例子，解释，预防
摩擦是在研究研究中退出的参与者。它也被称为受试者死亡率，但它并不总是指参与者死亡!
几乎所有的纵向研究会有一些辍学生，但辍学生的类型和规模会造成问题。磨损的偏见是一些参与者的选择性退出，这些参与者在系统上与那些留在研究中的人不同。
在医学研究的随机对照试验中，损耗偏差尤其成问题。
什么是流失?
在实验研究，你操纵一个独立变量测试它对因变量的影响。通常可以结合纵向和实验设计反复观察受试参与者随时间的变化。
你为治疗小组提供为期两个月的短期药物教育课程，而对照组参加不相关主题的会议。
大多数时候，当有多个数据收集分数(波)，不是所有的参赛者都被包括在决赛中样本．
在测试前调查后的每一波中，越来越多的参与者退出，导致每个时间点的样本越来越小。这就是所谓的流失。
人员流失的原因
参与者可以以任何理由退出。例如，他们可能在一次糟糕的经历后不会回来，或者他们可能没有时间、动机或资源继续参加你的学习。
在临床研究中，参与者也可能因为不想要的副作用、对治疗的不满或其他原因导致的死亡而离开。
或者，您可能还需要在研究开始后排除一些不遵守研究方案的参与者，例如确定研究目标，或未能满足入选标准．
减员类型
自然流失是可能的随机或系统．当减员是系统性的，它被称为减员偏见。
随机摩擦
随机流失意味着留下的参与者与离开的参与者具有可比性。这是一种随机错误。
你发现没有统计上显著在检查你的研究数据时，那些离开和留下的人之间的差异。
请注意，这种类型的消耗在很大程度上仍然是有害的，因为它降低了你的统计能力．如果没有足够大的样本，如果总体中存在一个效应，你可能无法检测到。
磨损的偏见
减员偏差是一种系统性错误:离开的参与者与留下的参与者在某些方面存在差异。
即使只有一小部分参与者离开了你的研究，你也可能有减员偏见。重要的是，留下来的人和离开的人之间是否存在系统性的差异。
数据显示，离开的参与者比留下的参与者饮酒要多得多。这意味着你的研究存在损耗偏差。
为什么流失偏见很重要
一些人员流失是正常的，在研究中是可以预料到的。但流失的类型很重要，因为系统偏见会扭曲你的发现。
减员偏差会导致不准确的结果，因为它会影响内部和/或外部有效性。
内部效度
流失偏见是一个威胁内部效度．在实验中，实验组和对照组之间的磨损率差异可以斜结果。
这种类型的研究偏见会影响自变量和因变量之间的关系。它可以使变量看起来相关当他们不是，或者反之亦然．
对于留下来的参与者来说，在鼓励负责任地饮酒方面，治疗比控制方案更成功。
但很难得出结论，因为你不知道离开治疗组的参与者的结果是什么。
如果没有完整的样本数据，您可能无法形成关于总体的有效结论。
外部效度
损耗偏差会使你的样本产生偏差，使你的最终样本与原始样本显著不同。你的样本是有偏见的因为你们人口中的一些群体代表不足。
对于有偏差的最终样本，您可能无法做到这一点概括你对原始人群的抽样结果，所以你外部效度是妥协。
你最后的样本倾向于摄入低到适量酒精的大学生。
你的发现并不适用于所有的大学生，因为你的样本不足以代表那些大量饮酒的人。
防止人员流失的方法
防止人员流失要比在以后的分析中解释它容易得多。应用其中的一些措施可以帮助你减少参与者的退出，让参与者更容易和更有吸引力地留下来。
- 为参加每一次会议提供补偿(如现金或礼品卡)
- 尽可能减少随访次数
- 让所有的跟进简短、灵活、方便参与者
- 发送例行提醒以安排后续工作
- 为你的样本招募比你需要的更多的参与者(过量样本)
- 保持详细的联系信息，这样即使参与者搬家了，你也可以和他们保持联系
检测损耗偏差
尽管采取了预防措施，你的研究仍可能出现人员流失。您可以通过比较留下来的参与者和离开您的研究的参与者来检测损耗偏差。
使用您的基线数据来比较研究中所有变量的参与者。这包括人口统计学变量，如性别、种族、年龄和社会经济地位等等变量感兴趣的。
你会经常注意到显著差异这些组之间的一个或多个变量是否存在偏差。
你收集了这些变量的数据:
- 年龄
- 性别
- 种族
- 社会经济地位
- 饮酒频率
- 酒精使用量
- 治疗组和对照组的分配
使用逻辑回归分析，你将参与者分为两组，根据他们是留下还是离开，并输入变量作为系数来测试差异。
酒精使用频率和数量变量的系数显著，表明基于这些变量的损耗偏倚。在饮酒量和频率方面，留下来的参与者与退出的参与者有所不同。
如果你没有发现显著的结果，你可能仍然有一个隐藏的损耗偏差，在你的数据中不容易发现。
试着跟进参与者，了解他们离开的原因，如果你能联系到他们，检查任何常见的退出原因。
即使你不能确定减员偏见，对退出参与者的后续调查可能有助于你设计未来的研究，以防止减员偏见。
如何解释减员偏见
为了得到有效的结果，最好尝试在你的研究中解释减员偏见。如果你有少量的偏差，你可以选择一种统计方法来尝试弥补它。
这些方法帮助您重新创建尽可能多的缺失的数据尽可能，不牺牲准确性。
多个归责
多个归责包括使用模拟将缺失的数据替换为可能的值。您可以在每个缺失的值中插入多个可能的值，从而创建许多完整的数据集。
这些值被称为多重impuations，是使用模拟模型反复生成的，以解释可变性和不确定性。您分析所有完整的数据集，并将结果结合起来，以获得您的估计的意思是，标准偏差，或其他参数．
样品的重量
你可以使用样本加权来弥补样本中参与者的不平衡。
你调整你的数据，使样本的整体构成反映了总体的构成。来自与离开研究的参与者相似的参与者的数据被过度加权，以弥补减员偏差。
低饮酒者和中度饮酒者的权重都是1，这意味着他们的数据乘以1。与此同时，重度饮酒者被赋予了更高的1.5权重，因此这些参与者的日期在完整的数据集中都被高估了。
其他类型的研究偏见
关于减员偏见的常见问题
- 为什么流失偏见是一个问题?
-
一些人员流失是正常的，在研究中是可以预料到的。然而，流失的类型很重要，因为系统性偏差会扭曲你的发现。磨损的偏见会导致不准确的结果，因为它会影响内部和/或外部有效性．
- 如何防止人员流失?
-
为了避免摩擦，应用其中的一些措施可以帮助你减少参与者的退出，使其更容易和吸引参与者留下来。
- 为参加每一次会议提供补偿(如现金或礼品卡)
- 尽可能减少随访次数
- 让所有的跟进简短、灵活、方便参与者
- 向参与者发送日常提醒以安排随访
- 为你的样本招募比你需要的更多的参与者(过量样本)
- 保持详细的联系信息，这样即使参与者搬家了，你也可以和他们保持联系
引用这篇Scribbr文章
如果你想引用这个来源，你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮，自动添加到我们的免费引用生成器引用。
班达里，P.(2022, 11月18日)。例子，解释，预防。Scribbr。检索于2022年12月19日，来自//www.charpingshvac.com/research-bias/attrition-bias/
