Sesgo de muestreo

En estadística , el sesgo de muestreo es un sesgo en el que una muestra se recoge de tal manera que algunos miembros de la población prevista tienen una probabilidad de muestreo menor o mayor que otros. El resultado es una muestra sesgada ^[1] de una población (o factores no humanos) en la que no todos los individuos o instancias tenían la misma probabilidad de haber sido seleccionados. ^[2] Si esto no se tiene en cuenta, los resultados pueden atribuirse erróneamente al fenómeno en estudio en lugar del método de muestreo .

Las fuentes médicas a veces se refieren al sesgo de muestreo como sesgo de verificación . ^{[3] [4]} El sesgo de verificación tiene básicamente la misma definición, ^{[5] [6]} pero a veces todavía se clasifica como un tipo separado de sesgo. ^[5]

El sesgo de muestreo suele clasificarse como un subtipo de sesgo de selección , ^[7] a veces denominado específicamente sesgo de selección de muestra , ^{[8] [9] [10]} pero algunos lo clasifican como un tipo separado de sesgo. ^[11] Una distinción, aunque no universalmente aceptada, del sesgo de muestreo es que socava la validez externa de una prueba (la capacidad de sus resultados de generalizarse a toda la población), mientras que el sesgo de selección aborda principalmente la validez interna de las diferencias o similitudes encontradas en la muestra en cuestión. En este sentido, los errores que ocurren en el proceso de recolección de la muestra o cohorte causan sesgo de muestreo, mientras que los errores en cualquier proceso posterior causan sesgo de selección.

Sin embargo, el sesgo de selección y el sesgo de muestreo a menudo se utilizan como sinónimos. ^[12]

• Selección de un área real específica . Por ejemplo, una encuesta a estudiantes de secundaria para medir el consumo de drogas ilegales entre los adolescentes será una muestra sesgada porque no incluye a los estudiantes que reciben educación en casa o que abandonan la escuela. Una muestra también está sesgada si ciertos miembros están subrepresentados o sobrerrepresentados en relación con otros en la población. Por ejemplo, una entrevista a un "hombre de la calle" que selecciona a personas que pasan caminando por un lugar determinado tendrá una sobrerrepresentación de individuos sanos que tienen más probabilidades de estar fuera de casa que los individuos con una enfermedad crónica. Esta puede ser una forma extrema de muestreo sesgado, porque ciertos miembros de la población están totalmente excluidos de la muestra (es decir, tienen cero probabilidades de ser seleccionados).
• Sesgo de autoselección (véase también Sesgo de no respuesta ), que es posible siempre que el grupo de personas que se estudia tiene algún tipo de control sobre su participación (como lo exigen los estándares actuales de ética de la investigación con sujetos humanos para muchas formas de estudio en tiempo real y algunas longitudinales). La decisión de los participantes de participar puede estar correlacionada con rasgos que afectan al estudio, lo que hace que los participantes sean una muestra no representativa. Por ejemplo, las personas que tienen opiniones firmes o conocimientos sustanciales pueden estar más dispuestas a dedicar tiempo a responder una encuesta que las que no las tienen. Otro ejemplo son las encuestas en línea y telefónicas , que son muestras sesgadas porque los encuestados son autoseleccionados. Aquellos individuos que están muy motivados para responder, típicamente individuos que tienen opiniones firmes, están sobrerrepresentados, y los individuos que son indiferentes o apáticos tienen menos probabilidades de responder. Esto a menudo conduce a una polarización de las respuestas y a las perspectivas extremas se les da un peso desproporcionado en el resumen. Como resultado, este tipo de encuestas se consideran poco científicas.

