Definition des Stichprobenauswahl-Bias
Was ist ein Stichprobenauswahl-Bias?
Stichprobenauswahl-Bias ist eine Art von Bias, die durch die Auswahl nicht zufälliger Daten für die statistische Analyse verursacht wird. Der Bias besteht aufgrund eines Fehlers im Stichprobenauswahlprozess, bei dem eine Teilmenge der Daten aufgrund eines bestimmten Attributs systematisch ausgeschlossen wird. Der Ausschluss der Teilmenge kann die statistische Signifikanz des Tests beeinflussen und die Schätzungen der Parameter des verzerren statistisches Modell.
Die zentralen Thesen
- Ein Bias bei der Stichprobenauswahl in einer Forschungsstudie tritt auf, wenn nicht zufällige Daten für die statistische Analyse ausgewählt werden.
- Aufgrund eines Fehlers im Stichprobenauswahlprozess wird eine Teilmenge der Daten aus der Studie ausgeschlossen, wodurch die statistische Signifikanz des Tests beeinflusst oder negiert wird.
- Es gibt verschiedene Arten von Stichprobenauswahl-Bias, einschließlich Pre-Screening-Bias, Selbstselektions-Bias, Ausschluss-Bias und Beobachter-Bias.
- Überlebensverzerrungen können zu falschen Schlussfolgerungen führen, da sie sich nur auf diese Elemente, Menschen, oder Dinge, die es über einen bestimmten Punkt im Auswahlprozess geschafft haben, und ignorieren diejenigen, die es geschafft haben nicht.
- Eine Möglichkeit, die Verzerrung bei der Stichprobenauswahl zu korrigieren, besteht darin, falsch dargestellten Untergruppen Gewichte zuzuweisen, um die Verzerrung statistisch zu korrigieren.
Grundlegendes zur Stichprobenauswahlverzerrung
Überlebensvoreingenommenheit ist eine häufige Art von Stichprobenauswahlfehler. Diese Art von Verzerrung ignoriert diejenigen Fächer, die einen bestimmten Punkt im Auswahlverfahren nicht überschritten haben, und konzentriert sich nur auf die Fächer, die "überlebt" haben. Dies kann zu falschen Schlussfolgerungen führen.
Zum Beispiel, wenn Backtesting einer Anlagestrategie für eine große Gruppe von Aktien, kann es sinnvoll sein, nach Wertpapieren zu suchen, die Daten für den gesamten Stichprobenzeitraum enthalten. Wenn wir die Strategie anhand von Aktiendaten aus 15 Jahren testen würden, könnten wir geneigt sein, nach Aktien zu suchen, die vollständige Informationen für den gesamten 15-Jahres-Zeitraum enthalten.
Die Eliminierung einer Aktie, die den Handel eingestellt hat oder kurzzeitig den Markt verlassen hat, würde jedoch zu einer Verzerrung in unserer Datenstichprobe führen. Da wir nur Aktien mit einer Laufzeit von 15 Jahren berücksichtigen, wären unsere endgültigen Ergebnisse fehlerhaft, da diese gut genug abschnitten, um den Markt zu überleben.
Arten des Stichprobenauswahl-Bias
Neben dem Survivorship-Bias gibt es verschiedene andere Arten des Stichprobenauswahl-Bias.
Werbe- oder Pre-Screening-Bias
Dies tritt auf, wenn die Teilnehmer in einer Studie vorab gescreent werden führt Voreingenommenheit ein. Zum Beispiel können die Sprachforscher, die für die Teilnehmer werben, selbst Vorurteile in die Studie, indem Sie einfach bestimmte Personengruppen davon abhalten oder ermutigen, sich freiwillig zu engagieren teilnehmen.
Selbstauswahl-Bias
Ein Selbstauswahl-Bias – auch bekannt als Freiwilliger-Antwort-Bias – tritt auf, wenn die Studienorganisatoren den Teilnehmern erlauben, sich selbst auszuwählen oder freiwillig teilzunehmen. Die Studienorganisatoren geben die Kontrolle über die Teilnahme an diejenigen ab, die sich für eine Freiwilligenarbeit entscheiden. Dies kann dazu führen, dass Personen mit bestimmten Eigenschaften oder Meinungen sich freiwillig für eine Studie melden und somit verzerren die Ergebnisse.
Ausschluss und Undercoverage Bias
Ausschlussverzerrungen treten auf, wenn bestimmte Mitglieder einer Population von der Teilnahme an einer Studie ausgeschlossen werden. Ein Undercover-Bias tritt auf, wenn Studienorganisatoren eine Studie erstellen, die einige Mitglieder der Bevölkerung nicht angemessen repräsentiert.
Beispiel für Stichprobenauswahl-Bias
Hedge-Fond Leistungsindizes sind ein Beispiel für Stichprobenauswahl-Bias, die dem Überlebens-Bias unterliegen. Da Hedgefonds, die nicht überleben, aufhören, ihre Performance an Indexaggregatoren zu melden, sind daraus resultierende Indizes natürlich tendiert zu Fonds und Strategien, die verbleiben, also „überleben“. Dies kann bei beliebten Meldediensten für Investmentfonds ein Problem sein, da Gut. Analysten können sich anpassen, um diese Verzerrungen zu berücksichtigen, können jedoch neue Verzerrungen in den Prozess einführen.
Beobachterverzerrungen treten auf, wenn Forscher ihre eigenen Überzeugungen oder Erwartungen auf die Teilnehmer einer Studie projizieren und dadurch die Ergebnisse der Studie verzerren. Dies geschieht manchmal in Verbindung mit Rosinenpickerei, bei dem sich die Forscher hauptsächlich auf Statistiken konzentrieren, die ihre Hypothese stützen.
Besondere Überlegungen
Forscher und Studienorganisatoren sind dafür verantwortlich, sicherzustellen, dass die Ergebnisse ihrer Studien korrekt und relevant sind und keine Verzerrungen enthalten, die zu fehlerhaften Schlussfolgerungen führen könnten. Eine Möglichkeit dazu besteht darin, die Studie nach einer Methode zu strukturieren, die a. unterstützt zufällige Probe Auswahlverfahren.
Obwohl dies theoretisch einfach genug erscheinen mag, müssen Forscher in Wirklichkeit wachsam sein, um Verzerrungen bei der Stichprobenauswahl zu vermeiden. Darüber hinaus kann der Studienorganisator mit Einschränkungen konfrontiert sein, die außerhalb seines Einflussbereichs liegen und die Durchführung einer Zufallsstichprobe erschweren. So kann es beispielsweise zu einem Mangel an Teilnehmern oder einer unzureichenden Finanzierung des Projekts kommen.
Um sicherzustellen, dass die untersuchte Stichprobe zufällig ist, sollte der Forscher die verschiedenen Untergruppen innerhalb der Bevölkerung. Anschließend sollten sie die Stichprobe analysieren, um festzustellen, ob diese Untergruppen in der Studie angemessen vertreten sind.
In einigen Fällen kann der Forscher feststellen, dass bestimmte Untergruppen in seiner Studie entweder über- oder unterrepräsentiert sind. An diesem Punkt kann der Forscher Methoden zur Verzerrungskorrektur implementieren. Eine Methode besteht darin, den falsch dargestellten Untergruppen Gewichte zuzuweisen, um die Verzerrung statistisch zu korrigieren. Dies gewichteter Durchschnitt berücksichtigt die proportionale Relevanz jeder Untergruppe und kann zu Ergebnissen führen, die die tatsächliche Demografie der Studienpopulation genauer widerspiegeln.