La maggior parte degli studi scientifici sono progettati per individuare l’effetto di qualcosa—come l’effetto di una condizione sullo sviluppo di un problema (malattia, infortunio) o l’effetto di un intervento (trattamento, programma) sul superamento di un problema. Gli scienziati di solito determinano l’effetto prendendo due gruppi simili-l’unica differenza è l’esposizione dei gruppi a quella condizione o intervento—e misurando la differenza nei risultati sperimentati da loro.
Ma cosa succede quando i due gruppi selezionati non erano simili per cominciare?, Cosa succede se le caratteristiche chiave che distinguono i due potrebbero aver avuto un ruolo nel produrre i diversi risultati? Questo è un esempio di ciò che viene chiamato bias di selezione.
Bias è un tipo di errore che distorce sistematicamente i risultati in una certa direzione. Il bias di selezione è una sorta di errore che si verifica quando il ricercatore decide chi sarà studiato. Di solito è associato a ricerche in cui la selezione dei partecipanti non è casuale (cioè con studi osservazionali come studi di coorte, case-control e cross-section).,
Ad esempio, supponiamo di voler studiare gli effetti delle notti lavorative sull’incidenza di un determinato problema di salute. Si raccolgono informazioni sanitarie su un gruppo di 9-a-5 lavoratori e un gruppo di lavoratori che fanno lo stesso tipo di lavoro, ma di notte. È quindi misurare i tassi a cui i membri di entrambi i gruppi hanno segnalato il problema di salute. Si potrebbe concludere che il lavoro notturno è associato ad un aumento di quel problema.
Il problema è che i due gruppi che hai studiato potrebbero essere stati molto diversi per cominciare. Le persone che lavoravano di notte potrebbero essere state meno qualificate, con meno opzioni di lavoro., Il loro status socioeconomico inferiore sarebbe anche collegato a maggiori rischi per la salute—a causa di diete meno sane, meno tempo e denaro per le attività ricreative e così via. Quindi la tua scoperta potrebbe non essere affatto correlata al lavoro notturno, ma un riflesso dell’influenza dello status socioeconomico.
Il bias di selezione si verifica anche quando le persone si offrono volontarie per uno studio. Coloro che scelgono di aderire (cioè che si auto-selezionano nello studio) possono condividere una caratteristica che li rende diversi dai non partecipanti fin dall’inizio. Diciamo che vuoi valutare un programma per migliorare le abitudini alimentari dei turnisti., Metti volantini dove molti lavorano turni di notte e li inviti a partecipare. Tuttavia, coloro che si iscrivono possono essere molto diversi da quelli che non lo fanno. Possono essere più attenti alla salute per cominciare, motivo per cui sono interessati a un programma per migliorare le abitudini alimentari.
Se questo fosse il caso, non sarebbe giusto concludere che il programma fosse efficace perché la salute di coloro che hanno preso parte al programma era migliore della salute di coloro che non l’hanno fatto. A causa dell’auto-selezione, altri fattori potrebbero aver influenzato la salute dei partecipanti allo studio più del programma.,
Minimizzazione del bias di selezione
I buoni ricercatori cercheranno modi per superare il bias di selezione nei loro studi osservazionali. Cercheranno di rendere il loro rappresentante di studio includendo quante più persone possibile. Abbineranno le persone nei loro gruppi di studio e di controllo il più vicino possibile. Essi “regolare” per i fattori che possono influenzare i risultati. Parleranno di pregiudizi di selezione nei loro rapporti e riconosceranno il grado in cui i loro risultati possono applicarsi solo a determinati gruppi o in determinate circostanze.,
Un altro modo in cui i ricercatori cercano di minimizzare il bias di selezione è condurre studi sperimentali, in cui i partecipanti vengono assegnati in modo casuale allo studio o ai gruppi di controllo (cioè studi controllati randomizzati o RCT). Tuttavia, il bias di selezione può ancora verificarsi negli RCT. Ad esempio, può essere che il pool di persone assegnate casualmente al gruppo di intervento non sia molto rappresentativo della popolazione più ampia. O potrebbe essere che le tecniche di allocazione del ricercatore non siano così casuali (ad esempio, quando i medici, spesso motivati da buone intenzioni, manipolano il metodo di allocazione per ottenere i loro pazienti in un gruppo di trattamento invece del gruppo di controllo).
Spesso, il bias di selezione è inevitabile. Ecco perché è importante per i ricercatori esaminare il loro progetto di studio per questo tipo di pregiudizi e trovare modi per adattarsi e riconoscerlo nel loro rapporto di studio.