Contenido de este artículo
- 0
- 0
- 0
- 0
El sesgo de subcobertura es el sesgo que se produce cuando algunos miembros de una población están representados de forma inadecuada en la muestra.
Este tipo de sesgo a menudo ocurre en el muestreo de conveniencia y el muestreo de respuesta voluntaria , en el que se recolecta una muestra que es fácil de obtener pero que a menudo es propensa a la falta de cobertura de ciertos miembros de una población.
¿Por qué es un problema el sesgo de cobertura insuficiente?
El sesgo de cobertura insuficiente es un problema porque hace que la muestra no sea representativa de la población. El objetivo de recopilar datos para una muestra es obtener datos de una manera más rápida y sencilla que recopilar datos para una población completa, y poder extrapolar los hallazgos de la muestra a la población más grande.
Sin embargo, para extrapolar los hallazgos, la muestra debe ser representativa de nuestra población en su conjunto. Idealmente, nos gustaría que nuestra muestra fuera una versión “mini” de la población. Desafortunadamente, el sesgo de cobertura insuficiente puede hacer que las personas de nuestra muestra sean significativamente diferentes de las personas de la población en general.
Por ejemplo, suponga que los investigadores quieren saber qué piensan los ciudadanos de una determinada ciudad sobre una posible nueva ley. Para recopilar datos, van a una biblioteca cercana y preguntan a las personas que ingresan qué piensan de la posible nueva ley. Aunque esta es una forma conveniente de recopilar datos, los investigadores corren el riesgo de que varios tipos de personas no estén cubiertos, entre ellos:
- Personas confinadas en casa
- Personas a las que simplemente no les gusta visitar la biblioteca
- Personas que van a una biblioteca diferente en una parte diferente de la ciudad.
Debido a que este estudio excluye a ciertos tipos de personas, es poco probable que los resultados del estudio sean representativos de la población.
Por ejemplo, suponga que las personas que van a esta biblioteca en particular tienen muchas más probabilidades de apoyar la posible nueva ley en comparación con el resto de la población. Esto significa que cuando se publiquen los resultados de la encuesta, parecerá que un gran porcentaje de los ciudadanos de esta ciudad apoyan la posible nueva ley, cuando en realidad la mayoría de los ciudadanos no lo hace.
La imagen siguiente ilustra este problema: suponga que los círculos verdes representan a las personas que están a favor de la nueva ley, mientras que los círculos rojos representan a las personas que se oponen a la nueva ley:
Observe cómo la mayoría de las personas que están a favor de la nueva ley están incluidas en la muestra, pero la muestra no es representativa de la población en general. Los resultados de la encuesta mostrarían que la mayoría de la gente está a favor de la nueva ley, cuando en realidad esto no es cierto.
Ejemplos de sesgo de cobertura insuficiente
Los siguientes ejemplos ilustran varios casos en los que puede producirse un sesgo de cobertura insuficiente.
Ejemplo 1
Los investigadores quieren saber qué piensan los ciudadanos de una determinada ciudad sobre la construcción de un nuevo parque. Para recopilar datos, los investigadores asisten a una reunión de la ciudad local y preguntan a las personas sobre sus pensamientos. Desafortunadamente, es probable que esta forma de muestreo de conveniencia adolezca de la falta de cobertura de los siguientes grupos:
- Personas que no tienen acceso a transporte para asistir a las reuniones de la ciudad.
- Personas que ni siquiera son conscientes de que se llevan a cabo reuniones en la ciudad.
- Personas que trabajan por la noche y simplemente no pueden asistir a las reuniones de la ciudad.
Por tanto, las opiniones de estas personas no se incluirán en los resultados del estudio. Debido a esta cobertura insuficiente de estos grupos específicos, es poco probable que la muestra sea representativa de la población en general.
Ejemplo 2
Los investigadores quieren saber cuántas horas al día las personas ven televisión en un condado en particular. Para recopilar datos para el estudio, eligen nombres al azar de una guía telefónica local y llaman a las personas para preguntarles sobre su consumo de TV. Esta es una forma de muestreo de conveniencia y es probable que sufra de una falta de cobertura de los siguientes grupos:
- Personas muy ricas que no incluyen sus números de teléfono en las guías telefónicas locales.
- Jóvenes que solo usan teléfonos celulares y no tienen sus números en las guías telefónicas locales.
Por lo tanto, la cantidad de televisión que ven las personas muy adineradas y los jóvenes no se cubrirá en este estudio. Debido a esta cobertura insuficiente de estos grupos específicos, es poco probable que la muestra sea representativa de la población en general.
Ejemplo 3
Los investigadores quieren saber qué piensan los ciudadanos de una ciudad en particular sobre una nueva ley de tránsito, por lo que entregan un cuestionario a las personas que pasan por un centro comercial local. Ésta es una forma de muestreo de conveniencia y es probable que sufra la falta de cobertura de los siguientes grupos:
- Personas que no tienen acceso al transporte para ir al centro comercial (y, por lo tanto, no se ven afectadas en gran medida por las leyes de tránsito)
- Personas a las que no les gusta ir al centro comercial (y, por lo tanto, pueden optar por no conducir en áreas concurridas)
- Personas que van a un centro comercial diferente en una ciudad diferente.
Por tanto, las opiniones de estas personas no se incluirán en los resultados del estudio. Debido a esta cobertura insuficiente de estos grupos específicos, es poco probable que la muestra sea representativa de la población en general.
Cómo prevenir el sesgo de cobertura insuficiente
El sesgo de subcobertura a menudo se produce como resultado del muestreo por conveniencia. Para eliminar (o al menos minimizar) los efectos del sesgo de subcobertura, una mejor forma de muestreo es utilizar una muestra aleatoria simple .
En este tipo de muestra, cada miembro de una población tiene la misma probabilidad de ser seleccionado para formar parte de la muestra.
El beneficio de este enfoque es que las muestras aleatorias simples suelen ser representativas de la población que nos interesa, ya que cada miembro tiene las mismas posibilidades de ser incluido en la muestra.
Cuando usamos este enfoque en lugar del muestreo por conveniencia, podemos tener más confianza en nuestra capacidad para extrapolar los hallazgos de la muestra a la población más grande, ya que es probable que los miembros de todos (o casi todos) los grupos de la población estén incluidos en la muestra. .
Recursos adicionales
¿Qué es el sesgo de autoselección?
¿Qué es el sesgo de referencia?
¿Qué es el sesgo de falta de respuesta?
- https://r-project.org
- https://www.python.org/
- https://www.stata.com/
¿Te hemos ayudado?
Ayudanos ahora tú, dejanos un comentario de agradecimiento, nos ayuda a motivarnos y si te es viable puedes hacer una donación:La ayuda no cuesta nada
Por otro lado te rogamos que compartas nuestro sitio con tus amigos, compañeros de clase y colegas, la educación de calidad y gratuita debe ser difundida, recuerdalo: