Et problem som kalles utvalgsskjevhet

Uavhengig av hvilken metode som brukes eller hvilket fagområde som studeres, må forskere sørge for at de bruker representative utvalg som gjenspeiler egenskapene til populasjonen de studerer. I denne artikkelen vil vi se nærmere på begrepet utvalgsskjevhet, ulike typer skjevheter, hvordan de kan oppstå og hvordan de kan motvirkes.

Hva er utvalgsskjevhet?

Utvalgsskjevhet refererer til en situasjon der visse individer eller grupper i en populasjon har større sannsynlighet for å bli inkludert i et utvalg enn andre, noe som fører til et skjevt eller ikke-representativt utvalg. Dette kan skje av ulike årsaker, for eksempel ikke-tilfeldige utvalgsmetoder, selvseleksjonsskjevhet eller forskerskjevhet.

Utvalgsskjevhet kan med andre ord undergrave validiteten og generaliserbarheten til forskningsresultatene ved at utvalget blir skjevt til fordel for visse egenskaper eller perspektiver som kanskje ikke er representative for den større populasjonen.

Ideelt sett bør du velge ut alle deltakerne i undersøkelsen på en tilfeldig måte. I praksis kan det imidlertid være vanskelig å foreta et tilfeldig utvalg av deltakere på grunn av begrensninger som kostnader og respondenttilgjengelighet. Selv om du ikke foretar en randomisert datainnsamling, er det viktig å være klar over de potensielle skjevhetene som kan forekomme i dataene dine.

Noen eksempler på utvalgsskjevhet er

Partiskhet i forhold til frivillighet: Deltakere som melder seg frivillig til å delta i en studie, kan ha andre egenskaper enn de som ikke melder seg frivillig, noe som kan føre til et ikke-representativt utvalg.
Ikke-tilfeldige utvalg: Hvis en forsker bare velger ut deltakere fra bestemte steder, eller bare velger ut deltakere med bestemte egenskaper, kan det føre til et skjevt utvalg.
Skjevhet knyttet til overlevelse: Dette skjer når et utvalg bare omfatter personer som har overlevd eller lyktes i en bestemt situasjon, og utelater dem som ikke overlevde eller mislyktes.
Praktisk prøvetaking: Denne typen utvalg innebærer at man velger ut deltakere som er lett tilgjengelige, for eksempel de som tilfeldigvis er i nærheten, eller de som svarer på en nettbasert undersøkelse, som kanskje ikke er representativ for en større populasjon.
Bekreftelsesskjevhet: Forskere kan - ubevisst eller bevisst - velge ut deltakere som støtter deres hypotese eller forskningsspørsmål, noe som kan føre til skjeve resultater.
Hawthorne-effekten: Deltakerne kan endre atferd eller svar når de vet at de blir studert eller observert, noe som kan føre til ikke-representative resultater.

Hvis du er klar over disse skjevhetene, kan du ta hensyn til dem i analysen for å korrigere dem og få en bedre forståelse av populasjonen som dataene representerer.

Typer utvalgsskjevhet

Seleksjonsskjevhet: oppstår når utvalget ikke er representativt for populasjonen.
Målingsskjevhet: oppstår når de innsamlede dataene er unøyaktige eller ufullstendige.
Rapporteringsskjevhet: oppstår når respondentene oppgir unøyaktige eller ufullstendige opplysninger.
Ikke-svarskjevhet: oppstår når noen medlemmer av populasjonen ikke svarer på undersøkelsen, noe som fører til et ikke-representativt utvalg.

