Forscher benötigen möglicherweise Hilfe bei Ergebnissen, die nicht mit den Realitäten der Zielgemeinschaft übereinstimmen. Dafür gibt es zahlreiche Ursachen, aber eine der wichtigsten ist die Auswahlverzerrung. Er tritt auf, wenn die Stichprobe der Studie die interessierende Population nicht genau repräsentiert, was zu Abweichungen in den Forschungsergebnissen führt.
Das Verständnis von Selektionsverzerrungen, ihren praktischen Auswirkungen und den besten Möglichkeiten, sie zu vermeiden, wird Ihnen helfen, mit ihren Auswirkungen umzugehen. Alles, was Sie wissen müssen, um Ihre Datenerhebung zu verbessern, erfahren Sie in diesem Beitrag.
Was sind Selektionsverzerrungen?
Auswahlverzerrung bezieht sich auf experimentelle Fehler, die zu einer ungenauen Repräsentation Ihrer Forschungsstichprobe führen. Er entsteht, wenn der Teilnehmerpool oder die Daten die Zielgruppe nicht repräsentieren.
Eine wichtige Ursache für Auswahlverzerrungen ist, wenn der Forscher die Merkmale von Untergruppen nicht berücksichtigt. Dies führt zu grundlegenden Unterschieden zwischen den Variablen der Stichprobendaten und der tatsächlichen Forschungspopulation.
Auswahlverzerrungen treten in der Forschung aus verschiedenen Gründen auf. Wenn der Forscher die Stichprobenpopulation nach den falschen Kriterien auswählt, kann er zahlreiche Beispiele für diese Verzerrung finden. Er kann auch aufgrund von Faktoren auftreten, die die Bereitschaft der Probanden zur weiteren Teilnahme an der Studie beeinflussen.
Welche Arten von Auswahlverzerrungen gibt es in der Forschung?
Verschiedene Arten von Auswahlverzerrungen können an verschiedenen Stellen des Forschungsprozesses auftreten. Die folgenden sind einige davon:
- Stichprobenverzerrung
Stichprobenverzerrung ist eine Form der Auswahlverzerrung, die durch eine nicht zufällige Bevölkerungsstichprobe verursacht wird. Er tritt auf, wenn bestimmte Untergruppen aus der Forschungsstichprobe entfernt werden, was zu einer ungenauen Darstellung der Untergruppen in der Stichprobenpopulation führt.
Stellen Sie sich zum Beispiel vor, Sie untersuchen die Häufigkeit von Herzkrankheiten in Ihrer Region. Um Daten zu sammeln, beschließen Sie, Interviews mit den Käufern des Einkaufszentrums zu führen.
Diese Strategie schließt Patienten im Krankenhaus und Herzpatienten aus. Ihre Stichprobe ist verzerrt, weil viele Menschen nicht in dem Einkaufszentrum sind, sondern sich zu Hause oder im Krankenhaus aufhalten.
- Verzerrung durch Selbstselektion
Die Verzerrung der Selbstselektion wird auch als Freiwilligenverzerrung bezeichnet. Er entsteht, wenn die Eigenschaften der Personen, die freiwillig an der Studie teilnehmen, für die Ziele der Untersuchung wichtig sind.
Die Selbstselektion führt zu verzerrten Daten, wenn die Stichprobengruppe aus Freiwilligen und nicht aus der idealen Zielpopulation besteht. Es ist ziemlich wahrscheinlich, dass die Forscher verzerrte Ergebnisse erhalten werden.
Zum Beispiel könnte ein Autofan an einer Studie teilnehmen, die die Wahrnehmung eines neuen Autos auf dem Zielmarkt untersucht, da er sich selbst als Experte auf diesem Gebiet sieht.
Aufgrund der Verzerrung durch die Selbstselektion könnten sie unangemessen antworten oder mehr Informationen liefern, nach denen nicht gefragt wurde.
- Verzerrung durch Nichtbeantwortung
Nonresponse Bias tritt auf, wenn Menschen eine Umfrage nicht beantworten oder nicht an einem Forschungsprojekt teilnehmen. In der Umfrageforschung kommt dies häufig vor, wenn die Teilnehmer nicht über die entsprechenden Fähigkeiten verfügen, keine Zeit haben oder Schuldgefühle oder Scham über das Thema empfinden.
Ein Beispiel: Forscher sind daran interessiert, wie Informatiker eine neue Software bewerten. Sie haben eine Umfrage durchgeführt und festgestellt, dass viele Informatiker nicht geantwortet haben oder die Umfrage nicht beendet haben.
Die Forscher fanden heraus, dass die Befragten die Software nach Erhalt der Daten für ausgezeichnet und hochwertig halten. Sie stellen jedoch fest, dass sie vor allem negative Kritik erhalten, nachdem sie die neue Software für die gesamte Population der Informatiker freigegeben haben.
Bei den Umfrageteilnehmern handelte es sich um Informatiker der Einstiegsklasse, die keine Programmfehler erkennen konnten. Die Teilnehmer an der Umfrage spiegelten nicht die größere Gruppe der Informatiker wider. Daher waren die Ergebnisse ungenau.
- Voreingenommenheit gegenüber Überlebenden
Survivorship Bias tritt auf, wenn ein Forscher Variablen einem Screening-Wettbewerb unterzieht und diejenigen auswählt, die das Verfahren erfolgreich abschließen. Durch diese Vorauswahlmethode werden gescheiterte Variablen aufgrund ihrer mangelnden Sichtbarkeit eliminiert.
Der Survivorship Bias konzentriert sich auf die erfolgreichsten Faktoren, selbst wenn diese keine relevanten Daten haben. Das kann Ihre Forschungsergebnisse verändern und zu unnötig positiven Ansichten führen, die nicht der Realität entsprechen.
Nehmen wir an, Sie erforschen die Erfolgsvariablen von Unternehmern. Die meisten berühmten Unternehmer haben das College nicht abgeschlossen. Das könnte Sie zu der Annahme verleiten, dass es ausreicht, das College mit einem starken Konzept zu verlassen, um eine Karriere zu starten. Aber die Mehrheit der Studienabbrecher wird nicht reich.
In Wirklichkeit haben viel mehr Menschen ihr Studium abgebrochen und erfolglose Unternehmen gegründet. In diesem Beispiel kommt es zu einem Survivorship Bias, wenn Sie nur die erfolgreichen Studienabbrecher berücksichtigen und die große Mehrheit der Studienabbrecher, die gescheitert sind, ignorieren.
- Verzerrung durch Abgänge
Attrition Bias tritt auf, wenn einige Befragte die Umfrage abbrechen, während sie noch durchgeführt wird. Infolgedessen gibt es viele Unbekannte in Ihren Forschungsergebnissen, was die Qualität der Schlussfolgerungen mindert.
Meistens sucht der Forscher nach Trends bei den Ausstiegsvariablen. Wenn Sie diese Tendenzen erkennen können, können Sie vielleicht feststellen, warum die Befragten Ihre Umfrage plötzlich verlassen haben und entsprechende Maßnahmen ergreifen.
- Verzerrung der Erinnerung
Ein Recall Bias tritt auf, wenn einige Mitglieder der Stichprobe Schwierigkeiten haben, sich an wichtige Informationen zu erinnern, was sich auf Ihren Forschungsprozess auswirkt. Er tritt auf, wenn Forscher das, was vor ihnen liegt, ablehnen und stattdessen das sehen, was sie sehen wollen.
Sie erhalten ein verzerrtes Ergebnis, wenn Sie nur diejenigen befragen, die einen neuen Film gesehen haben. Diejenigen, die ihn gesehen haben, werden sagen, dass er ihnen gefallen hat, während diejenigen, die ihn nicht gesehen haben, sagen werden, dass er ihnen nicht gefallen hat. Das liegt daran, dass Menschen, die den Film mögen, eher bereit sind, über ihn zu diskutieren als diejenigen, die ihn nicht mögen.
- Voreingenommenheit durch Unterdeckung
Eine Untererfassung liegt vor, wenn eine repräsentative Stichprobe aus einem kleineren Teil der Zielbevölkerung gezogen wird. Online-Umfragen sind besonders anfällig für Untererfassungsfehler.
Nehmen wir an, Sie konzentrieren sich bei einer Online-Umfrage über die selbstberichtete Gesundheit auf übermäßiges Trink- und Rauchverhalten. Aufgrund der Art und Weise, wie Sie die Umfrage durchführen, schließen Sie jedoch absichtlich Personen aus, die das Internet nicht nutzen.
Auf diese Weise bleiben ältere und weniger gebildete Personen in Ihrer Stichprobe außen vor. Da sich Internetnutzer und Nichtnutzer deutlich unterscheiden, können Sie keine zuverlässigen Ergebnisse aus Ihrer Online-Umfrage ziehen.
Was sind die Auswirkungen von Selektionsverzerrungen?
Es besteht immer die Möglichkeit zufälliger oder systematischer Fehler in der Forschung, die die Zuverlässigkeit der Forschungsergebnisse beeinträchtigen. Selektionsverzerrungen können verschiedene Auswirkungen haben, und es ist oft schwer zu sagen, wie signifikant oder in welche Richtung diese Auswirkungen gehen. Die Auswirkungen können zu verschiedenen Problemen für Unternehmen führen, darunter die folgenden:
- Risiko von Umsatz- und Reputationsverlusten
Für die Unternehmensplanung und -strategie sind Erkenntnisse, die aus nicht repräsentativen Stichproben gewonnen werden, deutlich weniger hilfreich, da sie nicht mit der Zielpopulation übereinstimmen. Es besteht die Gefahr, Geld und Ansehen zu verlieren, wenn Geschäftsentscheidungen auf diesen Erkenntnissen beruhen.
