Sesgo de muestreo

Introducción

El sesgo de muestreo ocurre cuando algunos miembros de una población tienen sistemáticamente más probabilidades de ser seleccionados en una muestra que otros. También se denomina sesgo de verificación en los campos médicos.

El sesgo de muestreo limita la generalización de los hallazgos porque es una amenaza para la validez externa, específicamente la validez de la población. En otras palabras, los hallazgos de muestras sesgadas solo pueden generalizarse a poblaciones que comparten características con la muestra.

Desarrollo del tema

Causas del sesgo de muestreo

Su elección de diseño de investigación o método de recopilación de datos puede conducir a un sesgo de muestreo. El sesgo de muestreo puede ocurrir tanto en el muestreo probabilístico como no probabilístico.

Sesgo de muestreo en muestras probabilísticas

En el muestreo probabilístico, cada miembro de la población tiene una probabilidad conocida de ser seleccionado. Por ejemplo, puede usar un generador de números aleatorios para seleccionar una muestra aleatoria simple de su población.

Aunque este procedimiento reduce el riesgo de sesgo de muestreo, es posible que no lo elimine. Si su marco de muestreo, la lista real de individuos de los que se extrae la muestra, no coincide con la población, esto puede resultar en una muestra sesgada.

Ejemplo de sesgo de muestreo en una muestra aleatoria simple

Desea estudiar los niveles de procrastinación y ansiedad social en estudiantes universitarios de su universidad utilizando una muestra aleatoria simple. Usted asigna un número a cada estudiante en la base de datos de participantes de la investigación del 1 al 1500 y utiliza un generador de números aleatorios para seleccionar 120 números.

Aunque utilizó una muestra aleatoria, no todos los miembros de su población objetivo (estudiantes de pregrado en su universidad) tuvieron la oportunidad de ser seleccionados. Su muestra extraña a cualquiera que no se haya registrado para ser contactado acerca de su participación en la investigación. Esto puede sesgar su muestra hacia personas que tienen menos ansiedad social y están más dispuestas a participar en la investigación.

Sesgo de muestreo en muestras no probabilísticas

Se selecciona una muestra no probabilística en base a criterios no aleatorios. Por ejemplo, en una muestra de conveniencia, los participantes se seleccionan en función de la accesibilidad y la disponibilidad.

El muestreo no probabilístico a menudo da como resultado muestras sesgadas porque es más probable que se incluyan algunos miembros de la población que otros.

Ejemplo de sesgo de muestreo en una muestra de conveniencia

Quiere estudiar la popularidad de los alimentos de origen vegetal entre los estudiantes universitarios de su universidad. Para mayor comodidad, envíe una encuesta a todas las personas inscritas en los cursos de Introducción a la Psicología en su universidad. Todos lo completan a cambio de créditos del curso.

Debido a que esta es una muestra de conveniencia, no es representativa de su población objetivo. Las personas que toman este curso pueden ser más liberales y atraídas hacia los alimentos de origen vegetal que otros en su universidad.

Tipos de sesgo de muestreo

EscribeExplicaciónEjemplo
AutoselecciónLas personas con características específicas tienen más probabilidades de aceptar participar en un estudio que otras.Es probable que las personas que buscan más emociones participen en estudios de investigación sobre el dolor. Esto puede sesgar los datos.
Falta de respuestaLas personas que se niegan a participar o abandonan un estudio difieren sistemáticamente de las que participan.En un estudio sobre el estrés y la carga de trabajo, es menos probable que participen los empleados con cargas de trabajo elevadas. La muestra resultante puede no variar mucho en términos de carga de trabajo.
SubcoberturaAlgunos miembros de una población están inadecuadamente representados en la muestra.Administrar encuestas nacionales generales en línea puede pasar por alto a grupos con acceso limitado a Internet, como los ancianos y los hogares de bajos ingresos.
SupervivenciaLas observaciones exitosas , las personas y los objetos tienen más probabilidades de estar representados en la muestra que las no exitosas.En las revistas científicas existe un fuerte sesgo de publicación hacia los resultados positivos. Los resultados de investigación exitosos se publican con mucha más frecuencia que los hallazgos nulos.
Preselección o publicidadLa forma en que se preselecciona a los participantes o dónde se anuncia un estudio puede sesgar una muestra.Cuando busque voluntarios para probar una intervención novedosa para el sueño, puede terminar con una muestra que esté más motivada para mejorar sus hábitos de sueño que el resto de la población. Como resultado, es posible que hayan mejorado sus hábitos de sueño independientemente de los efectos de su intervención.
Usuario sanoLos voluntarios para intervenciones preventivas tienen más probabilidades de adoptar comportamientos y actividades que mejoran la salud que otros miembros de la población.Una muestra en una intervención preventiva tiene una mejor alimentación, mayores niveles de actividad física, se abstienen del alcohol y evita fumar más que la mayoría de la población. Los hallazgos experimentales pueden ser el resultado de la interacción del tratamiento con estas características de la muestra, en lugar del tratamiento en sí mismo.

