Bias / Verzerrung

Was versteht man unter Bias / Verzerrung?

Bias bezeichnet in der Statistik eine systematische Abweichung zwischen dem geschätzten Wert und dem wahren Wert eines Parameters in der Grundgesamtheit. Im Gegensatz zu zufälligen Fehlern, die sich bei wiederholter Messung im Mittel aufheben, wirkt ein Bias immer in dieselbe Richtung – er führt also konsistent zu einer Über- oder Unterschätzung.

Formal lässt sich der Bias eines Schätzers für einen Parameter folgendermaßen ausdrücken:

Ein Schätzer heißt erwartungstreu (unbiased), wenn sein Bias gleich null ist, also wenn der Erwartungswert des Schätzers dem wahren Parameterwert entspricht. Ist der Bias von null verschieden, spricht man von einem verzerrten Schätzer.

Warum ist Bias für statistische Analysen wichtig?

Bias ist eines der zentralen Qualitätskriterien statistischer Schätzungen und Studiendesigns. Ein verzerrter Schätzer liefert selbst bei sehr großen Stichproben keine korrekten Ergebnisse – mehr Daten allein beheben das Problem nicht. Deshalb ist es entscheidend, Bias bereits bei der Planung einer Studie zu erkennen und zu minimieren.

In der Praxis unterscheidet man verschiedene Quellen und Arten von Bias:

• Stichprobenverzerrung (Selection Bias): Die Stichprobe repräsentiert die Grundgesamtheit nicht korrekt, z. B. weil bestimmte Gruppen über- oder unterrepräsentiert sind.
• Messfehler-Bias (Measurement Bias): Das Messinstrument oder die Erhebungsmethode erfasst den interessierenden Sachverhalt systematisch falsch.
• Konfundierungsbias (Confounding Bias): Eine dritte Variable beeinflusst sowohl die unabhängige als auch die abhängige Variable, was zu falschen Schlussfolgerungen über Zusammenhänge führt.
• Publikationsbias: Studien mit signifikanten Ergebnissen werden häufiger veröffentlicht als solche mit nicht-signifikanten Ergebnissen, was das Gesamtbild in der Literatur verzerrt.

Wichtig ist auch der klassische Bias-Varianz-Tradeoff: Ein Modell mit sehr geringem Bias hat oft eine hohe Varianz – und umgekehrt. In der Praxis geht es darum, einen sinnvollen Ausgleich zwischen beiden zu finden.

Praxisbeispiel zu Bias / Verzerrung

Eine Forscherin möchte die durchschnittliche wöchentliche Lernzeit von Studierenden an einer Universität erheben. Sie verteilt ihren Fragebogen ausschließlich in der Universitätsbibliothek.

Personen, die die Bibliothek aufsuchen, lernen vermutlich überdurchschnittlich viel. Studierende, die eher zuhause oder gar nicht lernen, werden in der Stichprobe kaum erfasst. Das Ergebnis überschätzt die tatsächliche Lernzeit systematisch – ein klassischer Selection Bias.

Der Bias beträgt in diesem Beispiel +6 Stunden pro Woche. Um diesen zu vermeiden, hätte die Forscherin eine Zufallsstichprobe aus dem gesamten Studierendenverzeichnis ziehen sollen – unabhängig davon, wo die Personen lernen.