• El sesgo de exclusión resulta de la exclusión de grupos particulares de la muestra, por ejemplo, la exclusión de sujetos que han migrado recientemente al área de estudio (esto puede ocurrir cuando los recién llegados no están disponibles en un registro utilizado para identificar la población de origen). Excluir sujetos que se mudan fuera del área de estudio durante el seguimiento es más bien equivalente al abandono o la falta de respuesta, un sesgo de selección en el sentido de que afecta más bien la validez interna del estudio.
• Sesgo de usuario saludable : cuando la población del estudio es probablemente más saludable que la población general. Por ejemplo, es poco probable que una persona con mala salud tenga un trabajo como trabajador manual, por lo que si se realiza un estudio sobre trabajadores manuales, es probable que se sobrestime la salud de la población general.
• Falacia de Berkson , cuando la población de estudio se selecciona de un hospital y, por lo tanto, es menos saludable que la población general. Esto puede dar lugar a una correlación negativa espuria entre enfermedades: un paciente hospitalizado sin diabetes tiene más probabilidades de tener otra enfermedad determinada, como colecistitis , ya que debe haber tenido alguna razón para ingresar en el hospital en primer lugar.
• Sobreemparejamiento , emparejamiento por un aparente factor de confusión que en realidad es resultado de la exposición ^{[ aclaración necesaria ]} . El grupo de control se vuelve más similar a los casos en lo que respecta a la exposición que la población general.
• Sesgo de supervivencia , en el que solo se seleccionan los sujetos "supervivientes", ignorando a los que se perdieron de vista. Por ejemplo, utilizar el historial de las empresas actuales como indicador del clima empresarial o de la economía ignora las empresas que fracasaron y ya no existen.
• Sesgo de Malmquist , un efecto en la astronomía observacional que conduce a la detección preferencial de objetos intrínsecamente brillantes.

• Falacia del foco de atención , la suposición acrítica de que todos los miembros o casos de una determinada clase o tipo son como aquellos que reciben la mayor atención o cobertura en los medios.

El estudio de las enfermedades comienza con informes anecdóticos. Por su naturaleza, estos informes solo incluyen a aquellos que son derivados para diagnóstico y tratamiento. Un niño que no puede funcionar en la escuela tiene más probabilidades de ser diagnosticado con dislexia que un niño que tiene dificultades pero aprueba. Un niño examinado por una enfermedad tiene más probabilidades de ser examinado y diagnosticado con otras enfermedades, lo que sesga las estadísticas de comorbilidad . A medida que ciertos diagnósticos se asocian con problemas de conducta o discapacidad intelectual , los padres tratan de evitar que sus hijos sean estigmatizados con esos diagnósticos, lo que introduce más sesgo. Estudios cuidadosamente seleccionados de poblaciones enteras están mostrando que muchas enfermedades son mucho más comunes y, por lo general, mucho más leves de lo que se creía anteriormente.

Los genetistas tienen limitaciones en cuanto a la forma en que pueden obtener datos de poblaciones humanas. Como ejemplo, consideremos una característica humana. Nos interesa decidir si la característica se hereda como un rasgo mendeliano simple . Siguiendo las leyes de la herencia mendeliana , si los padres de una familia no tienen la característica, pero llevan el alelo correspondiente, son portadores (por ejemplo, un heterocigoto no expresivo ). En este caso, sus hijos tendrán cada uno un 25% de posibilidades de mostrar la característica. El problema surge porque no podemos decir qué familias tienen a ambos padres como portadores (heterocigotos) a menos que tengan un hijo que exhiba la característica. La descripción sigue el libro de texto de Sutton. ^[13]

La figura muestra los pedigríes de todas las posibles familias con dos hijos cuando los padres son portadores (Aa).

• Selección no truncada . En un mundo perfecto, deberíamos poder descubrir todas las familias con un gen, incluidas aquellas que son simplemente portadoras. En esta situación, el análisis estaría libre de sesgo de verificación y los pedigríes estarían bajo "selección no truncada". En la práctica, la mayoría de los estudios identifican e incluyen familias en un estudio basándose en que tienen individuos afectados.
• Selección truncada . Cuando los individuos afectados tienen las mismas posibilidades de ser incluidos en un estudio, esto se denomina selección truncada, lo que significa la exclusión involuntaria (truncamiento) de familias que son portadoras de un gen. Debido a que la selección se realiza a nivel individual, las familias con dos o más niños afectados tendrían una mayor probabilidad de ser incluidas en el estudio.
• La selección truncada completa es un caso especial en el que cada familia con un niño afectado tiene la misma probabilidad de ser seleccionada para el estudio.

En la figura se muestran las probabilidades de que cada una de las familias sea seleccionada, junto con la frecuencia muestral de los niños afectados. En este caso sencillo, el investigador buscará una frecuencia de 4 ⁄ 7 o 5 ⁄ 8 para la característica, según el tipo de selección truncada utilizada.

Un ejemplo de sesgo de selección es el llamado "efecto cavernícola". Gran parte de nuestro conocimiento sobre los pueblos prehistóricos proviene de cuevas, como las pinturas rupestres realizadas hace casi 40.000 años. Si hubiera habido pinturas contemporáneas en árboles, pieles de animales o laderas, habrían desaparecido hace mucho tiempo. De manera similar, es más probable que la evidencia de pozos de fuego, basureros , lugares de enterramiento , etc. permanezca intacta hasta la era moderna en cuevas. Los pueblos prehistóricos se asocian con las cuevas porque es allí donde todavía existen los datos, no necesariamente porque la mayoría de ellos vivieron en cuevas durante la mayor parte de sus vidas. ^[14]

El sesgo de muestreo es problemático porque es posible que una estadística calculada de la muestra sea sistemáticamente errónea. El sesgo de muestreo puede llevar a una sobreestimación o subestimación sistemática del parámetro correspondiente en la población. El sesgo de muestreo ocurre en la práctica porque es prácticamente imposible asegurar una aleatoriedad perfecta en el muestreo. Si el grado de distorsión es pequeño, entonces la muestra puede ser tratada como una aproximación razonable a una muestra aleatoria. Además, si la muestra no difiere notablemente en la cantidad que se mide, entonces una muestra sesgada puede seguir siendo una estimación razonable.

La palabra sesgo tiene una fuerte connotación negativa. De hecho, los sesgos a veces provienen de la intención deliberada de engañar o de otro fraude científico . En el uso estadístico, el sesgo simplemente representa una propiedad matemática, sin importar si es deliberada o inconsciente o se debe a imperfecciones en los instrumentos utilizados para la observación. Si bien algunas personas pueden usar deliberadamente una muestra sesgada para producir resultados engañosos, más a menudo, una muestra sesgada es solo un reflejo de la dificultad de obtener una muestra verdaderamente representativa o de la ignorancia del sesgo en su proceso de medición o análisis. Un ejemplo de cómo puede existir la ignorancia de un sesgo es el uso generalizado de una razón (también conocida como cambio de pliegue ) como medida de diferencia en biología. Debido a que es más fácil lograr una razón grande con dos números pequeños con una diferencia dada, y relativamente más difícil lograr una razón grande con dos números grandes con una diferencia mayor, pueden pasarse por alto grandes diferencias significativas al comparar mediciones numéricas relativamente grandes. Algunos han llamado a esto un "sesgo de demarcación" porque el uso de una proporción (división) en lugar de una diferencia (resta) elimina los resultados del análisis de la ciencia y los lleva a la pseudociencia (ver Problema de demarcación ).

Algunas muestras utilizan un diseño estadístico sesgado que, no obstante, permite la estimación de parámetros. El Centro Nacional de Estadísticas de Salud de los Estados Unidos , por ejemplo, sobremuestrea deliberadamente a poblaciones minoritarias en muchas de sus encuestas nacionales para obtener suficiente precisión para las estimaciones dentro de estos grupos. ^[15] Estas encuestas requieren el uso de ponderaciones de muestra (véase más adelante) para producir estimaciones adecuadas en todos los grupos étnicos. Siempre que se cumplan ciertas condiciones (principalmente que las ponderaciones se calculen y utilicen correctamente), estas muestras permiten una estimación precisa de los parámetros de la población.

