2. Definición
En el campo de la estadística, el sesgo estadístico es un error que se
detecta en los resultados de un estudio y que se debe a factores en la
recolección, análisis, interpretación o revisión de los datos.
3. Otras definiciones
El sesgo es la diferencia entre el valor verdadero y el promedio de
mediciones en muchas determinaciones obtenidas por el mismo
sistema de medición.
Como el valor verdadero no es accesible, en sentido estricto solo
es posible hablar sobre sesgo relativo entre laboratorios, analistas
o sistemas de medición.
5. Sesgo de confirmación
Si creyeras firmemente que la mayoría de la gente prefiere el helado
de vainilla al de chocolate y, como resultado, dieras más peso a los
datos que apoyaran esa conclusión.
Es un error que implica permitir que una noción
preconcebida afecte a la forma en que priorizas o
interpretas la información.
Un ejemplo
6. Sesgo de selección
Los datos tomados de un barrio no representarían con precisión una
ciudad grande.
Es un error que se deriva de usar muestras de población que no
representen con precisión a todo el grupo objetivo
Ejemplo,:
Razones por las que surge un sesgo de selección — intencionales, la
participación voluntaria, factores limitantes de la participación o tamaño
de muestra insuficiente.
7. Sesgo del caso atípico
Al analizar los ingresos en los Estados Unidos, hay unas pocas
personas sumamente ricas cuyos ingresos pueden torcer cualquier
cálculo de los promedios.
Los valores atípicos pueden sesgar significativamente los
datos.
Ejemplo
Por este motivo, un valor de mediana suele ser una
representación más precisa de la población más grande.
8. Sesgo del observador
Ejemplo:
una prueba con ratas realizada en la década de 1960, en la que dos
grupos de estudiantes hicieron pruebas a ratas, que estaban
clasificadas como “brillantes” y “sosas”.
Los estudiantes que tenían las ratas “sosas” las trataron mal y
redujeron sus posibilidades de completar el laberinto, lo que
finalmente afectó a los resultados del estudio.
Tipo de sesgo estadístico que deriva de la subjetividad del
observador.
Ninguna persona puede ser completamente totalmente imparcial, por
lo que el sesgo del observador siempre va a ser un problema. Lo
mejor que puedes hacer es aprender a reconocerlo.
9. Sesgo de financiación
El sesgo de financiación es especialmente popular en las
comparaciones de productos.
Ejemplo:
Si Bounty paga una comparación de papel de cocina, es mucho
más probable que esa comparación favorezca a Bounty que a otra
marca.
Hace referencia a la probabilidad de que un estudio favorezca
a la persona que lo financió.
Estos estudios tienden a proporcionar datos inexactos, que
pueden dificultar su aplicación a tu negocio.
10. Sesgo de variable omitida
Ejemplo,:
Un estudio sobre coches que no incluya el año o el kilometraje
puede proporcionar resultados inexactos.
La falta de una variable afecta a la legitimidad de la estadística
Sesgo del
superviviente
Se da cuando solo se tienen en cuenta los puntos de datos de
supervivientes. Al no tener en cuenta cada fuente potencial de datos,
podrías obtener una representación defectuosa.
11. Sesgo de confusión
Una variable confusora, también llamado confusor o factor
confusor, sesga una asociación cuando se asocia tanto a la
exposición como a la variable desenlace a la vez, creando una
asociación espúrea2
Se encuentra presente en todos los estudios científicos que
plantean una hipótesis de tipo causal.
12. ¿Qué es un confusor?
Es un factor distinto al de la exposición, que se asocia de forma
independiente tanto con la variable exposición como con la variable
desenlace. Este confusor, a su vez, puede alterar tanto la magnitud
como la direccionalidad de esta asociación, sesgándola por
completo produciendo desde asociaciones espúreas o inexistentes
hasta asociaciones sobredimensionadas.
13. Para que una variable se considere un verdadero confusor, tiene que
estar ausente en la vía causal de asociación entre la variable de
exposición y la variable desenlace
14. ¿Qué es el sesgo de confusión?
El sesgo de confusión es uno de los tres tipos de sesgos más
frecuentemente observados en los estudios epidemiológicos, siendo
los otros dos el sesgo de selección y el sesgo de información
15. Asociación espúrea: Es la asociación matemáticamente errónea que
se obtiene como resultado de la presencia de un confusor.
Confusión observada o medida: Es dada por aquellas variables que
el investigador conoce y considera como confusoras, por lo que
puede tomarlas en cuenta para ser medidas y ajustadas.
Confusión no observada o no medida: Esta es desconocida por el
investigador, por lo tanto reducirla es un problema.
Confusión Residual: Aún luego de aplicadas las estrategias para la
reducción del sesgo de confusión, es matemáticamente imposible
reducirla a cero, por lo que esta confusión sobrante sería la
confusión residual.
Para un mejor entendimiento del manejo del sesgo de confusión
es importante manejar los siguientes términos:
16.
17. Error aleatorio y sistemático
Existen dos tipos de errores en Epidemiología: el error
aleatorio y el sistemático o sesgo.
18. La evaluación del error es fundamental en el análisis de los datos,
pero mayormente durante el diseño del estudio, lo que permitiría
anticiparse a la ocurrencia de errores sistemáticos.
19. Error sistemático (sesgo)
Puede entenderse como la tendencia sistemática a subestimar o
sobrestimar el estimador de interés a causa de una deficiencia en el
diseño o en la ejecución de un estudio.
El error sistemático o sesgo se asocia con debilidades del diseño
metodológico o la ejecución del estudio, afectando su validez. Puede
valorarse cualitativamente y ser evitado.
20. El error aleatorio
Se relaciona con variaciones debidas al azar y compromete la
confiabilidad de la investigación. .
Puede expresarse cuantitativamente con el valor p y los intervalos de
confianza.
No puede eliminarse, pero sí controlarse mediante el aumento del
tamaño muestral y un análisis estadístico eficiente
21. Error aleatorio (azar)
Produce observaciones desviadas del verdadero valor en cualquier
sentido.
Se asocia a las variaciones explicadas por el azar que está
inherentemente involucrado en cada proceso de investigación, por lo
que no puede eliminarse.
Influye en los resultados incluso cuando se han controlado
debidamente los sesgos7 y compromete la confiabilidad de la
investigación.
Es impredecible, pero puede disminuirse al incrementar el tamaño
muestral y al realizar un análisis estadístico eficiente.
22. Existen sesgos que generan una sobreestimación de la magnitud de
asociación entre variables, conocidos como sesgos positivos (“en
contra” de la hipótesis nula)
Aquellos que aminoran la magnitud se conocen como sesgos
negativos (“a favor” de la hipótesis nula).
En el caso extremo, un sesgo puede desencadenar una inversión
en el sentido de asociación, haciendo que un factor protector
aparezca como un factor de riesgo, lo que se denomina switch-over
bias.