Cómo evitar o corregir el sesgo de muestreo

  • Usar un diseño de investigación cuidadoso y procedimientos de muestreo puede ayudarle a evitar el sesgo de muestreo.
  • Defina una población objetivo y un marco de muestreo (la lista de individuos de los que se extraerá la muestra). Haga coincidir el marco de muestreo con la población objetivo tanto como sea posible para reducir el riesgo de sesgo de muestreo.
  • Haga que las encuestas en línea sean lo más breves y accesibles posible.
  • Seguimiento de los no respondedores.
    Evite el muestreo por conveniencia.

Sobremuestreo para evitar sesgos

El sobremuestreo se puede utilizar para evitar el sesgo de muestreo en situaciones en las que los miembros de grupos definidos están subrepresentados (subcobertura). Este es un método para seleccionar a los encuestados de algunos grupos de modo que constituyan una parte más grande de una muestra de lo que realmente es la población.
Una vez recopilados todos los datos, las respuestas de los grupos sobremuestreados se ponderan según su porcentaje real de la población para eliminar cualquier sesgo de muestreo.

Ejemplo de sobremuestreo para evitar el sesgo de muestreo

Un investigador quiere estudiar las opiniones políticas de diferentes grupos étnicos en los EE. UU. y centrarse en profundidad en los estadounidenses de origen asiático, que representan solo el 5,6 % de la población de los EE. UU. El investigador quiere estudiar cada grupo étnico por separado, pero también recopilar suficientes datos sobre los estadounidenses de origen asiático para obtener conclusiones precisas.

Reúnen una muestra representativa a nivel nacional, con 1500 encuestados, que supera a los estadounidenses de origen asiático. La marcación aleatoria de dígitos se utiliza para comunicarse con los hogares estadounidenses, y se toman muestras desproporcionadamente más grandes de regiones con más estadounidenses asiáticos. De los 1500 encuestados, 336 son asiático-americanos. Con base en este tamaño de muestra, el investigador puede confiar en sus hallazgos sobre los estadounidenses de origen asiático.

Se aplica ponderación para garantizar que las respuestas de los estadounidenses de origen asiático representen el 5,6 % del total. Esto permite estimaciones precisas de la muestra en su conjunto.

Preguntas frecuentes sobre el sesgo de muestreo

¿Qué es el muestreo?

Una muestra es un subconjunto de individuos de una población más grande. El muestreo significa seleccionar el grupo del que realmente recopilará datos en su investigación. Por ejemplo, si está investigando las opiniones de los estudiantes de su universidad, podría encuestar a una muestra de 100 estudiantes.

En estadística, el muestreo permite probar una hipótesis sobre las características de una población.

¿Qué es el sesgo de muestreo?

El sesgo de muestreo ocurre cuando algunos miembros de una población tienen sistemáticamente más probabilidades de ser seleccionados en una muestra que otros.

¿Por qué es importante el sesgo de muestreo?

El sesgo de muestreo es una amenaza para la validez externa: limita la generalización de sus hallazgos a un grupo más amplio de personas.

¿Cuáles son algunos tipos de sesgo de muestreo?

Algunos tipos comunes de sesgo de muestreo incluyen la autoselección, la falta de respuesta, la cobertura insuficiente, la supervivencia, la preselección o publicidad y el sesgo de usuario saludable.

¿Cómo se evita el sesgo de muestreo?

Usar un diseño de investigación cuidadoso y procedimientos de muestreo puede ayudarle a evitar el sesgo de muestreo. El sobremuestreo se puede utilizar para corregir el sesgo de subcobertura.

¿Por qué se utilizan muestras en la investigación?

Las muestras se utilizan para hacer inferencias acerca de las poblaciones . Las muestras son más fáciles de recopilar datos porque son prácticas, rentables, convenientes y manejables.

Conclusión

En conclusión, el sesgo de muestreo o una muestra sesgada en la investigación ocurre cuando los miembros de la población objetivo se seleccionan incorrectamente, ya sea porque tienen una probabilidad más baja o más alta de ser seleccionados. Por lo tanto, una buena manera de evitar el sesgo de muestreo es tener una gran cantidad de participantes para elegir para su estudio. Un tamaño más grande para elegir brinda a los investigadores la oportunidad de muestrear con precisión de acuerdo con la población.

Fuentes consultadas

  • Bhandari, P. (2020, mayo 20). Sampling bias and how to avoid it. Scribbr. https://www.scribbr.com/methodology/sampling-bias/
  • Fleetwood, D. (2021, octubre 28). Sampling bias: Types, examples & how to avoid it. QuestionPro. https://www-questionpro-com.translate.goog/blog/sampling-bias/?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=sc