Bias je chyba v odhadech způsobená systematickými chybami, které vedou ke konzistentně vysokým nebo nízkým výsledkům ve srovnání se skutečnými hodnotami. Jednotlivé zkreslení odhadu, o kterém je známo, že je zkreslené, je rozdíl mezi odhadovanou a skutečnou hodnotou. Pokud není známo, že je odhad zkreslený, může být rozdíl způsoben také náhodnou chybou nebo jinými nepřesnostmi. Na rozdíl od předpětí, které vždy působí v jednom směru, mohou být tyto chyby pozitivní nebo negativní.
Chcete-li vypočítat zkreslení metody použité pro mnoho odhadů, vyhledejte chyby odečtením každého odhadu od skutečné nebo pozorované hodnoty. Sečtěte všechny chyby a vydělte je počtem odhadů, abyste získali zkreslení. Pokud se chyby sčítají až na nulu, odhady byly nezaujaté a metoda přináší nezaujaté výsledky. Pokud jsou odhady zkreslené, je možné najít zdroj zkreslení a odstranit jej, aby se zlepšila metoda.
TL; DR (příliš dlouhý; Nečetl)
Vypočítejte odchylku nalezením rozdílu mezi odhadem a skutečnou hodnotou. Chcete-li najít zkreslení metody, proveďte mnoho odhadů a sečtěte chyby v každém odhadu ve srovnání se skutečnou hodnotou. Vydělením počtem odhadů získáte zkreslení metody. Ve statistikách může být mnoho odhadů k nalezení jediné hodnoty. Předpětí je rozdíl mezi průměrem těchto odhadů a skutečnou hodnotou.
Jak funguje zkreslení
Pokud jsou odhady zkreslené, jsou trvale špatně v jednom směru kvůli chybám v systému použitém pro odhady. Například předpověď počasí může důsledně předpovídat teploty, které jsou vyšší než skutečně pozorované. Předpověď je zkreslená a někde v systému je chyba, která dává příliš vysoký odhad. Pokud je metoda předpovědi nestranná, může stále předpovídat teploty, které nejsou správné, ale nesprávné teploty budou někdy vyšší a někdy nižší než pozorované teploty.
Statistické zkreslení funguje stejným způsobem, ale obvykle je založeno na velkém počtu odhadů, průzkumů nebo předpovědí. Tyto výsledky lze graficky znázornit v distribuční křivce a zkreslení je rozdílem mezi průměrem distribuce a skutečnou hodnotou. Pokud existuje zkreslení, vždy bude existovat rozdíl, i když některé individuální odhady mohou spadat na obě strany skutečné hodnoty.
Předpětí v průzkumech
Příkladem zaujatosti je průzkumová společnost, která provádí volební kampaně během volebních kampaní, ale jejich volební průzkumy výsledky ve srovnání se skutečnými volbami důsledně nadhodnocují výsledky jedné politické strany Výsledek. Předpětí lze vypočítat pro každou volbu odečtením skutečného výsledku od predikce hlasování. Průměrné zkreslení použité metody dotazování lze vypočítat nalezením průměru jednotlivých chyb. Pokud je zkreslení velké a konzistentní, může se volební společnost pokusit zjistit, proč je jejich metoda zkreslená.
Předpětí může pocházet ze dvou hlavních zdrojů. Buď je výběr účastníků ankety předpojatý, nebo je předpojatost výsledkem interpretace informací obdržených od účastníků. Například internetové hlasování je ze své podstaty zaujaté, protože účastníci hlasování, kteří vyplňují internetové formuláře, nejsou reprezentativní pro celou populaci. Toto je zkreslení výběru.
Dotazovací společnosti jsou si vědomy tohoto zkreslení výběru a kompenzují je úpravou čísel. Pokud jsou výsledky stále zkreslené, jedná se o zkreslení informací, protože společnosti tyto informace nevyložily správně. Ve všech těchto případech výpočet zkreslení ukazuje, do jaké míry jsou odhadované hodnoty užitečné a kdy je nutné metody upravit.