Bias er fejl i estimater på grund af systematiske fejl, der fører til konstant høje eller lave resultater sammenlignet med de faktiske værdier. Den individuelle bias for et skøn, der vides at være forudindtaget, er forskellen mellem de anslåede og faktiske værdier. Hvis estimatet ikke vides at være partisk, kan forskellen også skyldes tilfældig fejl eller andre unøjagtigheder. I modsætning til bias, som altid virker i en retning, kan disse fejl være positive eller negative.
For at beregne bias for en metode, der bruges til mange estimater, skal du finde fejlene ved at trække hvert estimat fra den faktiske eller observerede værdi. Tilføj alle fejlene, og divider med antallet af estimater for at få bias. Hvis fejlene tilføjes til nul, var estimaterne upartiske, og metoden leverer upartiske resultater. Hvis estimaterne er partiske, kan det være muligt at finde kilden til bias og fjerne den for at forbedre metoden.
TL; DR (for lang; Har ikke læst)
Beregn bias ved at finde forskellen mellem et estimat og den aktuelle værdi. For at finde skævheden ved en metode skal du udføre mange skøn og tilføje fejlene i hvert skøn sammenlignet med den reelle værdi. At dividere med antallet af estimater giver metodens bias. I statistikker kan der være mange skøn for at finde en enkelt værdi. Bias er forskellen mellem gennemsnittet af disse estimater og den faktiske værdi.
Hvordan Bias fungerer
Når estimater er forudindtaget, er de konsekvent forkerte i en retning på grund af fejl i systemet, der anvendes til estimaterne. For eksempel kan en vejrudsigt konsekvent forudsige temperaturer, der er højere end de faktisk observerede. Prognosen er partisk, og et eller andet sted i systemet er der en fejl, der giver et for højt skøn. Hvis prognosemetoden er upartisk, kan den stadig forudsige temperaturer, der ikke er korrekte, men de forkerte temperaturer vil undertiden være højere og undertiden lavere end de observerede temperaturer.
Statistisk bias fungerer på samme måde, men er normalt baseret på et stort antal estimater, undersøgelser eller prognoser. Disse resultater kan gengives grafisk i en distributionskurve, og bias er forskellen mellem distributionens gennemsnit og den faktiske værdi. Hvis der er skævhed, vil der altid være en forskel, selvom nogle individuelle skøn kan falde på begge sider af den faktiske værdi.
Bias i undersøgelser
Et eksempel på bias er en undersøgelsesfirma, der kører afstemninger under valgkampagner, men deres afstemning resultater overvurderer konsekvent resultaterne for et politisk parti sammenlignet med det faktiske valg resultater. Bias kan beregnes for hvert valg ved at trække det faktiske resultat fra afstemningsforudsigelsen. Den gennemsnitlige bias for den anvendte afstemningsmetode kan beregnes ved at finde gennemsnittet af de enkelte fejl. Hvis bias er stor og konsekvent, kan afstemningsfirmaet prøve at finde ud af, hvorfor deres metode er partisk.
Bias kan komme fra to hovedkilder. Enten er udvælgelsen af deltagere til afstemningen forudindtaget, eller bias er resultatet af fortolkningen af de oplysninger, der er modtaget fra deltagerne. For eksempel er internetafstemninger iboende forudindtagede, fordi afstemningsdeltagerne, der udfylder internetformularerne, ikke er repræsentative for hele befolkningen. Dette er en udvælgelsesforstyrrelse.
Afstemningsfirmaer er opmærksomme på denne udvælgelsesforstyrrelse og kompenserer ved at justere tallene. Hvis resultaterne stadig er partiske, er det en informationsforstyrrelse, fordi virksomhederne ikke fortolker oplysningerne korrekt. I alle disse tilfælde viser en biasberegning, i hvilket omfang de estimerede værdier er nyttige, og hvornår metoderne skal justeres.