Bias berkson: definisi + contoh

Bias Berkson adalah jenis bias yang terjadi dalam penelitian ketika dua variabel tampak berkorelasi negatif dalam data sampel, namun sebenarnya berkorelasi positif dalam populasi secara keseluruhan.

Misalnya, Tom ingin mempelajari korelasi antara kualitas hamburger dan milkshake di restoran lokal.

Ia keluar dan mengumpulkan data berikut tentang tujuh restoran berbeda:

Ini membuat plot sebar untuk memvisualisasikan data:

Koefisien korelasi Pearson antara kedua variabel ini adalah -0,75 , yang menunjukkan korelasi negatif yang kuat.

Penemuan ini berlawanan dengan intuisi Tom: dia akan berpikir bahwa restoran yang membuat hamburger enak juga membuat milkshake yang enak.

Namun, ternyata Tom mengabaikan semua restoran di kota yang membuat burger dan milkshake jelek.

Jika dia mengunjungi restoran-restoran ini, dia akan mengumpulkan kumpulan data berikut:

Dan seperti inilah tampilan scatterplot untuk kumpulan data ini:

Koefisien korelasi Pearson antara kedua variabel tersebut adalah 0,46 yang menunjukkan korelasi positif yang cukup kuat.

Dengan hanya memeriksa sebagian restoran di kota tersebut, Tom secara keliru menyimpulkan bahwa terdapat korelasi negatif antara kualitas burger dan milkshake.

Faktanya, ternyata terdapat hubungan positif (seperti yang diharapkan) antara kedua variabel tersebut. Ini adalah contoh klasik dari bias Berkson.

Lihat contoh berikut untuk skenario lain di mana bias Berkson terjadi dalam praktiknya.

Contoh 1: Penerimaan perguruan tinggi

Asumsikan sebuah perguruan tinggi hanya menerima mahasiswa yang memiliki IPK dan nilai ACT yang cukup tinggi.

Diketahui bahwa kedua variabel tersebut berkorelasi positif, namun ternyata di kalangan mahasiswa yang memutuskan untuk melanjutkan ke perguruan tinggi tertentu, nampaknya terdapat korelasi negatif antara keduanya.

Namun korelasi negatif ini hanya terjadi karena mahasiswa yang memiliki IPK dan nilai ACT tinggi mampu masuk ke universitas elit, sedangkan mahasiswa yang memiliki IPK dan nilai ACT rendah tidak diterima sama sekali.

Meskipun korelasi antara ACT dan IPK positif pada populasi, namun korelasinya tampak negatif pada sampel. Ini adalah kasus bias di pihak Berkson.

Contoh 2: Preferensi Kencan

Banyak orang hanya akan berkencan dengan pasangan yang menarik dan berkepribadian baik.

Di dunia nyata, mungkin tidak ada korelasi antara kedua variabel ini, namun ketika mempersempit kelompok kencan, seseorang mungkin mengabaikan calon pasangannya yang tidak menarik dan berbakat. ‘kepribadian yang baik.

Jadi, di antara calon pasangan, tampaknya terdapat korelasi negatif antara kedua variabel ini: orang yang lebih menarik memiliki kepribadian yang lebih buruk, dan orang dengan kepribadian yang lebih baik tampak kurang menarik.

Meskipun tidak ada korelasi antara kedua variabel ini dalam populasi, namun tampaknya terdapat korelasi negatif dalam sampel calon pasangan. Ini hanyalah sebuah kasus bias Berkson.

Bagaimana mencegah bias Berkson

Cara paling jelas untuk menghindari bias Berkson dalam penelitian adalah dengan mengumpulkan sampel acak sederhana dari suatu populasi. Dengan kata lain, pastikan bahwa setiap anggota populasi yang diteliti mempunyai peluang yang sama untuk dimasukkan ke dalam sampel.

Misalnya, jika Anda mempelajari prevalensi penyakit di suatu negara, Anda perlu mengumpulkan sampel dari individu-individu dari seluruh negara tersebut, bukan hanya mereka yang mudah dijangkau di rumah sakit.

Dengan menggunakan sampel acak sederhana, peneliti dapat memaksimalkan kemungkinan bahwa sampel mereka akan mewakili populasi, yang berarti mereka dapat dengan yakin menggeneralisasikan temuan mereka dari sampel ke populasi secara keseluruhan.