Campionamento biasEdit

il Campionamento di bias errore sistematico dovuto a un non-campione casuale della popolazione, causando alcuni membri della popolazione ad essere meno probabilità di essere incluso di altri, con conseguente distorta campione, definito come un campione statistico di una popolazione (o di non-fattori umani) in cui tutti i partecipanti non sono equamente bilanciato o oggettivamente rappresentato. È principalmente classificato come un sottotipo di bias di selezione, a volte specificamente definito bias di selezione del campione, ma alcuni lo classificano come un tipo separato di bias.,

Una distinzione di bias di campionamento (anche se non universalmente accettata) è che mina la validità esterna di un test (la capacità dei suoi risultati di essere generalizzati al resto della popolazione), mentre il bias di selezione riguarda principalmente la validità interna per differenze o somiglianze trovate nel campione in questione. In questo senso, gli errori che si verificano nel processo di raccolta del campione o della coorte causano bias di campionamento, mentre gli errori in qualsiasi processo in seguito causano bias di selezione.,

Esempi di campionamento bias includono auto-selezione, pre-screening dei partecipanti alla sperimentazione, attualizzazione dei soggetti della sperimentazione e di test che non è stato eseguito per il completamento e la migrazione di bias, escludendo i soggetti che hanno recentemente spostato fuori o dentro l’area di studio, lunghezza-time bias, dove lentamente sviluppare la malattia con prognosi migliore è rilevato, e il lead time bias, dove la malattia è diagnosticata in precedenza partecipanti che in confronto di popolazioni, anche se la media della malattia è la stessa.,

Intervallo di tempomodifica

  • Interruzione anticipata di una prova in un momento in cui i suoi risultati supportano la conclusione desiderata.
  • Uno studio può essere terminato precocemente ad un valore estremo (spesso per ragioni etiche), ma è probabile che il valore estremo venga raggiunto dalla variabile con la più grande varianza, anche se tutte le variabili hanno una media simile.,

Esposizionemodifica

  • Bias di suscettibilità
    • Bias di suscettibilità clinica, quando una malattia predispone per una seconda malattia e il trattamento per la prima malattia sembra erroneamente predisporre alla seconda malattia. Ad esempio, la sindrome postmenopausale dà una maggiore probabilità di sviluppare anche il cancro dell’endometrio, quindi gli estrogeni somministrati per la sindrome postmenopausale possono ricevere una colpa superiore a quella effettiva per causare il cancro dell’endometrio.,
    • Bias protopatico, quando un trattamento per i primi sintomi di una malattia o altro risultato sembra causare il risultato. È un pregiudizio potenziale quando c’è un tempo di ritardo dai primi sintomi e dall’inizio del trattamento prima della diagnosi effettiva. Può essere mitigato dal ritardo, cioè dall’esclusione delle esposizioni che si sono verificate in un certo periodo di tempo prima della diagnosi.
    • Bias di indicazione, un potenziale mixup tra causa ed effetto quando l’esposizione dipende dall’indicazione, ad esempio, un trattamento è dato alle persone ad alto rischio di contrarre una malattia, potenzialmente causando una preponderanza di persone trattate tra coloro che acquisiscono la malattia. Ciò può causare un aspetto errato del trattamento come causa della malattia.

DataEdit

  • Partizionare (dividere) i dati con la conoscenza del contenuto delle partizioni e poi analizzarli con test progettati per partizioni scelte ciecamente.,
  • Modifica post hoc dell’inclusione dei dati basata su ragioni arbitrarie o soggettive, tra cui:
    • Cherry picking, che in realtà non è bias di selezione, ma bias di conferma, quando specifici sottoinsiemi di dati sono scelti per supportare una conclusione (ad esempio citando esempi di incidenti aerei come prova di un volo aereo non sicuro, ignorando l’esempio molto più comune di voli che completano in sicurezza., Vedi: Euristica della disponibilità)
    • Rifiuto di dati errati per (1) motivi arbitrari, invece che secondo criteri precedentemente dichiarati o generalmente concordati o (2) scartando “valori anomali” per motivi statistici che non tengono conto di informazioni importanti che potrebbero essere derivate da osservazioni “selvagge”.

