Bias är fel i uppskattningar på grund av systematiska misstag som leder till genomgående höga eller låga resultat jämfört med de faktiska värdena. Den individuella förspänningen av en uppskattning som är känd för att vara partisk är skillnaden mellan de uppskattade och faktiska värdena. Om uppskattningen inte är känd för att vara partisk kan skillnaden också bero på slumpmässiga fel eller andra felaktigheter. I motsats till bias, som alltid verkar i en riktning, kan dessa fel vara positiva eller negativa.
För att beräkna förspänningen för en metod som används för många uppskattningar, hitta felen genom att subtrahera varje uppskattning från det faktiska eller observerade värdet. Lägg till alla fel och dividera med antalet uppskattningar för att få bias. Om felen blir noll var uppskattningarna opartiska och metoden ger opartiska resultat. Om uppskattningarna är partiska kan det vara möjligt att hitta källan till förspänningen och eliminera den för att förbättra metoden.
TL; DR (för lång; Läste inte)
Beräkna bias genom att hitta skillnaden mellan en uppskattning och det faktiska värdet. För att hitta bias för en metod, gör många uppskattningar och lägg till felen i varje uppskattning jämfört med det verkliga värdet. Att dividera med antalet uppskattningar ger metodens förspänning. I statistiken kan det finnas många uppskattningar för att hitta ett enda värde. Bias är skillnaden mellan medelvärdet av dessa uppskattningar och det verkliga värdet.
Hur Bias fungerar
När uppskattningar är partiska är de konsekvent fel i en riktning på grund av misstag i systemet som används för uppskattningarna. Till exempel kan en väderprognos konsekvent förutsäga temperaturer som är högre än de som faktiskt observerats. Prognosen är partisk, och någonstans i systemet finns det ett misstag som ger för hög uppskattning. Om prognosmetoden är opartisk kan den fortfarande förutsäga temperaturer som inte är korrekta, men de felaktiga temperaturerna kommer ibland att vara högre och ibland lägre än de observerade temperaturerna.
Statistisk bias fungerar på samma sätt men baseras vanligtvis på ett stort antal uppskattningar, undersökningar eller prognoser. Dessa resultat kan representeras grafiskt i en fördelningskurva och förspänningen är skillnaden mellan distributionens medelvärde och det faktiska värdet. Om det finns en bias, kommer det alltid att finnas en skillnad även om vissa enskilda uppskattningar kan falla på båda sidor om det faktiska värdet.
Bias i undersökningar
Ett exempel på partiskhet är ett undersökningsföretag som kör omröstningar under valkampanjer, men deras omröstning resultaten överskattar konsekvent resultaten för ett politiskt parti jämfört med det faktiska valet resultat. Bias kan beräknas för varje val genom att subtrahera det verkliga resultatet från omröstningsförutsägelsen. Den genomsnittliga förspänningen för den pollningsmetod som används kan beräknas genom att hitta medelvärdet för de enskilda felen. Om partiskheten är stor och konsekvent kan valföretaget försöka ta reda på varför deras metod är partisk.
Bias kan komma från två huvudkällor. Antingen är valet av deltagare för omröstningen partiskt eller så är partiskheten resultatet av tolkningen av informationen från deltagarna. Till exempel är internetundersökningar i sig förutspådda eftersom deltagarna i omröstningen som fyller i internetformuläret inte är representativa för hela befolkningen. Detta är en urvalsbias.
Frågeföretag är medvetna om denna urvalsförskjutning och kompenserar genom att justera siffrorna. Om resultaten fortfarande är partiska är det en informationsbias eftersom företagen inte tolkade informationen korrekt. I alla dessa fall visar en biasberäkning i vilken utsträckning de uppskattade värdena är användbara och när metoderna behöver justeras.