SESGO ESTADSTICO

Existe sesgo cuando la ocurrencia de un error no aparece como un hecho aleatorio (al azar),
advirtindose que ste ocurre en forma sistemtica.
En estadstica se llama sesgo de un estimador a la diferencia entre su esperanza matemtica y
el valor numrico del parmetro que estima. Un estimador cuyo sesgo es nulo se
llama insesgado o centrado.
Sesgo = Error sistemtico (est condicionado por algn factor distinto al azar)

En notacin matemtica, dada una muestra y un
estimador del parmetro muestral , el sesgo es:

El no tener sesgo es una propiedad deseable de los estimadores. Una propiedad relacionada
con sta es la de la consistencia: un estimador puede tener un sesgo pero el tamao de ste
converge a cero conforme crece el tamao muestral.
Dada la importancia de la falta de sesgo, en ocasiones, en lugar de estimadores naturales se
utilizan otros corregidos para eliminar el sesgo. As ocurre, por ejemplo, con la varianza
muestral.
Es importante advertir esta diferencia, dado sus alcances para los efectos de interpretacin de
los datos analizados. As como el error, de acuerdo con las formas por las cuales se produce,
puede minimizarse, la ocurrencia de sesgo tambin puede ser neutralizada o controlada. En
ocasiones sin embargo, es imposible controlar el sesgo y por cierto el error. En tales
circunstancias conviene al menos estar en antecedente y tener conciencia de su existencia.
En ambos casos debemos convenir que la situacin deseable es poder controlar el error y el
sesgo a priori, vale decir, considerando su ocurrencia antes de efectuar las mediciones de
inters.
El sesgo es frecuente de observar debido a que en algunos de los diseos de investigacin
epidemiolgica habitualmente no se tiene el control sobre la(s) variables que se miden en los
individuos o bien los sucesos han ocurrido libremente sin que exista participacin alguna del
investigador en su ocurrencia.
SESGO MUESTRAL
El sesgo muestral, a veces tambin llamado efecto de seleccin es una distorsin que se
introduce debido a la forma en que se selecciona la muestra. Se refiere a la distorsin de un
anlisis estadstico, debido al mtodo de recoleccin de muestras. Si el sesgo muestral no es
tomado en cuenta, entonces algunas conclusiones propuestas pueden ser errneas. Un
ejemplo de sesgo muestral es el sesgo de Berkson

SESGO DESDE UNA SELECCIN MUESTRAL
El sesgo muestral implica pre o post seleccin de muestras que pueden incluir preferencia o
excluir cierto tipo de resultados. Normalmente esto hace que medidas de significacin
estadstica parezcan ms fuertes de lo que son. Pero tambin es posible causar artefactos
totalmente ilusorios. El sesgo muestral puede ser el resultado defraudes cientficos que
manipulan directamente la informacin, pero ms a menudo es inconsciente, o bien debido a
los sesgos en los instrumentos utilizados para la observacin.
Como otro ejemplo: si un experimento fuera conducido para contar de la distribucin de del
tamao de los peces en un lago, una red podra ser utilizado para capturar una muestra
representativa de peces. Si la red tena un tamao de malla de 1 cm, entonces no hay peces
ms estrechos que 1 cm de ancho que se encuentra en la muestra. Este es el resultado del
mtodo de seleccin: no hay manera de saber si hay peces de tamao inferior a 1 cm sobre la
base de un experimento con esa red.
Para determinar en un contexto particular, si existe un sesgo muestral o no, no es suficiente
establecer que ha habido seleccin. En su lugar, se debe establecer que lacantidad de
inters (tamao de los peces, por ejemplo) es sistemticamente diferente en la muestra que
en toda la poblacin de inters, como el procedimiento de seleccin al mismo tiempo puede
dar lugar a un sesgo en una cantidad como en el tamao de los peces, pero no en otro, por
ejemplo, la proporcin de sexos de los peces, y qu tipo de pez que es.