Un ejemplo clásico de una muestra sesgada y de los resultados engañosos que produjo ocurrió en 1936. En los primeros días de las encuestas de opinión, la revista American Literary Digest recopiló más de dos millones de encuestas postales y predijo que el candidato republicano en las elecciones presidenciales de Estados Unidos , Alf Landon , vencería al presidente en ejercicio, Franklin Roosevelt , por un amplio margen. El resultado fue exactamente el opuesto. La encuesta de Literary Digest representó una muestra recopilada de los lectores de la revista, complementada con registros de propietarios de automóviles registrados y usuarios de teléfonos. Esta muestra incluía una sobrerrepresentación de individuos ricos, quienes, como grupo, tenían más probabilidades de votar por el candidato republicano. En contraste, una encuesta de solo 50 mil ciudadanos seleccionados por la organización de George Gallup predijo con éxito el resultado, lo que llevó a la popularidad de la encuesta de Gallup .

Otro ejemplo clásico ocurrió en las elecciones presidenciales de 1948. La noche de las elecciones, el Chicago Tribune publicó el titular DEWEY DERROTA A TRUMAN , que resultó ser erróneo. Por la mañana, el sonriente presidente electo , Harry S. Truman , fue fotografiado sosteniendo un periódico con este titular. La razón por la que el Tribune se equivocó es que su editor confió en los resultados de una encuesta telefónica. La investigación de encuestas estaba entonces en su infancia, y pocos académicos se dieron cuenta de que una muestra de usuarios de teléfono no era representativa de la población general. Los teléfonos aún no estaban muy extendidos, y quienes los tenían tendían a ser prósperos y tener direcciones estables. (En muchas ciudades, la guía telefónica del Sistema Bell contenía los mismos nombres que el Social Register ). Además, la encuesta de Gallup en la que el Tribune basó su titular tenía más de dos semanas de antigüedad en el momento de la impresión. ^[17]

En los datos de calidad del aire , los contaminantes (como el monóxido de carbono , el monóxido de nitrógeno , el dióxido de nitrógeno o el ozono ) muestran con frecuencia correlaciones altas , ya que provienen de los mismos procesos químicos. Estas correlaciones dependen del espacio (es decir, la ubicación) y del tiempo (es decir, el período). Por lo tanto, una distribución de contaminantes no es necesariamente representativa de cada ubicación y cada período. Si un instrumento de medición de bajo costo se calibra con datos de campo de manera multivariada, más precisamente por colocación junto a un instrumento de referencia, las relaciones entre los diferentes compuestos se incorporan al modelo de calibración. Al reubicar el instrumento de medición, se pueden producir resultados erróneos. ^[18]

Un ejemplo del siglo XXI es la pandemia de COVID-19 , donde se ha demostrado que las variaciones en el sesgo de muestreo en las pruebas de COVID-19 explican amplias variaciones tanto en las tasas de letalidad como en la distribución por edad de los casos en los distintos países. ^{[19] [20]}

Si se excluyen de una muestra segmentos enteros de la población, no hay ajustes que puedan producir estimaciones que sean representativas de toda la población. Pero si algunos grupos están subrepresentados y se puede cuantificar el grado de subrepresentación, las ponderaciones de la muestra pueden corregir el sesgo. Sin embargo, el éxito de la corrección se limita al modelo de selección elegido. Si faltan ciertas variables, los métodos utilizados para corregir el sesgo podrían ser inexactos. ^[21]

Por ejemplo, una población hipotética podría incluir 10 millones de hombres y 10 millones de mujeres. Supongamos que una muestra sesgada de 100 pacientes incluyera 20 hombres y 80 mujeres. Un investigador podría corregir este desequilibrio asignando un peso de 2,5 para cada hombre y 0,625 para cada mujer. Esto ajustaría cualquier estimación para lograr el mismo valor esperado que una muestra que incluyera exactamente 50 hombres y 50 mujeres, a menos que los hombres y las mujeres difirieran en su probabilidad de participar en la encuesta. ^{[ cita requerida ]}

• Modelo de regresión censurado
• Selección de lo que conviene (falacia)
• Problema con el cajón de archivos
• Paradoja de la amistad
• Sesgo de notificación
• Probabilidad de muestreo
• Sesgo de selección
• Sesgo de fuente común
• Sesgo del espectro
• Modelo de regresión truncada