Isi
Bias adalah kesalahan dalam estimasi karena kesalahan sistematis yang mengarah pada hasil yang tinggi atau rendah secara konsisten dibandingkan dengan nilai aktual. Bias individu dari estimasi yang diketahui bias adalah perbedaan antara nilai estimasi dan aktual. Jika estimasi tidak diketahui bias, perbedaannya juga bisa disebabkan oleh kesalahan acak atau ketidakakuratan lainnya. Berlawanan dengan bias, yang selalu bertindak dalam satu arah, kesalahan ini bisa positif atau negatif.
Untuk menghitung bias dari metode yang digunakan untuk banyak perkiraan, cari kesalahan dengan mengurangi setiap estimasi dari nilai aktual atau yang diamati. Jumlahkan semua kesalahan dan bagi dengan jumlah taksiran untuk mendapatkan bias. Jika kesalahan bertambah hingga nol, estimasi tidak bias, dan metode ini memberikan hasil yang tidak bias. Jika estimasi bias, dimungkinkan untuk menemukan sumber bias, dan menghilangkannya untuk meningkatkan metode.
TL; DR (Terlalu Panjang; Tidak Dibaca)
Hitung bias dengan menemukan perbedaan antara estimasi dan nilai aktual. Untuk menemukan bias metode, lakukan banyak perkiraan, dan tambahkan kesalahan dalam setiap perkiraan dibandingkan dengan nilai sebenarnya. Membagi dengan jumlah perkiraan memberikan bias pada metode ini. Dalam statistik, mungkin ada banyak perkiraan untuk menemukan nilai tunggal. Bias adalah perbedaan antara rata-rata estimasi ini dan nilai aktual.
Cara Kerja Bias
Ketika estimasi bias, mereka secara konsisten salah dalam satu arah karena kesalahan dalam sistem yang digunakan untuk estimasi. Misalnya, ramalan cuaca dapat secara konsisten memprediksi suhu yang lebih tinggi daripada yang sebenarnya diamati. Perkiraan tersebut bias, dan di suatu tempat dalam sistem ada kesalahan yang memberikan perkiraan terlalu tinggi. Jika metode perkiraan tidak bias, mungkin masih memprediksi suhu yang tidak benar, tetapi suhu yang salah kadang-kadang akan lebih tinggi dan kadang-kadang lebih rendah dari suhu yang diamati.
Bias statistik bekerja dengan cara yang sama tetapi biasanya didasarkan pada sejumlah besar perkiraan, survei, atau perkiraan. Hasil-hasil ini dapat secara grafis diwakili dalam kurva distribusi dan bias adalah perbedaan antara rata-rata distribusi dan nilai aktual. Jika ada bias, akan selalu ada perbedaan meskipun beberapa estimasi individu mungkin jatuh di kedua sisi dari nilai aktual.
Bias dalam Survei
Contoh bias adalah perusahaan survei yang menjalankan pemilihan selama kampanye pemilu, tetapi hasil polling mereka secara konsisten melebih-lebihkan hasil untuk satu partai politik dibandingkan dengan hasil pemilu yang sebenarnya. Bias dapat dihitung untuk setiap pemilihan dengan mengurangi hasil aktual dari prediksi jajak pendapat. Bias rata-rata dari metode pemungutan suara yang digunakan dapat dihitung dengan menemukan rata-rata kesalahan individu. Jika biasnya besar dan konsisten, perusahaan polling dapat mencoba mencari tahu mengapa metode mereka bias.
Bias dapat berasal dari dua sumber utama. Entah pemilihan peserta untuk jajak pendapat itu bias, atau bias hasil dari interpretasi informasi yang diterima dari para peserta. Misalnya, jajak pendapat internet secara inheren bias karena peserta jajak pendapat yang mengisi formulir internet tidak mewakili seluruh populasi. Ini adalah bias seleksi.
Perusahaan polling mengetahui bias seleksi ini dan memberikan kompensasi dengan menyesuaikan angka. Jika hasilnya masih bias, itu bias informasi karena perusahaan tidak menafsirkan informasi dengan benar. Dalam semua kasus ini, perhitungan bias menunjukkan sejauh mana nilai estimasi berguna dan kapan metode perlu penyesuaian.