TIPOS
Hay muchos tipos de posibles sesgos de seleccin, entre otros, se incluyen:
Espacial
Seleccin de los puntos finales de una serie. Por ejemplo, para maximizar una tendencia
aclamada, podra comenzar la serie de tiempo en un ao inusualmente bajo, y al final en
uno alto.
Cese anticipado de un experimento, en un momento en que sus resultados apoyan la
conclusin deseada.
Un experimento podr terminarse anticipadamente en un valor extremo (a menudo por
razones ticas), pero el valor extremo es probable que se alcance por la variable con
mayor varianza, incluso si todas las variables tienen una media similar. Como resultado de
esa terminacin anticipada, las medias de las variables con mayor varianza son
sobreestimadas
Particionamiento de datos con el conocimiento de los contenidos de las particiones, y
luego analizndolas con las pruebas diseadas para las particiones elegidas a ciegas
(ver muestreo estratificado, muestreo por conglomerados, falacia del francotirador de
Texas).
Anlisis de la longitud de los intervalos de la seleccin de los intervalos que ocupan los
puntos elegidos aleatoriamente en el tiempo o el espacio, un proceso que favorece a
intervalos ms largos. Esto es conocido como sesgo de longitud del tiempo.
De informacin
Rechazo de datos "malos" por motivos arbitrarios, segn se ha sealado anteriormente o, en
general por criterios acordados.
Rechazo de "valores extremos" por motivos estadsticos que no toman en cuenta la
informacin importante que podra derivarse de datos "aberrantes".
3

Participantes
Pre-seleccin de los participantes del experimento, o la publicidad para voluntarios en grupos
particulares. Por ejemplo, un estudio para "probar" que el tabaco no afecta a la figura (peso)
puede contratar en el gimnasio local, pero hacer publicidad a los fumadores durante la clase
de aerbic avanzado, y para no fumadores durante las sesiones de prdida de peso.
Descuento de los sujetos del experimento / pruebas de que no se complete. Por ejemplo,
en una prueba de un programa de dieta, el investigador slo podr rechazar todas las
personas que abandona el experimento. Pero la mayora de los que abandonan son
aquellos para los que no estaba funcionando.
Sesgo de Auto-seleccin, que es posible siempre y cuando el grupo de personas que est
siendo estudiado tiene alguna forma de control sobre la posibilidad de participar. La
decisin de los participantes a participar, puede estar correlacionada con caractersticas
que afectan el estudio, haciendo a los participantes una muestra no representativa. Por
ejemplo, las personas que tienen opiniones fuertes o conocimiento sustancial pueden
estar ms dispuestas a gastar tiempo respondiendo a una encuesta que los que no lo
hacen.
El sesgo de la migracin puede ser introducido mediante la exclusin de los sujetos que se
movieron recientemente al rea de estudio (esto puede ocurrir cuando los recin llegados
no estn disponibles en un registro para identificar la poblacin de origen) o por la
exclusin de sujetos que se mueven fuera del rea de estudio durante el seguimiento.
Estudios
Seleccin de los estudios a incluir en un anlisis-meta (vase tambin anlisis-meta
combinatorio)
Presentar experimentos repetidos y reportar slo de los resultados ms favorables, tal vez
reetiquetado los registros de laboratorio de los experimentos de otro como "pruebas de
calibracin", "errores de instrumentacin" o "estudios preliminares".
Presentar el resultado ms significativo de un conjunto de datos como si se tratara de un
solo experimento (que es, lgicamente, lo mismo que el punto anterior, pero se considera
mucho menos deshonesto).
FORMAS DE EVITAR EL SESGO
En general, los sesgos de seleccin no se pueden superar con el anlisis estadstico de los datos
solitarios existentes, aunque la correccin de Heckman se puede utilizar en casos especiales.
Una evaluacin informal del grado del sesgo de seleccin puede llevarse a cabo examinando
las correlaciones entre las variables (exgena) de fondo y un indicador de tratamiento. Sin
embargo, en modelos de regresin, es la correlacin entre los determinantes inobservados de
los resultados y los determinantes inobservados de la seleccin en la muestra, lo que da las
estimaciones del sesgo, y esta correlacin entre inobservables no se puede evaluar
directamente por las determinantes observadas del tratamiento