Bias er feil i estimater på grunn av systematiske feil som fører til gjennomgående høye eller lave resultater sammenlignet med de faktiske verdiene. Den individuelle skjevheten til et estimat som er kjent for å være partisk, er forskjellen mellom estimerte og faktiske verdier. Hvis estimatet ikke er kjent for å være partisk, kan forskjellen også skyldes tilfeldige feil eller andre unøyaktigheter. I motsetning til skjevhet, som alltid virker i en retning, kan disse feilene være positive eller negative.
For å beregne skjevheten til en metode som brukes for mange estimater, finn feilene ved å trekke hvert estimat fra den faktiske eller observerte verdien. Legg opp alle feilene og del med antall estimater for å få skjevheten. Hvis feilene tillegges null, var estimatene upartiske, og metoden gir upartiske resultater. Hvis estimatene er partiske, kan det være mulig å finne kilden til skjevheten og eliminere den for å forbedre metoden.
TL; DR (for lang; Leste ikke)
Beregn skjevhet ved å finne forskjellen mellom et estimat og den faktiske verdien. For å finne skjevheten til en metode, utfør mange estimater, og legg sammen feilene i hvert estimat sammenlignet med den virkelige verdien. Å dele på antall estimater gir skjevhet i metoden. I statistikken kan det være mange estimater for å finne en enkelt verdi. Bias er forskjellen mellom gjennomsnittet av disse estimatene og den faktiske verdien.
Hvordan skjevhet fungerer
Når estimater er partiske, er de konsekvent feil i en retning på grunn av feil i systemet som brukes til estimatene. For eksempel kan en værmelding konsekvent forutsi temperaturer som er høyere enn de som faktisk er observert. Prognosen er partisk, og et sted i systemet er det en feil som gir for høyt estimat. Hvis prognosemetoden er upartisk, kan den fremdeles forutsi temperaturer som ikke er riktige, men feil temperaturer vil noen ganger være høyere og noen ganger lavere enn temperaturene som er observert.
Statistisk skjevhet fungerer på samme måte, men er vanligvis basert på et stort antall estimater, undersøkelser eller prognoser. Disse resultatene kan vises grafisk i en fordelingskurve, og skjevheten er forskjellen mellom gjennomsnittet av fordelingen og den faktiske verdien. Hvis det er skjevhet, vil det alltid være en forskjell, selv om enkelte estimater kan falle på begge sider av den faktiske verdien.
Bias i undersøkelser
Et eksempel på skjevhet er et undersøkelsesselskap som kjører meningsmålinger under valgkampanjer, men deres meningsmåling resultatene overvurderer konsekvent resultatene for ett politisk parti sammenlignet med selve valget resultater. Bias kan beregnes for hvert valg ved å trekke det faktiske resultatet fra spådommen. Den gjennomsnittlige skjevheten til avstemningsmetoden som brukes, kan beregnes ved å finne gjennomsnittet av de enkelte feilene. Hvis skjevheten er stor og konsistent, kan valgmålselskapet prøve å finne ut hvorfor metoden deres er partisk.
Bias kan komme fra to hovedkilder. Enten er valg av deltakere til avstemningen partisk, eller skjevheten skyldes tolkningen av informasjonen som mottas fra deltakerne. For eksempel er internettmålinger iboende partisk fordi deltakerne i avstemningen som fyller ut internettskjemaene ikke er representative for hele befolkningen. Dette er en valgskjevhet.
Meningsmålingsselskaper er klar over denne valgforskjellen og kompenserer ved å justere tallene. Hvis resultatene fremdeles er partiske, er det en informasjonsskjevhet fordi selskapene ikke tolket informasjonen riktig. I alle disse tilfellene viser en skjevhetsberegning i hvilken grad de estimerte verdiene er nyttige og når metodene trenger justering.