Clicked Gallery
¿Qué es el sesgo de selección?
Subrayado en un libro de texto real. Explicado por Clicked.
Usado en una frase
University Course Reader · STEM
Reviewers noted the study's selection bias: every participant had been recruited from a single hospital's waiting room.
El lector subrayó un término — en un artículo o en el PDF de un paper. Clicked hizo que el término estadístico «selection bias» fuera fácil de entender:
Explicado en tres niveles
●○○
Overview
El sesgo de selección es un error causado por cómo se eligió la muestra. Cuando algunas personas o casos tenían más probabilidades de entrar que otros, la muestra no representa al grupo más amplio, y las conclusiones salen torcidas desde el inicio. Encuesta por teléfono y aprendes lo que piensan quienes contestan el teléfono; recluta voluntarios y estudias a la gente que se ofrece. La muestra puede ser enorme y estar recogida con honestidad, y aun así describir solo a quienes están dentro.
●●○
Detail
El sesgo de selección significa que tu muestra se recogió de una manera que no representa a la población que te interesa. La demostración clásica es una encuesta electoral de 1936 en Estados Unidos. Una revista reunió 2,4 millones de respuestas, extraídas de guías telefónicas y registros de automóviles, y predijo al ganador equivocado, porque tener teléfono o coche en 1936 significaba ser acomodado, y los acomodados votaban distinto. Un encuestador rival acertó con una fracción mínima de la muestra, elegida para reflejar al electorado. La lección sigue vigente: cómo seleccionas importa más que cuántos seleccionas, y una muestra mayor de una fuente sesgada produce la misma respuesta equivocada con más confianza. El error de selección entra de varias maneras. Algunas personas son inalcanzables por tu método, otras se niegan, otras se ofrecen porque sienten con fuerza, y otras abandonan por el camino; el sesgo de supervivencia es el mismo fallo a la salida. Estudiar un grupo concreto está bien mientras tus conclusiones se queden en ese grupo; el sesgo aparece cuando una selección estrecha habla por una población más amplia. El arreglo es estructural: selecciona al azar de la población que de verdad te interesa, o declara con claridad a qué grupo pueden describir tus datos.
●●●
Analogy
El sesgo de selección es pescar con una red de malla ancha y concluir que el lago solo tiene peces grandes. La red es tu método de muestreo, y la malla decide qué puede acabar en el bote: todo lo que está por debajo de cierto tamaño la atraviesa y nunca aparece en la captura. El pescador cuenta con honestidad y anota exactamente lo que la red entregó. Los registros son exactos; el lago queda mal representado, porque el instrumento solo podía recoger un tipo. Subir diez redadas más no ayuda; cada redada pasa por la misma malla. El único arreglo es cambiar la red, y la primera pregunta ante cualquier conjunto de datos es la misma: ¿qué no podía atrapar esta red?
Las explicaciones de IA pueden contener errores · No es asesoramiento profesional
Los mismos datos, otro rollo — Modo jerga 😎
●○○
Overview
El sesgo de selección es la respuesta amañada por quién recibió la pregunta, sin necesidad de amaño. Las reseñas en línea las escribe gente lo bastante furiosa o encantada para teclear; el término medio satisfecho está ocupado viviendo. Una encuesta en una app muestrea a la gente que usa la app. Antes de que un dato diga nada sobre el mundo, dice quién estaba en la sala, y casi nunca nadie comprueba quién no estaba. 😎
●●○
Detail
El sesgo de selección rompe la única promesa que los datos hacen: que la muestra debería parecerse al mundo que dice describir. Rómpela, y los números describen la muestra y nada más. Las reseñas vienen de los furiosos y los encantados, así que todo producto parece polarizante. Las respuestas bajo una publicación vienen de quien se molestó en teclear, así que toda opinión parece intensa. «9 de cada 10 profesionales están de acuerdo» invita a preguntar a qué diez les preguntaron. La investigación seria tropieza en la misma piedra, célebremente al estudiar los casos que resultan cómodos, a menudo estudiantes universitarios, y publicar conclusiones sobre todo el mundo. Y apilar volumen no arregla nada, porque un millón de entradas recogidas por la misma puerta torcida son la misma muestra no representativa, más ruidosa. El sesgo vive en el paso de recolección, el único paso que el titular nunca enseña. Así que haz la pregunta aburrida: ¿cómo acabaron estos casos concretos en este conjunto concreto? La respuesta suele explicar el hallazgo mejor que el propio hallazgo. 😎
●●●
Analogy
El sesgo de selección es juzgar a toda la ciudad por quienes llaman a la radio. El locutor pregunta qué opina la gente del nuevo estadio, las líneas se encienden y cada oyente que llama trae su sermón. Para el final de la hora, la ciudad está aparentemente furiosa. Salvo que llamar a una emisora es la afición de un tipo muy concreto de persona: opiniones fuertes, tardes libres, el teléfono ya en la mano. Los millones que se encogieron de hombros y cambiaron de emisora no están, por definición, en el aire. El programa emitió honestamente cada llamada que recibió. Simplemente nunca recibió a la ciudad. 😎
Las explicaciones de IA pueden contener errores · No es asesoramiento profesional
Definición formal — El mismo término, explicado de la forma habitual
El sesgo de selección es un error sistemático que se introduce cuando el proceso por el que las unidades entran en una muestra está relacionado con las variables en estudio, volviendo la muestra no representativa de la población objetivo. Los mecanismos incluyen la cobertura insuficiente del marco muestral, la autoselección de voluntarios, la no respuesta y la deserción diferencial, de la cual el sesgo de supervivencia es un caso especial. Dado que el error es estructural, aumentar el tamaño muestral amplifica la precisión sin reducir el sesgo; la selección aleatorizada, institucionalizada en los ensayos controlados aleatorizados y en las encuestas probabilísticas, es la salvaguarda principal.
¿Quieres que Clicked te explique términos como «selection bias» directamente en tu navegador, incluso en PDFs?
Añadir a Chrome — Gratis50 Explicaciones gratis · Sin tarjeta de crédito
Más de la galería
¿Qué es el sesgo de supervivencia?
Juzgar por los ganadores porque los perdedores ya no están para ser contados. La forma más común en que mienten los datos.
¿Qué es el tamaño de la muestra?
A cuántos se midió de verdad, por qué los números pequeños engañan y por qué los grandes no bastan.
¿Qué es un ensayo clínico aleatorizado?
El azar decide quién recibe la pastilla, así que la pastilla explica el resultado.
¿Qué es un grupo de control?
El grupo que no recibe nada, y por qué un estudio sin él demuestra muy poco.
Correlación vs. causalidad: ¿cuál es la diferencia?
Que dos cosas se muevan juntas no significa que una cause la otra, y ahí viven los malos titulares.
¿Qué es el valor p?
Con qué facilidad la suerte podría fingir un resultado — y qué significa de verdad el 0,05.