Berkson önyargısı: tanım + örnekler

Berkson yanlılığı, araştırmada iki değişkenin bir örneklemin verilerinde negatif ilişkili gibi göründüğü, ancak aslında genel popülasyonda pozitif korelasyonlu olduğu durumlarda ortaya çıkan bir önyargı türüdür.

Örneğin Tom’un yerel restoranlardaki hamburgerlerin ve milkshakelerin kalitesi arasındaki ilişkiyi incelemek istediğini varsayalım.

Dışarı çıkıyor ve yedi farklı restorana ilişkin aşağıdaki verileri topluyor:

Verileri görselleştirmek için bir dağılım grafiği oluşturur:

Bu iki değişken arasındaki Pearson korelasyon katsayısı -0,75’tir ve bu da güçlü bir negatif korelasyona karşılık gelmektedir.

Bu keşif Tom için mantığa aykırıdır: İyi hamburger yapan restoranların aynı zamanda iyi milkshake de yaptığını düşünürdü.

Ancak Tom’un kasabada hem kötü hamburger hem de kötü milkshake yapan tüm restoranları görmezden geldiği ortaya çıktı.

Eğer bu restoranları ziyaret etmiş olsaydı aşağıdaki veri setini toplayacaktı:

Bu veri kümesi için dağılım grafiği şu şekilde görünür:

İki değişken arasındaki Pearson korelasyon katsayısı 0,46 olarak ortaya çıkıyor ve bu da orta derecede güçlü bir pozitif korelasyonu temsil ediyor.

Tom, şehirdeki restoranların yalnızca bir alt kümesini inceleyerek hatalı bir şekilde burgerlerin ve milkshakelerin kalitesi arasında negatif bir korelasyon olduğu sonucuna vardı.

Aslında bu iki değişken arasında (beklendiği gibi) pozitif bir ilişki olduğu ortaya çıkıyor. Bu Berkson’un önyargısının klasik bir örneğidir.

Pratikte Berkson yanlılığının ortaya çıktığı diğer senaryolar için aşağıdaki örneklere bakın.

Örnek 1: Üniversiteye kabuller

Bir üniversitenin yalnızca yeterince yüksek GPA ve ACT puanına sahip öğrencileri kabul ettiğini varsayalım.

Bu iki değişkenin pozitif korelasyona sahip olduğu iyi biliniyor ancak belirli bir üniversiteye gitmeye karar veren öğrenciler arasında ikisi arasında negatif bir korelasyon olduğu ortaya çıktı.

Ancak bu negatif korelasyon, hem GPA hem de ACT puanı yüksek olan öğrencilerin elit bir üniversiteye gidebilmesi, GPA ve ACT puanı düşük olan öğrencilerin ise hiç kabul edilmemesi nedeniyle ortaya çıkmaktadır.

ACT ile GPA arasındaki korelasyon evrende pozitif olmasına rağmen örneklemde negatif görünmektedir. Bu Berkson açısından bir önyargı durumudur.

Örnek 2: Flört Tercihleri

Pek çok kişi yalnızca hem çekici hem de iyi bir kişiliğe sahip partnerlerle çıkar.

Gerçek dünyada bu iki değişken arasında bir ilişki olmayabilir, ancak flört havuzunu daraltırken, kişi hem çekici olmayan hem de yetenekli olan potansiyel partnerleri tamamen görmezden gelebilir. ‘iyi bir kişilik.

Dolayısıyla, potansiyel partnerler arasında bu iki değişken arasında negatif bir korelasyon olduğu görünebilir: Daha çekici insanlar daha kötü kişiliklere sahiptir ve daha iyi kişiliğe sahip insanlar daha az çekici görünmektedir.

Popülasyonda bu iki değişken arasında herhangi bir korelasyon olmamasına rağmen, potansiyel partner örnekleminde negatif bir korelasyon olduğu görülmektedir. Bu sadece Berkson’un önyargısının bir örneği.

Berkson önyargısı nasıl önlenir?

Araştırma çalışmalarında Berkson yanlılığından kaçınmanın en belirgin yolu, bir popülasyondan basit rastgele bir örnek toplamaktır. Başka bir deyişle, ilgilenilen popülasyonun her üyesinin örneğe dahil edilme şansının eşit olduğundan emin olun.

Örneğin, belirli bir ülkedeki hastalık yaygınlığını araştırıyorsanız, yalnızca hastanelerde kolayca ulaşılabilen kişilerden değil, ülke genelindeki bireylerden bir örnek toplamanız gerekir.

Basit bir rastgele örnek kullanarak araştırmacılar, örneklerinin popülasyonu temsil etme şansını en üst düzeye çıkarabilirler; bu, örnekten elde ettikleri bulguları genel popülasyona güvenle genelleştirebilecekleri anlamına gelir.