Urvalsbias

Att hantera databias

Konstantinos Kattidis

Data Analytics Lead

Vad är urvalsbias?

Det är den bias som uppstår när data väljs ut på ett sätt som systematiskt gynnar vissa individer, grupper eller egenskaper

Diagram som visar en population som skiljer sig från urvalet.

Det innebär att urvalet inte är representativt för den population som ska analyseras

Låt oss titta på de fem vanligaste typerna av urvalsbias

Samplingsbias uppstår när urvalsmetoden inte är rättvis eller slumpmässig
Den beror på det tillvägagångssätt vi väljer för att ta fram vårt urval, vilket kan göra det svårt eller omöjligt att generalisera resultaten till hela populationen
Exempel:
- En e-handelsplattform analyserar kundnöjdhet med bekvämlighetsurval
- Resultaten kanske inte speglar hela kundbasens uppfattning

Person som funderar på vilken urvalsmetod att använda

Tänk på en marknadsundersökning riktad mot konsumenter på nätet, där personer utan internetåtkomst utesluts
Undertäckningsbias innebär otillräcklig representation av vissa grupper i urvalet
Den skiljer sig från samplingsbias genom att fokus ligger på representationen av specifika grupper, snarare än på om urvalsmetoden är slumpmässig eller rättvis

Forskare som ignorerar konsumenter utan internetåtkomst

Bortfallsbias uppstår när de som väljer att inte delta i en undersökning eller studie systematiskt skiljer sig från dem som deltar

Nöjdhetsundersökning där svarande är nöjda och icke-svarande är missnöjda

I en undersökning om medarbetarnöjdhet är missnöjda medarbetare mindre benägna att delta
Det ger en alltför positiv bild av arbetsmoralen

Analytiker som undersöker resultat påverkade av självselektering

Självselekteringsbias uppstår när individer väljer att delta i en studie eller lämna feedback
Exempel:
- Kunder väljer själva att delta i en nöjdhetsundersökning
- När deras åsikter inte representerar den bredare kundbasen
- Snedvrider det den övergripande bilden

Den uppstår när enbart framgångsrika fall ingår i analysen

Exempel:

Analys av lyckade produktlanseringar utan att beakta de som misslyckades
Det leder till snedvridna insikter och döljer faktorer som bidrar till misslyckanden

Person som analyserar framgångsrika produkter och ignorerar de misslyckade

Obalanserad våg med frågetecken

Det är vanligt att flera typer av bias samverkar och komplicerar analysen
En kundnöjdhetsundersökning kan till exempel uppvisa både självselekteringsbias och bortfallsbias

Att hantera databias