Dato
Paradoja de Berkson: los hospitales pueden crear correlaciones falsas
Dos factores de riesgo no relacionados pueden parecer negativamente relacionados dentro de un hospital, porque cualquiera de los dos puede ser la razón por la cual un paciente fue seleccionado en la muestra.
La paradoja de Berkson es el sesgo de colisión en acción: condicionar la selección puede crear relaciones que no están presentes en toda la población.
Por el equipo editorial de Math Says Yes
Revisado por humanos según nuestros estándares de fuentes y corrección.
Cómo revisamos el contenido
LA TRAMPA
Olvidar que la muestra fue seleccionada por un resultado afectado por ambas variables, por lo que las relaciones dentro del grupo seleccionado pueden ser artificiales.
La trampa de la selección
Una de hospital contiene personas que fueron admitidas, no a todos en la ; la paradoja de Berkson comienza con una muestra seleccionada así. Si dos condiciones diferentes pueden aumentar la de admisión, entonces la admisión es una consecuencia compartida de esas condiciones. Mirar solo a los pacientes admitidos significa que has condicionado sobre esa consecuencia compartida, y condicionar puede cambiar las relaciones entre sus causas.
Lo que muestran los números
10%
todos
10%
hospital: diabético
36%
hospital: sin diabetes
Ilustrativo: ambos grupos tienen un 10% de enfermedad de la vesícula biliar afuera; la selección del hospital eleva la tasa de pacientes internados sin diabetes al 36%.
Por qué aparece una relación falsa
Supón que la condición A y la condición B no están relacionadas en la general, pero cualquiera de las dos puede llevar a alguien al hospital. Dentro del hospital, un paciente que tiene A ya tiene una razón para estar allí, por lo que puede ser menos probable que también necesite a B como la razón por la cual fue seleccionado. Por lo tanto, la puede mostrar una asociación negativa incluso cuando la población no tiene asociación.
Dónde aparece
El mismo patrón aparece fuera de la medicina. Entre los estudiantes admitidos, los puntajes de los exámenes y el talento extracurricular inusual pueden parecer relacionados negativamente porque cualquiera de las fortalezas puede ayudar a alguien a ser admitido. Entre los creadores exitosos, la red de contactos y la habilidad técnica pueden parecer sustitutos porque cualquiera puede ayudar a pasar el filtro de éxito. Siempre que estudias solo a las personas que pasaron una puerta, la puerta puede crear relaciones que no estaban allí antes.
Cómo usarlo
Antes de confiar en una relación dentro de un grupo seleccionado, pregunta cómo ingresaron las personas al grupo. ¿Las variables que se comparan influyeron en la selección? Si es así, la asociación puede ser un artefacto de selección. La solución más limpia es analizar la más amplia o modelar explícitamente el proceso de selección. Como mínimo, evita hacer afirmaciones sobre la población a partir de una creada por el resultado que intentas explicar.
Ejemplo práctico
Piensa en una escuela de arte selectiva que admite solicitantes por una habilidad de dibujo excepcional o una teoría de diseño excepcional. Entre los estudiantes admitidos, los mejores estudiantes de dibujo pueden parecer más débiles en teoría en , porque el dibujo por sí solo fue suficiente para que muchos de ellos fueran admitidos. Esa relación negativa no necesita existir entre todos los solicitantes. Puede ser creada al mirar solo a las personas que pasaron una puerta que cualquier rasgo podría abrir.
Cuándo se aplica
Busca la paradoja de Berkson siempre que el conjunto de datos se construya a partir de casos admitidos, diagnosticados, exitosos, contratados, aprobados o filtrados de otro modo. La advertencia es más fuerte cuando las variables que se comparan también ayudaron a determinar la entrada al conjunto de datos. Es más débil cuando la selección es aleatoria o independiente de las variables. La pregunta práctica es simple: ¿dependió la puerta de entrada a la de las cosas que ahora estás comparando?
En qué se equivoca la gente
El error es olvidar que la ya ha pasado una puerta. Dentro de un hospital, escuela de élite, preselección o conjunto de datos de fundadores exitosos, la regla de entrada ha cambiado la combinación de casos. Las relaciones dentro de ese grupo seleccionado pueden describir la puerta tanto como describen la subyacente.
Nota sobre la fuente
El artículo de Berkson de 1946 es la fuente principal de la advertencia sobre los datos hospitalarios. Respalda la afirmación central de la página de que las relaciones observadas dentro de una clínica seleccionada pueden diferir de las relaciones en la más amplia. La página extiende la misma lógica de selección a escuelas, contrataciones, creadores y otros conjuntos de datos filtrados.
Preguntas frecuentes
¿Qué es la paradoja de Berkson en términos sencillos?
Es una falsa asociación que aparece después de mirar solo casos seleccionados, como pacientes de hospital, cuando la selección depende de cualquiera de las variables que se están comparando.
¿Es la paradoja de Berkson un tipo de sesgo de muestreo?
Sí. Más específicamente, es un sesgo de colisión: condicionar en una consecuencia compartida puede crear una relación artificial entre causas que de otro modo no estarían relacionadas.
Comprobación rápida
¿Por qué dos rasgos no relacionados pueden parecer relacionados dentro de la muestra de un hospital?
A
Los hospitales eliminan todo sesgo de muestreo.
B
Cada paciente del hospital tiene los mismos factores de riesgo.
C
El ingreso puede depender de cualquiera de los dos rasgos, vinculándolos en la muestra.
Fuentes
Berkson's paradox
Explicador secundario
Wikipedia · Accedido 2026-06-16
Limitations of the application of fourfold table analysis to hospital data
Fuente primaria
Biometrics Bulletin · Accedido 2026-06-20
¿Conoces a alguien a quien le pueda gustar esto?
Leer siguiente
Por qué tus amigos parecen más populares
Agrupa cada aparición de nombre de cada lista de amigos y las personas bien conectadas aparecen con más frecuencia. El promedio resultante nunca está por debajo del promedio de una persona aleatoria uniforme, y es mayor cuando los recuentos de amigos varían.
Conceptos
Sesgo de colisión
El sesgo de colisión aparece cuando solo miras casos seleccionados por un resultado compartido, como pacientes de un hospital o solicitantes admitidos. Condicionar ese resultado compartido puede crear una relación entre causas que no estaban relacionadas en toda la población.
Sesgo de muestreo
Un resultado distorsionado causado por observar datos que no representan a la población que te importa. Más datos no solucionan el problema si todavía faltan los mismos tipos de casos. Antes de confiar en una conclusión, pregunta quién tuvo la oportunidad de aparecer en la muestra y quién quedó fuera.
