什么是覆盖不足偏见?|定义与示例

总量差额的偏见当总体的一部分被排除在样本之外时发生。结果，样本不再代表目标人群。非概率抽样设计易受这种类型的影响研究偏见．

欠覆盖是一种选择性偏差．

什么是覆盖不足偏差?

覆盖不足偏差是指研究结果因研究方法不当而被系统性扭曲的现象样本被选中。

理想情况下，研究人员应该抽取一个样本，就像快照一样，充分捕捉目标人群中存在的和与研究相关的特征。换句话说，研究人员的目标是收集代表样本。

在某些情况下，研究人员可能会从特定人群中取样太少。如果与人群中的其他部分相比，这部分较小，这可能不会对研究结果产生太大影响。然而，如果片段较大，则可能导致样本不能准确捕捉总体的特征。

在更极端的情况下，研究人员可能完全没有包括一部分人口，这可能会完全扭曲研究结果。

记住两件事必须这两个发生覆盖不足偏差:

• 人口的某些部分没有包括在你的样本中，但应该包括在内
• 包含的部分与排除的部分在一个或多个感兴趣的变量方面是不同的

如果你的抽样框架排除了目标总体的很大一部分，你需要后退一步，考虑被排除的单位与样本中包含的单位在系统上有什么不同。

覆盖不足偏倚与无反应偏倚

尽管覆盖面不足偏差和无反应偏差看起来很相似，但实际上它们是完全不同的。

• 总量差额的偏见当总体中的某些成员完全排除在您用于研究的样本框架之外时发生。
• Nonresponse偏见当您在示例中选择的某些应答者没有响应时发生。

换句话说，覆盖不足意味着一些单位从未进入样本或没有被充分代表。无响应意味着样本中包含了一些单元，但它们的响应缺失。

是什么导致了覆盖不足偏差?

覆盖不足偏差的主要来源有两个:

• Non-probability抽样
• 不完整采样帧

Non-probability抽样

Non-probability抽样设计就像便利抽样几乎总是有偏见的。当研究人员根据临近性或易接近性来招募研究参与者时，他们的结果不能代表人口。原因是，并不是所有感兴趣的人口成员都有平等的机会被选为调查对象。

例如，如果你站在一个购物中心，挑选路过的购物者填写一份调查问卷，你就忽略了调查当天不在购物中心的每个人。

不完整采样帧

概率样本也不能幸免于覆盖面不足的偏见。简单随机抽样如果采样帧不完整，也可以产生有偏差的结果。

例如，如果您使用电子邮件列表或电话列表作为抽样框架，由于列表的构成可能会引入错误。换句话说，包含在框架中的个体可能与不包含在框架中的个体不同。结果，总体的一部分根本没有被抽样，或者在样本中代表性不足。

覆盖不足偏差例子

覆盖率不足的严重程度因所研究的人群而异。

如何避免覆盖不足偏差

你可以采取以下几个步骤来保护你的研究不受覆盖不足偏见的影响:

• 熟悉你的目标人群。了解目标人群可以让您捕获所有相关的特征和子群体。
• 进行试点调查。在启动你的调查，考虑在较少的受访者中进行试验。通过这种方式，您可以在启动实际调查之前发现诸如覆盖不足偏差之类的错误。
• 结合多个数据源来构建您的采样框架。例如，研究人员可以通过使用已经存在的地址列表来创建住房单元框架。接下来，他们通过添加丢失的单元并删除不再存在或不是住宅的单元来在现场进行更新。

使用概率抽样．如果你的研究目标是抽取一个有代表性的样本，概率样本会让你安全概括你的结果在大样本中比在非概率样本中更好。

其他类型的研究偏见

常见问题

覆盖不足和无反应偏差之间的区别是什么?

总量差额的偏见的片段时发生目标人群被完全排除在样本比他们在人口中的比例要高。这意味着这些片段被排除在抽样过程之外。

Nonresponse偏见当部分抽样人群不能或拒绝响应时发生。换句话说，非受访者被包括在抽样过程中，但他们的答案(回应)没有被记录。

常见的选择偏差类型有哪些?

常见的类型选择性偏差是:

• 抽样偏差或确定偏差
• 磨损的偏见
• 志愿者或自己挑选的偏见
• 生存偏差
• Nonresponse偏见
• 总量差额的偏见

什么是统计中的覆盖不足偏差?

总量差额的偏见在统计数据是代表性不足的一个环节吗目标人群在样本．如果目标人群和样本之间的特征分布显著不同，则数据集很可能存在覆盖不足偏差。