Selection bias

การรับมือกับ Data Bias

Konstantinos Kattidis

Data Analytics Lead

Selection bias คืออะไร?

คือความเอนเอียงที่เกิดขึ้นเมื่อข้อมูลที่นำมาวิเคราะห์ถูกคัดเลือกในแบบที่เอื้อต่อบุคคล กลุ่ม หรือลักษณะบางอย่างอย่างเป็นระบบ

แผนภาพแสดงความแตกต่างระหว่างประชากรและกลุ่มตัวอย่าง

ดังนั้น กลุ่มตัวอย่างที่ได้จึงไม่ได้เป็นตัวแทนของประชากรที่ต้องการวิเคราะห์

มาทำความรู้จักกับประเภทหลัก 5 ประเภทของ selection bias

Sampling bias เกิดขึ้นเมื่อวิธีการสุ่มตัวอย่างไม่เป็นธรรมหรือไม่เป็นการสุ่มที่แท้จริง
มีต้นเหตุจากแนวทางที่เลือกใช้เพื่อได้มาซึ่งกลุ่มตัวอย่าง ซึ่งอาจทำให้นำผลไปใช้กับประชากรทั้งหมดได้ยากหรือเป็นไปไม่ได้
ตัวอย่างเช่น:
- แพลตฟอร์มอีคอมเมิร์ซวิเคราะห์ความพึงพอใจของลูกค้าด้วยการสุ่มแบบสะดวก
- ผลที่ได้อาจไม่สะท้อนความรู้สึกของลูกค้าทั้งหมด

บุคคลกำลังคิดว่าจะเลือกวิธีสุ่มตัวอย่างแบบใด

ลองพิจารณาการวิจัยตลาดที่มุ่งเป้าไปยังผู้บริโภคออนไลน์โดยไม่รวมผู้ที่ไม่มีการเข้าถึงอินเทอร์เน็ต
Undercoverage bias เน้นที่การที่กลุ่มบางกลุ่มมีตัวแทนไม่เพียงพอในกลุ่มตัวอย่างที่เลือก
สิ่งที่แตกต่างจาก sampling bias คือ undercoverage bias มุ่งเน้นที่การเป็นตัวแทนของกลุ่มเฉพาะ ไม่ใช่ความสุ่มหรือความยุติธรรมของวิธีสุ่มตัวอย่าง

นักวิจัยละเลยผู้บริโภคที่ไม่มีการเข้าถึงอินเทอร์เน็ต

Non-response bias เกิดขึ้นเมื่อบุคคลที่เลือกไม่เข้าร่วมการสำรวจหรือการศึกษามีความแตกต่างอย่างเป็นระบบจากผู้ที่เข้าร่วม

แบบสำรวจความพึงพอใจที่ผู้ตอบพึงพอใจและผู้ไม่ตอบไม่พึงพอใจ

นักวิเคราะห์กำลังศึกษาผลลัพธ์ที่ได้รับผลจาก self-selection

Self-selection bias เกิดขึ้นเมื่อบุคคลเลือกเข้าร่วมการศึกษาหรือให้ข้อเสนอแนะด้วยตนเอง
ตัวอย่างเช่น:
- ลูกค้าเลือกเข้าร่วมแบบสำรวจความพึงพอใจด้วยตนเอง
- เมื่อความคิดเห็นของพวกเขาไม่ได้เป็นตัวแทนของลูกค้าในวงกว้าง
- ทำให้การรับรู้ภาพรวมคลาดเคลื่อน

เกิดขึ้นเมื่อนำเฉพาะสิ่งที่ประสบความสำเร็จมาวิเคราะห์

ตัวอย่างเช่น:

วิเคราะห์เฉพาะการเปิดตัวผลิตภัณฑ์ที่ประสบความสำเร็จ โดยไม่พิจารณาผลิตภัณฑ์ที่ล้มเหลว
ส่งผลให้ข้อมูลเชิงลึกที่ได้เกิดความเอนเอียง และมองข้ามปัจจัยสำคัญที่ทำให้เกิดความล้มเหลว

บุคคลกำลังวิเคราะห์ผลิตภัณฑ์ที่ประสบความสำเร็จและละเลยผลิตภัณฑ์ที่ล้มเหลว

ตาชั่งที่ไม่สมดุลพร้อมเครื่องหมายคำถาม

ไม่ใช่เรื่องแปลกที่ความเอนเอียงหลายประเภทจะเกิดขึ้นร่วมกัน ทำให้การวิเคราะห์ซับซ้อนยิ่งขึ้น
ตัวอย่างเช่น แบบสำรวจความพึงพอใจของลูกค้าอาจมีทั้ง self-selection bias และ non-response bias พร้อมกัน

การรับมือกับ Data Bias