Jump to content

Bias (statistics)

This is a fully translated article. Click here for more information.
From DawoumWiki, the free Mathematics self-learning
Original article: w:Bias (statistics)
For other uses, see Bias (disambiguation).

통계적 편향(Statistical bias)은 결과와 사실 사이의 차이를 유발하는 시스템적 경향입니다. 편향은 데이터의 출처, 선택된 추정기(estimator), 및 데이터가 분석되었던 방법을 포함하여 데이터 분석의 프로세스의 수에 존재합니다. 편향은 예를 들어 사람들의 구매 습관을 조사하기 위해 결과에 심각한 영향을 미칠 수 있습니다. 만약 표본 크기가 충분히 크지 않으면, 결과가 모든 사람들의 구매 습관을 대표하지 않을 수 있습니다. 즉, 설문 결과와 실제 결과 사이에 불일치가 있을 수 있습니다. 그러므로, 통계적 편향의 출처를 이해하면 관찰된 결과가 실제 결과에 가까운지 여부를 평가하기 위해 도움이 될 수 있습니다.

편향은 정확성 (기기 오류/부적절함), 데이터의 부족, 또는 필사에서 실수 (오타)와 같은 다른 실수와 구별될 수 있습니다. 편향은 데이터 선택이 수집 기준에 의해 왜곡되었을 수 있음을 의미합니다.

편향은 임의의 다른 실수의 존재를 배제하지 않습니다. 우리는 잘못 설계된 표본, 부정확한 측정 장치, 및 데이터 기록에서 오타가 동시에 있을 수 있습니다.

역시 "오류"라는 용어는 프로세스 (테스트 중인 가설의 거부 또는 수락 오류)보다는 결과를 구체적으로 지칭한다는 것을 인식하는 것이 유용합니다. 이들 구체적으로 정의된 결과-기반 용어와 절차 상의 오류를 구별하기 위해 결함(flaw)이나 실수(mistake)를 사용하는 것이 좋습니다.

Bias of an estimator

Main article: Bias of an estimator

통계적 편향은 그것의 결과의 통계(statistical) 기술 또는 결과의 특징이며 그것에 의해 결과의 기댓값(expected value)이 추정되는 실제 놓여있는 정량적 매개변수(parameter)와 다릅니다. 매개변수 추정기의 편향은 정밀도의 정도와 혼동되어서는 안 되는데, 왜냐하면 정밀도의 정도는 표본화 오류의 측정이기 때문입니다. 편향은 다음과 같이 정의됩니다: 를 매개변수 를 추정하기 위해 사용되는 통계량으로 놓고, 는 의 기댓값을 나타냅니다. 그런-다음, 다음은

(에 관한) 통계량 의 편향이라고 불립니다. 만약 이면, 는 의 불-편향 추정량(unbiased estimator)이라고 말합니다; 그렇지 않으면, 그것은 의 편향된 추정량(biased estimator)이라고 말합니다.

통계량 의 편향은 항상 추정하기 위해 사용되는 매개변수 에 상대적이지만, 매개변수 는 문맥에서 추정되는 것이 명확할 때 종종 생략됩니다.

Types

통계적 편향은 데이터 분석의 모든 단계에서 발생합니다. 다음 편향 원천은 각 단계에 별도로 나열될 것입니다:

Data selection

선택 편향(Selection bias)은 개인이 다른 사람보다 연구 대상으로 선택될 가능성이 더 많아 표본을 편향시키는 것과 관련됩니다. 이것은 선택 효과, 표본화 편향(sampling bias), 및 베르소니안 편향(Berksonian bias)이라고도 합니다.[1]

