Bias adalah kesalahan dalam perkiraan karena kesalahan sistematis yang mengarah pada hasil yang tinggi atau rendah secara konsisten dibandingkan dengan nilai sebenarnya. Bias individu dari estimasi yang diketahui bias adalah perbedaan antara nilai estimasi dan nilai aktual. Jika perkiraan tidak diketahui bias, perbedaannya juga bisa karena kesalahan acak atau ketidakakuratan lainnya. Berlawanan dengan bias, yang selalu bertindak dalam satu arah, kesalahan ini bisa positif atau negatif.
Untuk menghitung bias metode yang digunakan untuk banyak perkiraan, temukan kesalahan dengan mengurangkan setiap perkiraan dari nilai aktual atau yang diamati. Jumlahkan semua kesalahan dan bagi dengan jumlah perkiraan untuk mendapatkan bias. Jika kesalahan bertambah hingga nol, perkiraannya tidak bias, dan metode ini memberikan hasil yang tidak bias. Jika perkiraan bias, dimungkinkan untuk menemukan sumber bias, dan menghilangkannya untuk meningkatkan metode.
TL; DR (Terlalu Panjang; Tidak Membaca)
Hitung bias dengan mencari perbedaan antara perkiraan dan nilai sebenarnya. Untuk menemukan bias suatu metode, lakukan banyak perkiraan, dan jumlahkan kesalahan di setiap perkiraan dibandingkan dengan nilai sebenarnya. Membagi dengan jumlah perkiraan memberikan bias metode. Dalam statistik, mungkin ada banyak perkiraan untuk menemukan nilai tunggal. Bias adalah perbedaan antara rata-rata perkiraan ini dan nilai sebenarnya.
Bagaimana Bias Bekerja
Ketika perkiraan bias mereka secara konsisten salah dalam satu arah karena kesalahan dalam sistem yang digunakan untuk perkiraan. Misalnya, ramalan cuaca dapat secara konsisten memprediksi suhu yang lebih tinggi daripada yang sebenarnya diamati. Prakiraan itu bias, dan di suatu tempat dalam sistem ada kesalahan yang memberikan perkiraan terlalu tinggi. Jika metode prakiraan tidak bias, mungkin masih memprediksi suhu yang tidak benar, tetapi suhu yang salah terkadang lebih tinggi dan terkadang lebih rendah dari suhu yang diamati.
Bias statistik bekerja dengan cara yang sama tetapi biasanya didasarkan pada sejumlah besar perkiraan, survei, atau prakiraan. Hasil ini dapat direpresentasikan secara grafis dalam kurva distribusi dan biasnya adalah perbedaan antara rata-rata distribusi dan nilai sebenarnya. Jika ada bias, akan selalu ada perbedaan meskipun beberapa perkiraan individu mungkin jatuh di kedua sisi dari nilai sebenarnya.
Bias dalam Survei
Contoh bias adalah perusahaan survei yang menjalankan polling selama kampanye pemilu, tetapi polling mereka hasil secara konsisten melebih-lebihkan hasil untuk satu partai politik dibandingkan dengan pemilihan yang sebenarnya hasil. Bias dapat dihitung untuk setiap pemilihan dengan mengurangkan hasil aktual dari prediksi jajak pendapat. Bias rata-rata dari metode polling yang digunakan dapat dihitung dengan mencari rata-rata kesalahan individu. Jika biasnya besar dan konsisten, perusahaan polling dapat mencoba mencari tahu mengapa metode mereka bias.
Bias dapat berasal dari dua sumber utama. Baik pemilihan peserta untuk jajak pendapat itu bias, atau bias itu dihasilkan dari interpretasi informasi yang diterima dari para peserta. Misalnya, jajak pendapat internet secara inheren bias karena peserta jajak pendapat yang mengisi formulir internet tidak mewakili seluruh populasi. Ini adalah bias seleksi.
Perusahaan polling menyadari bias seleksi ini dan mengimbanginya dengan menyesuaikan angka. Jika hasilnya masih bias, itu bias informasi karena perusahaan tidak menginterpretasikan informasi dengan benar. Dalam semua kasus ini, perhitungan bias menunjukkan sejauh mana nilai estimasi berguna dan kapan metode perlu penyesuaian.