Zkreslení přežití je typem zkreslení výběru vzorku, ke kterému dochází, když jedinec považuje viditelnou úspěšnou podskupinu za celou skupinu. Jinými slovy, zkreslení přežití vzniká, když jedinec bere v úvahu pouze přeživší pozorování, aniž by vzal v úvahu ty datové body, které v dané události “nepřežily”.
Zkreslení přežitím se vyskytuje v mnoha oborech, profesích a oblastech výzkumu. Survivorship bias lze přičíst zásadnímu nepochopení příčiny a následku a zkreslenému vnímání korelace versus příčiny.
K Survivorship Bias dochází v našich finančních systémech, když jednotlivci vypočítávají výsledky výkonnosti skupin investic, například podílových fondů, pouze na základě údajů, které přežily na konci období, a vylučují ty fondy nebo společnosti, které již neexistují. Podílové fondy obvykle již neexistují z důvodu špatné výkonnosti, takže jejich vynechání ze studií obvykle zkresluje údaje v příliš pozitivním světle.
Zkreslení přežití lze pozorovat také v dopadu na lékařský výzkum. Harvard Medical School a Beth Israel Deaconess Medical Center (BIDMC), se pokusily provést studii o pacientech s úrazem a zlepšit výsledky jejich přežití po různých typech lékařských zákroků. Vzhledem ke specifickým parametrům studie a zkreslené míře přežití se do studie podařilo započítat pouze 573 pacientů z původních 1502 účastníků. Neúspěch této studie byl způsoben zkreslením přežití, protože do studie byli zahrnuti pouze pacienti, kteří přežili své prvotní zranění a kterým byla následně poskytnuta péče na energetickém oddělení, a poté dostali 4-8 krevních transfuzí.
Jakmile se jednotlivci dozvědí o zkreslení přežití, mohou se zkreslení vyhnout tím, že zváží, jaké datové body mohou v souboru údajů chybět, a budou používat přesné zdroje dat, které nevynechávají klíčová pozorování.
Překlad: https://www.deepl.com/translator
Survivorship bias is a type of sample selection bias that occurs when an individual mistakes a visible successful subgroup as the entire group. In other words, survivorship bias occurs when an individual only considers the surviving observation without considering those data points that didn’t “survive” in the event.
Why survivorship bias happens Survivorship bias occurs in many disciplines, professions, and fields of research. Survivorship bias can be attributed to the fundamental misunderstanding of cause and effect and a skewed perception of correlation versus causation.
Example 1 - Financial systems The Survivorship Bias occurs in our financial systems, when individuals calculate performance results of groups of investments, such as mutual funds, using only the surviving data at the end of the period, excluding those funds or companies that no longer exist. Typically, mutual funds no longer exist due to poor performance, so omitting them from studies usually skews data in an overly positive light.
Example 2 - Medical research The Survivorship Bias can also be observed in its impact on medical research. The Harvard Medical School and Beth Israel Deaconess Medical Center (BIDMC), attempted to conduct a study on trauma patients and to better their survival outcomes from different types of medical procedures. Due to the specific parameters of the study and skewed survival rates, the trial was only able to count 573 patients, out of their original 1502 participants. This study’s failure was due to survivorship bias, as the trial only included patients who had survived their initial injury, and who had then received care in the Energy Department before then receiving 4-8 blood transfusions.
How to avoid it Once individuals learn about the Survivorship Bias, they can avoid bias by considering what data points may be missing from a dataset and using accurate data sources that do not omit key observations.
Sources: