Systematische Fehler (Bias) in der Statistik

Definition eines Bias

Ein Bias (engl. für “Verzerrung”) bezeichnet einen systematischen (also keinen zufälligen) Fehler in der Planung, Durchführung oder Analyse einer Studie, der zu einer Abweichung der Teststatistik von ihrem wahren Wert führt. Dies führt zu einer falschen Schätzung eines Zusammenhangs, sodass die erzeugte Teststatistik von ihrem wahren Wert abweicht.

• Bias lassen sich zwar nicht völlig ausschließen, aber durch ein geeignetes Studiendesign reduzieren/minimieren.
• Zwei Hauptarten von Bias:
  • Selektionsbias: Verzerrung aufgrund einer Präferenz bei der Auswahl der Probanden, die dazu führt, dass sich die Studiengruppen von der Population, auf die sich die Fragestellung bezieht, unterscheiden
  • Informationsbias: Verzerrung, die zu einem systematischen Fehler in der Art und Weise führt, wie Daten gemessen oder gesammelt werden

Selektionsbias

Definition

Ein Selektionsbias bzw. eine Stichprobenverzerrung liegt vor, wenn die Studienpopulation aufgrund von Auswahlpräferenzen nicht die Population, auf die sich die Fragestellung bezieht, repräsentiert.

• Führt zu einem nicht vorhandenen Zusammenhang zwischen der Exposition und dem Ergebnis
• Auswahlpräferenzen können bestehen:
  • Zwischen Studiengruppen
  • Zwischen ausgewählten und ausgeschlossenen Teilnehmenden der Studie

Häufige Beispiele für Selektionsbias

• Healthy-Worker-Effekt: Bias aufgrund der Tatsache, dass Probanden, die am Arbeitsplatz rekrutiert werden, tendenziell gesünder und aktiver sind als die Allgemeinbevölkerung
  • Neigt dazu, die Morbidität oder Mortalität im Vergleich zur Allgemeinbevölkerung zu unterschätzen
• Loss-to-follow-up-Bias: entsteht durch den Datenverlust von Teilnehmern, die im Laufe der Studie aufgrund von Interessensverlust, unerwünschter Nebenwirkungen, klinischer Verbesserung usw. verloren gehen (“Drop Outs”).
  • Führt zu einer Verringerung des effektiven Stichprobenumfangs
  • Verzerrungen ergeben sich, wenn die Studiengruppen in ihrer Zusammensetzung nicht mehr vergleichbar sind oder wenn sich die Probanden, die nicht mehr nachbeobachtet werden, in der Exposition und/oder im Ergebnis von denen unterscheiden, die in der Studie verbleiben.
• Susceptibility-Bias: Wenn eine Erkrankung eine Prädisposition für eine zweite Erkrankung darstellt, scheint die Behandlung von Personen mit der ersten Erkrankung fälschlicherweise einen Einfluss auf die Prädisposition für die zweite Erkrankung zu haben.
• Survivorship-Bias (Überlebendenverzerrung): Tritt auf, wenn Daten nur von Probanden erhoben werden, die ein Ereignis überlebt haben oder andere damit verbundene klinische Kriterien erfüllt haben.
• Berkson-Bias: entsteht durch die Auswahl von Probanden aus einem bestimmten Teil der Bevölkerung, welches ein höheres oder geringeres Risiko für das Outcome hat als die Allgemeinbevölkerung
  • Auch Berkson-Paradox genannt
  • Beispielsweise haben Krankenhauspatienten unabhängig von der Exposition ein höheres Krankheitsrisiko als die Allgemeinbevölkerung. Wenn also in einer Studie, die den Zusammenhang zwischen Rauchen und der chronisch-obstruktiven Lungenerkrankung ( COPD COPD Chronisch obstruktive Lungenerkrankung (COPD)) untersucht, hospitalisierte Patienten für die Versuchsgruppe ausgewählt werden, ergibt sich ein stärkerer Zusammenhang als in der Allgemeinbevölkerung.
  • Die höhere Morbidität von Krankenhauspatienten im Vergleich zur Allgemeinbevölkerung kann zu falschen Assoziationen zwischen Erkrankungen führen.

Informationsbias

Definition

Informationsbias resultieren aus systematischen Fehlern bei der Messung von Expositionen, Outcomes oder Merkmalen.

Beispiele für Informationsbias

• Fehlklassifikations-Bias: entsteht aufgrund einer falschen Klassifizierung der Exposition oder des Outcomes von Probanden in einer Studie. Menschen, die keine Erkrankung haben, werden als erkrankt eingestuft und umgekehrt.
  • Häufige Gründe sind ungenaue Aufzeichnungen, unterschiedliche Krankheitsdefinitionen oder unterschiedliche Diagnosekriterien.
  • Differential: verursacht durch einen Messunterschied zwischen Studiengruppen
  • Nicht-differentiell: verursacht durch gleichermaßen ungenaue oder zufällige Messungen in allen Studiengruppen
• Erinnerungs-Bias (Recall bias): verursacht durch die unterschiedliche (typischerweise verstärkte) Erinnerung an Ereignisse bei Betroffenen im Vergleich zu Kontrollpersonen
• Interviewer-Bias: tritt auf, wenn der Befragende die Antworten des Teilnehmers durch Methode, Inhalt oder Stil seiner Befragung beeinflusst
• Antwort-Bias: tritt auf, wenn Versuchspersonen das berichten, was die Forschenden hören wollen, weil die Versuchsperson dem Fragesteller mit ihrer Antwort gefallen möchte
• Berichterstattungs-Bias (reporting bias): bezieht sich auf die Tendenz von Forschern, die – motiviert durch den Wunsch nach Veröffentlichung – nur statistisch signifikante Ergebnisse berichten.
• Beobachter-Bias (observer bias): entsteht aufgrund von Unterschieden zwischen den Beobachtern bei der Messung oder Bewertung eines Ergebnisses oder aufgrund von Unterschieden in der Art und Weise, wie sich eine Person verhält, wenn sie beobachtet wird
  • Ergibt sich u. a. sich aus dem Hawthorne-Effekt (siehe unten)
• Erhebungsfehler (ascertainment bias): tritt auf, wenn bestimmte Probanden mit größerer Wahrscheinlichkeit in die Endergebnisse einbezogen werden als andere.
  • Zu den häufigen Ursachen gehören Unterschiede in der Screening-Methode oder -Häufigkeit, die Kenntnis des Prüfenden über die Zuweisung der Probandengruppen oder die bevorzugte Zuteilung der Probanden zu Studiengruppen.
• Bestätigungs-Bias (confirmation bias): entsteht durch die Tendenz von Forschern, nur Daten zu berücksichtigen, die mit ihren bereits bestehenden Überzeugungen übereinstimmen und/oder ihre Hypothese unterstützen.
• Erkennungs-Bias (detection bias): entsteht durch eine unterschiedliche Art und Weise, wie ein Ergebnis gemessen oder erkannt wird, basierend auf einem bestimmten Probandenmerkmal (siehe Abbildung 1).
• Versuchsleiter-Bias (experimenter bias): Tritt auf, wenn sich eine Versuchsperson aufgrund der Erwartungen des Versuchsleiters anders verhält.
  • Ergibt sich u. a. aus dem Rosenthal-Effekt (siehe unten)

Hawthorne- und Rosenthal-Effekt

Hawthorne-Effekt

• Bezieht sich auf die Tendenz von Versuchspersonen, sich anders zu verhalten oder zu handeln (z. B. fleißiger zu sein), wenn sie wissen, dass sie beobachtet werden.
• Führt zu einem Beobachter-Bias und ist mit diesem verbunden
• Besonders häufig in psychiatrischen Studien
• Die durch diesen Effekt verursachte Verzerrung ist schwer zu beseitigen, kann aber dadurch verringert werden, dass die Versuchspersonen nicht wissen, wann/wie sie beobachtet werden.

Rosenthal-Effekt

• Bezieht sich auf die Tendenz von Probanden oder Prüfern, sich aufgrund der Erwartungen anderer anders zu verhalten
• Auch Pygmalion-Effekt genannt
• In einer Studie über die Wirksamkeit eines neuen Medikaments zur Behandlung von Depressionen berichten die Probanden in der Behandlungsgruppe beispielsweise über eine Verbesserung der depressiven Symptome, weil die Prüfer, die sie beurteilen, erwarten, dass sich die Beschwerden der Probanden, die die Behandlung erhalten, verbessern.
• Führt zu einem Versuchsleiter-Bias und ist mit diesem verbunden.
• Verzerrungen, die sich aus diesem Effekt ergeben, können durch Verblindung verringert werden.

Confounder

Definition

Ein Confounder bzw. eine Störgröße ist eine zusätzliche Variable, die nicht die unabhängige Variable ist und die sich auf die abhängige Variable auswirkt, sodass eine falsche Beziehung zwischen ihnen abgeleitet werden kann.

• Streng genommen ist ein Confounder kein Bias.
• Störgrößen können durch ein geeignetes Studiendesign geschmälert werden. Die folgenden Techniken tragen dazu bei, die Auswirkungen von Confounding zu verringern:
  • Randomisierung: Die Probanden werden nach dem Zufallsprinzip den Studiengruppen zugewiesen, sodass die Störgrößen gleichmäßig auf die Gruppen verteilt sind.
  • Kontrolle: Alle Probanden werden so ausgewählt, dass sie die gleichen Störgrößen aufweisen.
  • Matching: Jede Versuchsperson mit einer Störgröße in einer bestimmten Gruppe wird mit einer Versuchsperson in den anderen Gruppen mit derselben oder einer ähnlichen Störgröße verglichen.
• Bei Beobachtungsstudien kommt es häufig zu Confounding, da es schwieriger oder unmöglich ist, Störgrößen zu kontrollieren.
• Von Confoundern abzugrenzen sind Effektmodifikatoren, einer dritten Variable, die zu der wahren Beziehung zwischen Exposition und Outcome beiträgt (siehe Tabelle 2).