Årsaker til skjevheter i utvalget

Praktisk prøvetaking: å velge et utvalg basert på bekvemmelighetshensyn i stedet for å bruke en vitenskapelig metode.
Selvseleksjonsskjevhet: kun de som frivillig deltar i undersøkelsen er inkludert, noe som ikke nødvendigvis er representativt for befolkningen.
Skjevhet i utvalgsrammen: når utvalgsrammen som brukes til å trekke utvalget, ikke er representativ for populasjonen.
Overlevelsesskjevhet: når bare visse deler av befolkningen deltar, noe som fører til et ikke-representativt utvalg. Hvis forskere for eksempel bare undersøker personer som er i live, kan det hende at de ikke får innspill fra personer som døde før studien ble gjennomført.
Utvalgsskjevhet på grunn av manglende kunnskap: å ikke anerkjenne kildene til variabilitet som kan føre til skjeve estimater.
Utvalgsskjevhet på grunn av feil i utvalgsadministrasjonen: å unnlate å bruke en hensiktsmessig eller velfungerende utvalgsramme eller å nekte å delta i studien, noe som fører til skjevheter i utvalget.

Utvalgsskjevhet i kliniske studier

Kliniske studier er ansvarlige for å teste effekten av en ny behandling eller et nytt legemiddel på en bestemt populasjon. De er en viktig del av legemiddelutviklingsprosessen og avgjør om en behandling er trygg og effektiv før den lanseres for allmennheten. Kliniske studier er imidlertid også utsatt for seleksjonsskjevhet.

Seleksjonsskjevhet oppstår når utvalget som brukes i en studie, ikke er representativt for populasjonen som skal undersøkes. Når det gjelder kliniske studier, kan seleksjonsskjevhet oppstå når deltakerne enten er selektivt utvalgt til å delta eller er selvselekterte.

La oss si at et legemiddelfirma gjennomfører en klinisk studie for å teste effekten av en ny kreftmedisin. De bestemmer seg for å rekruttere deltakere til studien gjennom annonser på sykehus, klinikker og i støttegrupper for kreftpasienter, samt gjennom nettbaserte søknader. Utvalget de samler inn, kan imidlertid være skjevt i forhold til dem som er mer motiverte for å delta i en studie, eller som har en bestemt type kreft. Dette kan gjøre det vanskelig å generalisere resultatene av studien til en større populasjon.

For å minimere seleksjonsskjevheter i kliniske studier må forskerne implementere strenge inklusjons- og eksklusjonskriterier og tilfeldige utvelgelsesprosesser. Dette vil sikre at utvalget av deltakere som velges ut til studien, er representativt for den større populasjonen, noe som minimerer eventuelle skjevheter i dataene som samles inn.

Problemer på grunn av skjevheter i utvalget

Utvalgsskjevhet er problematisk fordi det er mulig at en statistikk som er beregnet for utvalget, er systematisk feilaktig. Det kan føre til en systematisk over- eller underestimering av den tilsvarende parameteren i populasjonen. Det forekommer i praksis, ettersom det er praktisk talt umulig å sikre perfekt tilfeldighet i utvelgelsen.

Hvis graden av skjevhet er liten, kan utvalget behandles som en rimelig tilnærming til et tilfeldig utvalg. I tillegg kan et skjevt utvalg være et rimelig estimat hvis det ikke er store forskjeller i den størrelsen som måles.

Selv om noen bevisst kan bruke et skjevt utvalg for å gi misvisende resultater, er et skjevt utvalg som oftest bare et resultat av at det er vanskelig å få tak i et virkelig representativt utvalg, eller av uvitenhet om skjevheten i måle- eller analyseprosessen.

Ekstrapolering: utenfor rekkevidden

I statistikk kalles det å trekke en konklusjon om noe som ligger utenfor dataenes rekkevidde for ekstrapolering. Å trekke en konklusjon fra et skjevt utvalg er en form for ekstrapolering: Fordi utvalgsmetoden systematisk ekskluderer visse deler av populasjonen som vurderes, gjelder konklusjonene bare for den utvalgte delpopulasjonen.

Ekstrapolering forekommer også hvis en slutning basert på et utvalg av universitetsstudenter for eksempel overføres til eldre voksne eller voksne med kun 8. klasse. Ekstrapolering er en vanlig feil ved anvendelse eller tolkning av statistikk. Noen ganger er ekstrapolering det beste vi kan gjøre, fordi det er vanskelig eller umulig å skaffe gode data, men det må alltid tas med minst en klype salt - og ofte med en stor dose usikkerhet.