  • 스펙트럼 편향(Spectrum bias)은 편향된 환자 표본에 대한 진단 테스트를 평가할 때 발생하여, 테스트의 민감도와 특이성을 과대평가하게 됩니다. 예를 들어, 연구 모집단에서 질병 유병률이 높으면 양성 예측 값이 증가하여, 예측 값과 실제 값 사이에 편향이 발생합니다.[2]
  • 관찰자 선택 편향(Observer selection bias)은 제시된 증거가 관찰자에 의해 사전-필터링되었을 때 발생하며, 이는 소위 인류의 원칙(anthropic principle)입니다. 수집된 데이터는 실험 설계뿐만 아니라 연구를 수행하는 사람이 있어야 한다는 필수 전제 조건에 따라 필터링됩니다.[3] 과거에서 지구의 충돌이 그 예제입니다. 충돌 사건은 지능 동물의 멸종을 초래할 수 있거나, 그 당시에는 지능 동물이 없었을 수 있습니다. 그러므로, 일부 충돌 사건은 관찰되지 않았지만, 그것들은 과거에 발생했을 수 있습니다.[4]
  • 자원 봉사자 편향은 자원 봉사자가 연구 대상 모집단과 본질적으로 다른 특성을 가질 때 발생합니다.[5] 연구에 따르면 자원 봉사자는 사회 경제적 지위가 높은 가정에서 오는 경향이 있습니다.[6] 더욱이, 또 다른 연구에 따르면 여성이 남성보다 연구 자원 봉사를 할 가능성이 더 높습니다.[7]
  • 자금-조달 편향(Funding bias)은 연구의 재정 후원자에게 유리한 결과, 테스트 표본 또는 테스트 절차의 선택으로 이어질 수 있습니다.[8]
  • 마찰 편향(Attrition bias)은 참가자의 손실, 예를 들어 연구 중 후속 조치 손실로 인해 발생합니다.[9]
  • 회상 편향(Recall bias)은 과거 사건에 대한 참가자 기억의 정확성 또는 완전성의 차이로 인해 발생합니다; 예를 들어, 환자는 지난 주에 담배를 몇 개비 피웠는지 정확히 기억할 수 없으므로 과대 평가 또는 과소 평가됩니다.

Hypothesis testing

통계적 가설 테스트(statistical hypothesis testing)에서 유형 I 오류와 유형 II 오류는 잘못된 결과로 이어집니다.[10] 유형 I 오류는 널 가설이 정확하지만 거부될 때 발생합니다. 예를 들어, 평균 운전 제한 속력이 75~85km/h이면 과속으로 여기지 않는다는 널 가설을 가정합니다. 다른 한편으로, 평균 속력이 그 범위에 있지 않으면 과속으로 여깁니다. 누군가가 평균 운전 속력이 7km/h인 티켓을 받으면 의사 결정자는 유형 I 오류를 범한 것입니다. 다시 말해서, 평균 주행 속력은 널 가설을 만족하지만 거부됩니다. 이에 반해 유형 II 오류는 널 가설이 정확하지 않고 받아들여질 때 발생합니다.

Estimator selection

추정기의 편향(bias of an estimator)은 추정기의 기댓값과 추정될 매개변수의 실제 값 사이의 차이입니다. 비록 불-편향 추정량이 이론적으로 편향된 추정기보다 바람직하지만, 실제로는 작은 편향을 갖는 편향된 추정기가 자주 사용됩니다. 편향된 추정기는 여러 가지 이유로 더 유용할 수 있습니다. 첫째, 불-편향 추정기는 추가 가정 없이 존재할 수 없습니다. 둘째, 때로는 불-편향 추정기는 계산하기 어렵습니다. 셋째, 편향된 추정기는 평균 제곱 오차의 더 낮은 값을 가질 수 있습니다.

  • 편향된 추정기는 푸아송 분포(Poisson distribution)에서 발생하는 불-편향 추정기보다 좋습니다.[11][12] 편향된 추정기의 값은 항상 양수이고 그것의 평균 제곱 오차가 불-편향 추정기보다 작으며, 이는 편향된 추정기를 더 정확하게 만듭니다.