Studiomodifica

  • Selezione di quali studi includere in una meta-analisi (vedi anche meta-analisi combinatoria).,
  • Eseguire esperimenti ripetuti e riportare solo i risultati più favorevoli, forse rietichettatura record di laboratorio di altri esperimenti come “prove di calibrazione”, “errori di strumentazione” o “indagini preliminari”.
  • Presentando il risultato più significativo di un draga di dati come se fosse un singolo esperimento (che è logicamente lo stesso dell’elemento precedente, ma è visto come molto meno disonesto).

AttritionEdit

Il bias di attrito è una sorta di bias di selezione causato dall’attrito (perdita di partecipanti), attualizzando soggetti / test di prova che non sono stati eseguiti fino al completamento., È strettamente correlato al bias di sopravvivenza, in cui solo i soggetti che “sono sopravvissuti” a un processo sono inclusi nell’analisi o nel bias di fallimento, in cui sono inclusi solo i soggetti che “hanno fallito” un processo. Include dropout, mancata risposta (tasso di risposta inferiore), ritiro e deviatori di protocollo. Fornisce risultati di parte quando è disuguale per quanto riguarda l’esposizione e / o il risultato. Ad esempio, in un test di un programma di dieta, il ricercatore può semplicemente rifiutare tutti coloro che abbandonano il processo, ma la maggior parte di coloro che abbandonano sono quelli per i quali non funzionava., Diverse perdite di soggetti nel gruppo di intervento e di confronto possono modificare le caratteristiche di questi gruppi e risultati indipendentemente dall’intervento studiato.

Perso al follow-up, è un’altra forma di pregiudizio di attrito, che si verifica principalmente negli studi medicinali per un lungo periodo di tempo. La mancata risposta o il pregiudizio di ritenzione possono essere influenzati da una serie di fattori tangibili e intangibili, come ricchezza, istruzione, altruismo, comprensione iniziale dello studio e dei suoi requisiti., I ricercatori possono anche essere incapaci di condurre contatti di follow-up derivanti da informazioni identificative inadeguate e dettagli di contatto raccolti durante la fase iniziale di reclutamento e ricerca.

Observer selectionEdit

Il filosofo Nick Bostrom ha sostenuto che i dati sono filtrati non solo dalla progettazione e dalla misurazione dello studio, ma dalla condizione necessaria che ci sia qualcuno che fa uno studio. In situazioni in cui l’esistenza dell’osservatore o dello studio è correlata con i dati, si verificano effetti di selezione dell’osservazione e è richiesto un ragionamento antropico.,

Un esempio è il record di eventi di impatto passati della Terra: se grandi impatti causano estinzioni di massa e interruzioni ecologiche che impediscono l’evoluzione degli osservatori intelligenti per lunghi periodi, nessuno osserverà alcuna prova di grandi impatti nel recente passato (dal momento che avrebbero impedito agli osservatori intelligenti di evolversi). Quindi c’è un potenziale pregiudizio nel record di impatto della Terra. I rischi esistenziali astronomici potrebbero allo stesso modo essere sottovalutati a causa di pregiudizi di selezione, e una correzione antropica deve essere introdotta.,

Biasedit volontario

Il bias di auto-selezione o un bias volontario negli studi offrono ulteriori minacce alla validità di uno studio in quanto questi partecipanti possono avere caratteristiche intrinsecamente diverse dalla popolazione target dello studio. Gli studi hanno dimostrato che i volontari tendono a provenire da una posizione sociale più elevata rispetto a un background socio-economico inferiore. Inoltre, a questo un altro studio mostra che le donne sono più propensi a fare volontariato per gli studi rispetto ai maschi. Il pregiudizio volontario è evidente durante tutto il ciclo di vita dello studio, dal reclutamento ai follow-up., Più in generale, la risposta dei volontari può essere ridotta all’altruismo individuale, al desiderio di approvazione, alla relazione personale con l’argomento di studio e ad altri motivi. Come per la maggior parte dei casi, la mitigazione nel caso di bias volontario è una maggiore dimensione del campione.