Bias ist der Fehler bei Schätzungen aufgrund systematischer Fehler, die zu konstant hohen oder niedrigen Ergebnissen im Vergleich zu den tatsächlichen Werten führen. Die individuelle Verzerrung einer als verzerrt bekannten Schätzung ist die Differenz zwischen den geschätzten und den tatsächlichen Werten. Wenn nicht bekannt ist, dass die Schätzung verzerrt ist, kann die Differenz auch auf zufällige Fehler oder andere Ungenauigkeiten zurückzuführen sein. Im Gegensatz zum Bias, der immer in eine Richtung wirkt, können diese Fehler positiv oder negativ sein.
Um die Verzerrung einer Methode zu berechnen, die für viele Schätzungen verwendet wird, ermitteln Sie die Fehler, indem Sie jede Schätzung vom tatsächlichen oder beobachteten Wert subtrahieren. Addieren Sie alle Fehler und teilen Sie sie durch die Anzahl der Schätzungen, um den Bias zu erhalten. Wenn sich die Fehler auf null summieren, waren die Schätzungen unverzerrt und die Methode liefert unverzerrte Ergebnisse. Wenn die Schätzungen verzerrt sind, kann es möglich sein, die Quelle der Verzerrung zu finden und sie zu beseitigen, um das Verfahren zu verbessern.
TL; DR (zu lang; nicht gelesen)
Berechnen Sie die Verzerrung, indem Sie die Differenz zwischen einer Schätzung und dem tatsächlichen Wert ermitteln. Um die Verzerrung einer Methode zu ermitteln, führen Sie viele Schätzungen durch und addieren Sie die Fehler in jeder Schätzung im Vergleich zum tatsächlichen Wert. Die Division durch die Anzahl der Schätzungen ergibt den Bias der Methode. In der Statistik kann es viele Schätzungen geben, um einen einzelnen Wert zu finden. Bias ist die Differenz zwischen dem Mittelwert dieser Schätzungen und dem tatsächlichen Wert.
Wie Vorspannung funktioniert
Wenn Schätzungen verzerrt sind, sind sie aufgrund von Fehlern in dem für die Schätzungen verwendeten System durchweg in eine Richtung falsch. Beispielsweise kann eine Wettervorhersage durchweg Temperaturen vorhersagen, die höher sind als die tatsächlich beobachteten. Die Prognose ist verzerrt, und irgendwo im System gibt es einen Fehler, der eine zu hohe Schätzung ergibt. Wenn die Vorhersagemethode nicht verzerrt ist, kann sie dennoch Temperaturen vorhersagen, die nicht korrekt sind, aber die falschen Temperaturen sind manchmal höher und manchmal niedriger als die beobachteten Temperaturen.
Statistische Verzerrungen funktionieren auf die gleiche Weise, basieren jedoch in der Regel auf einer großen Anzahl von Schätzungen, Umfragen oder Prognosen. Diese Ergebnisse können grafisch in einer Verteilungskurve dargestellt werden und der Bias ist die Differenz zwischen dem Mittelwert der Verteilung und dem tatsächlichen Wert. Wenn eine Verzerrung vorliegt, wird es immer einen Unterschied geben, auch wenn einzelne Schätzungen auf beiden Seiten des tatsächlichen Wertes liegen können.
Verzerrungen in Umfragen
Ein Beispiel für Voreingenommenheit ist ein Umfrageunternehmen, das Umfragen während des Wahlkampfs durchführt, aber deren Umfragen Ergebnisse überschätzen durchweg die Ergebnisse einer politischen Partei im Vergleich zur tatsächlichen Wahl Ergebnisse. Der Bias kann für jede Wahl berechnet werden, indem das tatsächliche Ergebnis von der Umfragevorhersage abgezogen wird. Der durchschnittliche Bias des verwendeten Abfrageverfahrens kann berechnet werden, indem der Durchschnitt der einzelnen Fehler ermittelt wird. Wenn der Bias groß und konsistent ist, kann das Meinungsforschungsunternehmen versuchen herauszufinden, warum seine Methode voreingenommen ist.
Verzerrungen können aus zwei Hauptquellen kommen. Entweder ist die Auswahl der Teilnehmer für die Umfrage verzerrt oder die Verzerrung resultiert aus der Interpretation der von den Teilnehmern erhaltenen Informationen. Internetumfragen sind beispielsweise von Natur aus voreingenommen, weil die Umfrageteilnehmer, die die Internetformulare ausfüllen, nicht für die gesamte Bevölkerung repräsentativ sind. Dies ist ein Selektionsbias.
Umfrageunternehmen sind sich dieser Selektionsverzerrung bewusst und kompensieren durch Anpassung der Zahlen. Wenn die Ergebnisse immer noch verzerrt sind, handelt es sich um eine Informationsverzerrung, da die Unternehmen die Informationen nicht richtig interpretiert haben. In all diesen Fällen zeigt eine Bias-Berechnung, inwieweit die Schätzwerte sinnvoll sind und wann die Methoden angepasst werden müssen.