Investor's wiki

Provvalsbias

Provvalsbias

Vad Àr provvalsbias?

Provurvalsbias Àr en typ av bias som orsakas av att man vÀljer icke-slumpmÀssiga data för statistisk analys. Biasen existerar pÄ grund av ett fel i urvalsprocessen, dÀr en delmÀngd av data systematiskt exkluderas pÄ grund av ett visst attribut. Exkluderingen av delmÀngden kan pÄverka testets statistiska signifikans, och det kan pÄverka skattningarna av parametrarna i den statistiska modellen.

FörstÄ provvalsbias

Survivorship bias Àr en vanlig typ av urvalsbias. Denna typ av fördomar ignorerar de Àmnen som inte tog sig förbi en viss punkt i urvalsprocessen och fokuserar bara pÄ de Àmnen som "överlevde". Detta kan leda till falska slutsatser.

Till exempel, nÀr du backtestar en investeringsstrategi pÄ en stor grupp av aktier, kan det vara bekvÀmt att leta efter vÀrdepapper som har data för hela urvalsperioden. Om vi skulle testa strategin mot 15 Ärs aktiedata, kan vi vara benÀgna att leta efter aktier som har fullstÀndig information för hela 15-Ärsperioden.

Att eliminera en aktie som slutat handlas, eller som snart lÀmnade marknaden, skulle dock lÀgga in en bias i vÄrt dataprov. Eftersom vi bara inkluderar aktier som varade i 15-Ärsperioden, skulle vÄra slutliga resultat vara felaktiga, eftersom dessa presterade tillrÀckligt bra för att överleva marknaden.

Typer av provvalsbias

Förutom survivorship bias finns det flera andra typer av urvalsbias.

Reklam eller pre-screening bias

Detta intrÀffar nÀr det sÀtt pÄ vilket deltagarna Àr förhandsgranskade i en studie introducerar bias. Till exempel kan sprÄkforskarna anvÀnda för att annonsera efter deltagare sjÀlva införa partiskhet i studien genom att helt enkelt avskrÀcka eller uppmuntra grupper av mÀnniskor frÄn att frivilligt delta.

###SjÀlvvalsbias

SjĂ€lvvalsbias – Ă€ven kĂ€nd som volontĂ€rsvarsbias – uppstĂ„r nĂ€r studieorganisatörerna tillĂ„ter deltagare att sjĂ€lv vĂ€lja eller frivilligt delta. Studieorganisatörerna avstĂ„r frĂ„n kontrollen över vem som deltar till de som bestĂ€mmer sig för att stĂ€lla upp som volontĂ€r. Detta kan leda till att personer med specifika egenskaper eller Ă„sikter frivilligt stĂ€ller upp pĂ„ en studie och dĂ€rmed förvrĂ€nger resultaten.

Uteslutning och Undercover Bias

Uteslutningsbias uppstÄr nÀr specifika medlemmar av en befolkning utesluts frÄn att delta i en studie. UndertÀckningsbias uppstÄr nÀr studieorganisatörer skapar en studie som inte tillrÀckligt representerar vissa medlemmar av befolkningen.

Exempel pÄ Sample Selection Bias

Hedgefonders prestationsindex Àr ett exempel pÄ urvalsbias som Àr föremÄl för överlevnadsbias. Eftersom hedgefonder som inte överlever slutar rapportera sin prestation till indexaggregatorer, lutar de resulterande indexen naturligtvis till fonder och strategier som finns kvar, och dÀrför "överlever". Detta kan ocksÄ vara ett problem med populÀra fondrapporteringstjÀnster. Analytiker kan anpassa sig för att ta hÀnsyn till dessa fördomar men kan introducera nya fördomar i processen.

Observerbias uppstÄr nÀr forskare projicerar sina egna övertygelser eller förvÀntningar till deltagarna i en studie och dÀrmed förvrÀnger studiens resultat. Detta intrÀffar ibland i samband med körsbÀrsplockning,. vilket Àr nÀr forskare frÀmst fokuserar pÄ statistik som stöder deras hypotes.

SÀrskilda övervÀganden

Forskare och studieorganisatörer har ansvaret att se till att resultaten av deras studier Àr korrekta, relevanta och inte innehÄller nÄgon typ av partiskhet som kan leda till felaktiga slutsatser. Ett sÀtt att göra detta Àr att strukturera studien utifrÄn en metod som stödjer en slumpmÀssig urvalsprocess.

Även om detta i teorin kan tyckas tillrĂ€ckligt enkelt, Ă€r verkligheten att forskaren mĂ„ste vara vaksam i sina anstrĂ€ngningar för att förhindra provtagningsbias. Dessutom kan studieorganisatören stĂ€llas inför restriktioner utanför deras kontroll som gör det utmanande att realisera ett slumpmĂ€ssigt urval. Det kan till exempel vara brist pĂ„ deltagare eller otillrĂ€cklig finansiering för projektet.

För att sÀkerstÀlla att urvalet som studeras Àr slumpmÀssigt, bör forskaren identifiera de olika undergrupperna inom populationen. De bör sedan analysera provet för att avgöra om dessa undergrupper Àr tillrÀckligt representerade i studien.

I vissa fall kan forskaren upptÀcka att vissa undergrupper antingen Àr överrepresenterade eller underrepresenterade i sin studie. Vid denna tidpunkt kan forskaren implementera bias-korrigeringsmetoder. En metod Àr att tilldela vikter till de felaktigt representerade undergrupperna för att statistiskt korrigera biasen. Detta vÀgda medelvÀrde tar hÀnsyn till den proportionella relevansen för varje undergrupp och kan leda till resultat som mer exakt Äterspeglar studiepopulationens faktiska demografi.

##Höjdpunkter

  • PĂ„ grund av ett fel i urvalsprocessen utesluts en delmĂ€ngd av data frĂ„n studien, vilket pĂ„verkar eller förnekar testets statistiska signifikans.

  • Överlevnadsbias kan leda till falska slutsatser eftersom det bara fokuserar pĂ„ de element, personer eller saker som har tagit det förbi en viss punkt i urvalsprocessen, och ignorerar de som inte gjorde det.

  • Det finns flera typer av urvalsbias, inklusive pre-screeningbias, sjĂ€lvurvalsbias, exkluderingsbias och observatörsbias.

  • Ett sĂ€tt att korrigera urvalsbias Ă€r att tilldela vikter till felaktiga undergrupper för att statistiskt korrigera biasen.

– Provurvalsbias i en forskningsstudie uppstĂ„r nĂ€r icke-slumpmĂ€ssiga data vĂ€ljs ut för statistisk analys.