Bias is de fout in schattingen als gevolg van systematische fouten die leiden tot consistent hoge of lage resultaten in vergelijking met de werkelijke waarden. De individuele vertekening van een schatting waarvan bekend is dat deze vooringenomen is, is het verschil tussen de geschatte en werkelijke waarden. Als niet bekend is dat de schatting bevooroordeeld is, kan het verschil ook te wijten zijn aan willekeurige fouten of andere onnauwkeurigheden. In tegenstelling tot bias, die altijd in één richting werkt, kunnen deze fouten positief of negatief zijn.

Om de bias te berekenen van een methode die voor veel schattingen wordt gebruikt, moet u de fouten vinden door elke schatting af te trekken van de werkelijke of waargenomen waarde . Tel alle fouten op en deel door het aantal schattingen om de afwijking te krijgen. Als de fouten optellen tot nul, waren de schattingen onbevooroordeeld en levert de methode onbevooroordeelde resultaten op. Als de schattingen bevooroordeeld zijn, kan het mogelijk zijn om de bron van de afwijking te vinden en deze te verwijderen om de methode te verbeteren.

TL; DR (te lang; niet gelezen)

Bereken vertekening door het verschil te vinden tussen een schatting en de werkelijke waarde. Om de bias van een methode te vinden, voert u veel schattingen uit en telt u de fouten in elke schatting op in vergelijking met de werkelijke waarde. Delen door het aantal schattingen geeft de voorkeur van de methode. In statistieken kunnen er veel schattingen zijn om een enkele waarde te vinden. Bias is het verschil tussen het gemiddelde van deze schattingen en de werkelijke waarde.
Hoe Bias werkt

Wanneer schattingen bevooroordeeld zijn, zijn ze consistent verkeerd in één richting vanwege fouten in het systeem dat voor de schattingen is gebruikt. Een weersvoorspelling kan bijvoorbeeld consequent temperaturen voorspellen die hoger zijn dan de werkelijk waargenomen. De voorspelling is bevooroordeeld en ergens in het systeem is er een fout die een te hoge schatting geeft. Als de voorspellingsmethode onbevooroordeeld is, kan deze nog steeds temperaturen voorspellen die niet correct zijn, maar de onjuiste temperaturen zullen soms hoger en soms lager zijn dan de waargenomen temperaturen.

Statistische bias werkt op dezelfde manier, maar is meestal gebaseerd op een groot aantal schattingen, enquêtes of voorspellingen. Deze resultaten kunnen grafisch worden weergegeven in een distributiekromme en de afwijking is het verschil tussen het gemiddelde van de verdeling en de werkelijke waarde. Als er vooringenomenheid is, zal er altijd een verschil zijn, hoewel sommige individuele schattingen aan weerszijden van de werkelijke waarde kunnen vallen. campagnes, maar hun peilingsresultaten overschatten consequent de resultaten voor één politieke partij in vergelijking met de daadwerkelijke verkiezingsresultaten. De vertekening kan voor elke verkiezing worden berekend door het werkelijke resultaat af te trekken van de pollvoorspelling. De gemiddelde afwijking van de gebruikte polling-methode kan worden berekend door het gemiddelde van de individuele fouten te vinden. Als de vertekening groot en consistent is, kan het stembureau proberen te achterhalen waarom hun methode bevooroordeeld is.

Bias kan afkomstig zijn uit twee hoofdbronnen. Of de selectie van deelnemers voor de peiling is bevooroordeeld, of de afwijking is het gevolg van de interpretatie van de informatie die van de deelnemers is ontvangen. Internetpeilingen zijn bijvoorbeeld inherent bevooroordeeld omdat de deelnemers aan de peiling die de internetformulieren invullen niet representatief zijn voor de hele bevolking. Dit is een selectiebias.

Pollingbedrijven zijn op de hoogte van deze selectiebias en compenseren dit door de aantallen aan te passen. Als de resultaten nog steeds bevooroordeeld zijn, is dit een informatiebias omdat de bedrijven de informatie niet correct hebben geïnterpreteerd. In al deze gevallen laat een biasberekening zien in hoeverre de geschatte waarden nuttig zijn en wanneer de methoden moeten worden aangepast