrevista: si su equipo es lo suficientemente grande, use diferentes entrevistadores en diferentes etapas
- Use una rúbrica clara para las revisiones de rendimiento, entrevistas y la maqueta de ruta que siempre tiene en cuenta la información más reciente
- Entrene a su equipo con sesgo de anclaje y tenga conversaciones como grupo para trabajarlo
El sesgo de la recencia (o efecto de recencia) es nuestra tendencia a favorecer los eventos recientes e información sobre lo que sucedió en el pasado. A través del sesgo de la recencia, le damos mayor importancia a las cosas que están más cerca de nuestra memoria, incluso si las tendencias y los datos sugieren lo contrario.
- Un candidato lo sacó del parque con entrevistas de primera ronda y el equipo sigue entusiasmado por avanzar, a pesar de que hicieron un mal trabajo en el ejercicio de seguimiento
- Para dar forma a la hoja de ruta del producto, un líder de su equipo sigue presentando aprendizajes de la investigación de usuarios, a pesar de que la nueva información ha demostrado ser incorrectas
- Evaluar a los candidatos por separado en diferentes etapas del proceso de entrevista: si su equipo es lo suficientemente grande, use diferentes entrevistadores en diferentes etapas
- Use una rúbrica clara para las revisiones de rendimiento, entrevistas y la maqueta de ruta que siempre tiene en cuenta la información más reciente
- Entrene a su equipo con sesgo de anclaje y tenga conversaciones como grupo para trabajarlo
Si bien identificar y superar nuestros prejuicios inconscientes requiere algo de trabajo, la recompensa vale la pena ayudarlo a construir un equipo más fuerte, más unido y efectivo.
Cuando aparece un sesgo inconsciente en el trabajo, la gente involuntariamente se queda fuera o se sienten como extraños. Reducir nuestros prejuicios ayuda a crear equipos y prácticas que se incluyen más conscientemente de todos.
Artículos Relacionados:
