選択バイアス

データバイアスを攻略する

Konstantinos Kattidis

Data Analytics Lead

選択バイアスとは？

特定の個人・集団・特性が体系的に有利になるように、分析用データが選ばれてしまうことで生じるバイアスです

母集団と異なるサンプルを示す図

その結果、得られたサンプルは分析対象の母集団を代表しません

選択バイアスの代表的な5種類を見ていきましょう

1. 代表抽出バイアス

代表抽出バイアスは、サンプリング方法が公平・無作為でないときに発生します
サンプル取得の手法に起因し、結果を母集団全体へ一般化しにくくします
例:
- ECプラットフォームが利便抽出で顧客満足度を分析
- 結果が全顧客の感情を反映しない可能性

どのサンプリング方法を使うか考える人

2. アンダーカバレッジ・バイアス

オンライン消費者のみを対象にし、インターネット非利用者を除外する市場調査を考えます
アンダーカバレッジ・バイアスは、選ばれたサンプルで特定集団の代表性が不十分であることを示します
これは、無作為性や公平性よりも「特定集団の代表性」に焦点を当てる点で、代表抽出バイアスと区別されます

インターネット非利用者を無視する研究者

3. 無回答バイアス

無回答バイアスは、調査・研究に参加しない人が、参加する人と体系的に異なるときに生じます

回答者は満足、非回答者は不満な満足度調査

従業員満足度調査では、不満な従業員ほど参加しにくいことがあります
その結果、職場士気を過度に楽観的に評価してしまいます

4. 自己選択バイアス

自己選択で偏った結果を検討するアナリスト

自己選択バイアスは、個人が研究への参加やフィードバック提供を自ら選ぶときに生じます
例:
- 顧客が満足度調査への参加を自己選択する
- その見解が全体の顧客層を代表しない
- 結果として全体像が歪む

5. 生存者バイアス

成功した事例のみを分析に含めることで生じるバイアスです

例:

失敗事例を考慮せず、成功した製品ローンチだけを分析する
失敗に寄与する重要因子を見落とし、偏った洞察につながる

成功した製品だけを分析し失敗を無視する人

統一的な理解を築く

はかりが傾き、疑問符がある図

複数のバイアスが相互作用し、分析を複雑にすることは珍しくありません
例えば、顧客満足度調査で自己選択バイアスと無回答バイアスが同時に生じることがあります

Passons à la pratique !

データバイアスを攻略する

Preparing Video For Download...