Fra vitenskap til pseudovitenskap

Som nevnt på WikipediaEt eksempel på hvordan uvitenhet om en skjevhet kan eksistere, er den utbredte bruken av et forholdstall (også kalt foldendring) som et mål på forskjellen i biologi. Fordi det er lettere å oppnå et stort forholdstall med to små tall med en gitt forskjell, og relativt sett vanskeligere å oppnå et stort forholdstall med to store tall med en større forskjell, kan man gå glipp av store signifikante forskjeller når man sammenligner relativt store numeriske målinger.

Some have called this a ‘demarcation bias’ because the use of a ratio (division) instead of a difference (subtraction) removes the results of the analysis from science into pseudoscience.

Noen utvalg bruker et skjevt statistisk design, som likevel gjør det mulig å estimere parametere. U.S. National Center for Health Statistics oversamplinger for eksempel bevisst minoritetsbefolkninger i mange av sine landsomfattende undersøkelser for å oppnå tilstrekkelig presisjon for estimater innenfor disse gruppene.

Disse undersøkelsene krever bruk av utvalgsvekter for å gi korrekte estimater for alle etniske grupper. Hvis visse betingelser er oppfylt (først og fremst at vektene beregnes og brukes korrekt), gir disse utvalgene mulighet til å estimere populasjonsparametere på en nøyaktig måte.

Beste praksis for å redusere skjevheter ved prøvetaking

Det er avgjørende å velge en hensiktsmessig utvalgsmetode for å sikre at dataene som fremkommer, gjenspeiler den undersøkte populasjonen på en nøyaktig måte.

Teknikker for tilfeldig utvalg: Bruk av tilfeldig utvalg øker sannsynligheten for at utvalget er representativt for populasjonen. Denne teknikken bidrar til å sikre at utvalget er så representativt som mulig for den aktuelle populasjonen, og dermed mindre utsatt for skjevheter.
Beregning av utvalgsstørrelse: Utvalgsstørrelsen bør beregnes slik at man har tilstrekkelig styrke til å teste statistisk meningsfulle hypoteser. Jo større utvalget er, desto bedre er representasjonen av populasjonen.
Trendanalyse: Søke etter alternative datakilder og analysere eventuelle observerte trender i data som ikke er selektert.
Kontroll av skjevheter: Forekomster av skjevheter bør overvåkes for å identifisere systematisk ekskludering eller overinkludering av spesifikke datapunkter.

Ta hensyn til prøvene

Utvalgsskjevhet er en viktig faktor å ta hensyn til når man utfører forskning. Uavhengig av hvilken metode som brukes eller hvilket fagområde som studeres, må forskere sørge for at de bruker representative utvalg som gjenspeiler egenskapene til populasjonen de studerer.

Når man gjennomfører forskningsstudier, er det viktig å være nøye med utvelgelsesprosessen og metoden som brukes til å samle inn data fra utvalget. For å sikre at forskningsresultatene er gyldige og pålitelige, og dermed har større sannsynlighet for å påvirke politikk og praksis, bør man bruke beste praksis, for eksempel teknikker for tilfeldig utvalg, beregning av utvalgsstørrelse, trendanalyse og kontroll av skjevheter.

Iøynefallende vitenskapelig infografikk på få minutter

Mind the Graph er et kraftig nettbasert verktøy for forskere som har behov for å lage vitenskapelig grafikk og illustrasjoner av høy kvalitet. Plattformen er brukervennlig og tilgjengelig for forskere med ulik teknisk kompetanse, noe som gjør den til en ideell løsning for forskere som har behov for å lage grafikk til publikasjoner, presentasjoner og annet vitenskapelig kommunikasjonsmateriell.

Enten du forsker innen biovitenskap, naturvitenskap eller ingeniørfag, tilbyr Mind the Graph et bredt spekter av ressurser som hjelper deg med å formidle forskningsresultatene dine på en tydelig og visuelt overbevisende måte.