- Beeinflusst die externe Validität der Analyse
Die Forschung wird durch ungenaue Daten weniger vertrauenswürdig. Daher ist die externe Validität der Analyse aufgrund der verzerrten Stichprobe gefährdet.
- Dies führt zu unangemessenen Geschäftsentscheidungen
Wenn die endgültigen Ergebnisse verzerrt und nicht repräsentativ für das Thema sind, ist es unsicher, sich bei wichtigen Geschäftsentscheidungen auf die Ergebnisse der Studie zu verlassen.
Wir haben einen Blog veröffentlicht, in dem es um die Analyse von Untergruppen geht. Schauen Sie doch mal rein, um weitere Ideen zu erhalten.
Wie vermeidet man Selektionsverzerrungen?
Es besteht eine gute Chance, dass Sie Ihre Umfrageergebnisse durch Auswahlverzerrungen beeinflusst haben. Lesen Sie die folgenden Ratschläge, um Auswahlverzerrungen zu vermeiden:
Vermeiden Sie Auswahlverzerrungen beim Entwurf der Umfrage
Probieren Sie einige dieser Vorschläge aus, um Auswahlverzerrungen zu vermeiden, wenn Sie die Struktur für Ihre Umfrage entwickeln:
- Stellen Sie sicher, dass die Ziele Ihrer Umfrage klar sind.
- Legen Sie die Standards fest, die für Ihr Zielpublikum erfüllt werden sollten.
- Gewähren Sie allen möglichen Teilnehmern eine faire Chance, an der Umfrage teilzunehmen.
Vermeiden Sie Auswahlverzerrungen bei der Probenahme
Überlegen Sie sich, ob Sie einige dieser Strategien bei der Auswahl der Proben in die Praxis umsetzen wollen:
- Wenn Sie in Ihren Prozessen Zufallsstichproben verwenden, stellen Sie sicher, dass diese ordnungsgemäß randomisiert sind.
- Vergewissern Sie sich, dass Ihre Teilnehmerliste auf dem neuesten Stand ist und die beabsichtigte Zielgruppe genau repräsentiert.
- Stellen Sie sicher, dass die Untergruppen die Gesamtbevölkerung repräsentieren und die wesentlichen Faktoren teilen.
Vermeiden Sie Auswahlverzerrungen bei der Bewertung
Wenn Sie den Evaluierungs- und Validierungsprozess durchlaufen, sollten Sie darüber nachdenken, einige dieser Ideen in die Tat umzusetzen, um Auswahlverzerrungen zu vermeiden:
- Wenn Sie sicherstellen möchten, dass Ihre Stichprobenauswahl, Ihr Verfahren und Ihre Datenerhebung frei von Verzerrungen sind, ist es eine gute Idee, sich von einem zweiten Forscher den Rücken freihalten zu lassen.
- Setzen Sie Technologien ein, um zu überwachen, wie sich die Daten verändern. So können Sie unerwartete Ergebnisse erkennen und schnell nachforschen, um ungenaue Daten zu reparieren oder zu vermeiden.
- Überprüfen Sie die Trends früherer grundlegender Forschungsdaten, um festzustellen, ob Ihre Forschung auf dem richtigen Weg zu einer starken internen Validität ist.
- Laden Sie die Personen, die die Umfrage nicht beantwortet haben, zu einer weiteren Umfrage ein. Eine zweite Runde könnte mehr Stimmen für ein klareres Verständnis der Ergebnisse liefern.
Fazit
Das Verständnis von Selektionsverzerrungen, ihrer Arten und ihrer Auswirkungen auf die Forschungsergebnisse ist der erste Schritt im Umgang mit ihnen. Wir haben wichtige Daten entdeckt, die Ihnen dabei helfen werden, ihn zu erkennen und seine Auswirkungen auf ein Minimum zu reduzieren. Sie können Selektionsverzerrungen vermeiden, indem Sie QuestionPro verwenden, um zuverlässige Forschungsdaten zu sammeln.
Verschiedene Situationen können zu Auswahlverzerrungen führen, z.B. wenn nicht neutrale Stichproben mit Systemproblemen kombiniert werden. Ein unternehmenstaugliches Forschungstool, das Sie in der Forschung und bei der Veränderung von Erfahrungen einsetzen können, ist die QuestionPro Research Suite.
Die QuestionPro Research Suite bietet Umfragevorlagen, die auf professioneller Forschung basieren und die Entwicklung von Umfragen erleichtern. Erfahren Sie mehr über Umfragen und nutzen Sie unsere Umfrage-Software, indem Sie ein kostenloses Konto anlegen.
