Lección
La muestra que ves importa
Tu conclusión puede ser errónea cuando los datos que ves excluyen casos faltantes importantes.
Por el equipo editorial de Math Says Yes
Revisado por humanos según nuestros estándares de fuentes y corrección.
Cómo revisamos el contenido
Una muestra es un filtro
Cada conjunto de datos llega a ti a través de un proceso de recolección. Ese proceso filtra quién está incluido, quién está excluido, quién responde, quién sobrevive, quién es visible y quién se mide con precisión. Una puede ser enorme y aun así estar sesgada si el filtro apunta en la dirección incorrecta. Por lo tanto, la primera pregunta no es cuántas observaciones hay, sino si las observaciones representan a la que quieres describir.
Los casos faltantes contienen información
El es poderoso porque los casos ausentes suelen ser exactamente aquellos que cambiarían la conclusión. Las empresas quebradas faltan en los consejos para fundadores. Las personas a las que no les gustó un producto quizás nunca dejen una reseña. Los aviones dañados que no regresaron no pueden ser inspeccionados. Cuando la ausencia está relacionada con el resultado, los datos visibles no solo tienen lagunas, sino que apuntan en una dirección sistemáticamente engañosa.
La precisión no soluciona el sesgo
Una sesgada puede producir gráficos limpios, intervalos de confianza estrechos y resultados reproducibles mientras sigue respondiendo a la pregunta incorrecta. Más datos reducen el ruido aleatorio, pero no reparan automáticamente un método de recolección distorsionado. Si una encuesta solo llega a una audiencia, agregar más personas de esa misma audiencia hace que la estimación parezca más segura, no más representativa. La calidad del muestreo es un problema de diseño antes de ser un problema de cálculo.
Cómo inspeccionar una muestra
Antes de confiar en una afirmación, rastrea el camino desde la hasta los datos. ¿Quién tuvo la oportunidad de ser incluido? ¿Quién tuvo una razón para no responder? ¿Qué fallas, usuarios silenciosos, grupos pequeños o casos límite son invisibles? Luego pregunta si los grupos faltantes probablemente tendrían resultados diferentes a los de los grupos visibles. Si la respuesta es sí, trata la conclusión como una afirmación sobre la , no sobre toda la población.
Preguntas frecuentes
¿Puede una muestra muy grande seguir estando sesgada?
Sí. El tamaño reduce el error aleatorio, pero no soluciona un proceso de recolección que excluye o sobrerrepresenta sistemáticamente a grupos importantes.
¿Cuál es la forma más sencilla de detectar el sesgo de muestreo?
Pregunta quién falta y si sus resultados diferirían. Si los casos faltantes no son aleatorios, la muestra visible puede describirse a sí misma más que a la población en general.
Véelo en acción
Por qué tus amigos parecen más populares
La paradoja de la amistad proviene de agrupar las entradas de las listas de amigos: las personas bien conectadas aparecen con más frecuencia, por lo que el promedio de las entradas agrupadas es al menos el promedio de una persona aleatoria y es mayor cuando los recuentos de amigos varían.
El sesgo de publicación oculta los estudios que no encontraron nada
El sesgo de publicación es el sesgo de muestreo de la ciencia misma: los estudios positivos, sorprendentes o con significación estadística son más fáciles de ver que los resultados nulos.
Paradoja de Berkson: los hospitales pueden crear correlaciones falsas
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.
Una tendencia puede invertirse cuando se combinan grupos
La agregación puede ocultar los diferentes tamaños y niveles de riesgo de los grupos que se combinan.
Los aviones que faltaban eran los más importantes
Los aviones que llegaron a casa son los sobrevivientes. El daño fatal es más probable donde los aviones que regresaron tenían menos agujeros.
Comprobación rápida
¿Por qué un nombre reunido de todas las listas de amigos puede parecer más popular que una persona al azar?
A
La mayoría de las personas tienen menos amigos de los que piensan.
B
Las personas tienden a elegir amigos menos populares.
C
Las personas populares aparecen en muchas listas de amigos.