Analysis methods

  • 탐지 편향은 특정 연구 대상 집합에 대해 현상이 관찰될 가능성이 더 높을 때 발생합니다. 예를 들어, 비만과 당뇨병이 관련된 증후군은 의사가 마른 환자보다 비만 환자에서 당뇨병을 더 많이 찾을 가능성이 있음을 의미할 수 있으며, 왜곡된 탐지 노력으로 인해 비만 환자 사이에서 당뇨병의 인플레이션을 초래할 수 있습니다.
  • 교육 측정(educational measurement)에서, 편향은 "일부 응시자가 실제 능력보다 더 낮거나 높은 점수를 받을 수 있는 시험 내용, 시험 관리 및/또는 채점 절차의 체계적인 오류"로 정의됩니다.[13] 편향의 원인은 테스트가 측정하려는 특성과 관련이 없습니다.
  • 관찰자 편향(Observer bias)은 판단이 실험 수행 방법/결과 기록 방법을 변경할 수 있는 인지 편향(cognitive bias)으로 인해 연구자가 무의식적으로 실험에 영향을 미칠 때 발생합니다.

Interpretation

보고 편향(Reporting bias)은 특정 종류의 관찰이 보고될 유효성이 더 높아지도록 데이터 이용-가능성의 왜곡을 포함합니다.

See also

References

  1. ^ Rothman, Kenneth J.; Greenland, Sander; Lash, Timothy L. (2008). Modern Epidemiology. Lippincott Williams & Wilkins. pp. 134–137.
  2. ^ Mulherin, Stephanie A.; Miller, William C. (2002-10-01). "Spectrum bias or spectrum effect? Subgroup variation in diagnostic test evaluation". Annals of Internal Medicine. 137 (7): 598–602. doi:10.7326/0003-4819-137-7-200210010-00011. ISSN 1539-3704. PMID 12353947. S2CID 35752032.
  3. ^ Bostrom, Nick (2013-05-31). Anthropic Bias: Observation Selection Effects in Science and Philosophy. New York: Routledge. doi:10.4324/9780203953464. ISBN 978-0-203-95346-4.
  4. ^ Ćirković, Milan M.; Sandberg, Anders; Bostrom, Nick (2010). "Anthropic Shadow: Observation Selection Effects and Human Extinction Risks". Risk Analysis. 30 (10): 1495–1506. doi:10.1111/j.1539-6924.2010.01460.x. ISSN 1539-6924. PMID 20626690. S2CID 6485564.
  5. ^ Tripepi, Giovanni; Jager, Kitty J.; Dekker, Friedo W.; Zoccali, Carmine (2010). "Selection Bias and Information Bias in Clinical Research". Nephron Clinical Practice. 115 (2): c94–c99. doi:10.1159/000312871. ISSN 1660-2110. PMID 20407272. S2CID 18856450.
  6. ^ "Volunteer bias". Catalog of Bias. 2017-11-17. Retrieved 2021-12-18.
  7. ^ Alex, Evans (2020). "Why Do Women Volunteer More Than Men?". Retrieved 2021-12-22.
  8. ^ Krimsky, Sheldon (2013-07-01). "Do Financial Conflicts of Interest Bias Research?: An Inquiry into the "Funding Effect" Hypothesis". Science, Technology, & Human Values. 38 (4): 566–587. doi:10.1177/0162243912456271. ISSN 0162-2439. S2CID 42598982.
  9. ^ Higgins, Julian P. T.; Green, Sally (March 2011). "8. Introduction to sources of bias in clinical trials". In Higgins, Julian P. T.; et al. (eds.). Cochrane Handbook for Systematic Reviews of Interventions (version 5.1). The Cochrane Collaboration.
  10. ^ Neyman, Jerzy; Pearson, Egon S. (1936). "Contributions to the theory of testing statistical hypotheses". Statistical Research Memoirs. 1: 1–37.
  11. ^ Romano, Joseph P.; Siegel, A. F. (1986-06-01). Counterexamples in Probability And Statistics. CRC Press. ISBN 978-0-412-98901-8.
  12. ^ Hardy, Michael (2003). "An Illuminating Counterexample". The American Mathematical Monthly. 110 (3): 234–238. doi:10.2307/3647938. ISSN 0002-9890. JSTOR 3647938.
  13. ^ National Council on Measurement in Education (NCME). "NCME Assessment Glossary". Archived from the original on 2017-07-22.


Retrieved from "https://dawoum.duckdns.org/w/index.php?title=Bias_(statistics)&oldid=72729"