Risk för bias
En oönskad tendens till under- eller överskattning kallar man med ett engelskt ord ofta för bias. Olika risker för bias kan förekomma, och det gäller att ha koll på dessa risker i statistikproduktionen och även när man använder statistiken.
Ta som exempel en statistiksiffra på hur många procent av den vuxna befolkningen som röker dagligen. Den finns i Statistikdatabasen på SCB:s webbplats och kommer från undersökningen av levnadsförhållanden (ULF). Den siffran är ganska tillförlitlig i stort sett, men noga taget berörs den av osäkerhet av olika slag.
Ett slags osäkerhet i siffran är urvalsosäkerheten, som kommer sig av att man har frågat bara ett urval av personer och inte alla i befolkningen. Vidare inverkar också en bortfallsosäkerhet, genom att inte alla i urvalet svarade i undersökningen utan det blev ett visst svarsbortfall. En ytterligare form av osäkerhet i siffran är vad vi kallar mätosäkerhet, och den innebär att de som svarade i undersökningen kan ha tagit miste ibland och gett ett annat svar än det rätta.
De här osäkerhetskällorna ger alla två olika typer av osäkerhet i statistiksiffran. Den ena typen är slumpmässig osäkerhet, som inte drar åt något visst håll utan kan ge underskattning och överskattning lite hipp som happ. Den andra typen däremot drar åt samma håll hela tiden, antingen underskattning eller överskattning genomgående för en viss statistiksiffra. Den typen av osäkerhet kallas bias.
Bortfallet i statistiska undersökningar ger risk för bias, för de svar man får kanske drar åt ett visst håll i förhållande till vad man hade fått om alla i urvalet hade svarat.
Man kan till exempel inte utesluta att låginkomsttagare mer än andra kan vara svåra att nå när man samlar in uppgifter. Det kan leda till en överskattning i statistiksiffror för materiell standard.
Det är därför viktigt att förebygga biasrisken, genom att dels försöka få in svaren så fullständigt som möjligt, dels kompensera för den med olika metoder när man räknar fram statistiken.
Kalibrering är en modern flexibel ansats för att kompensera för bias. Idén är att ta stöd i information från annat håll, såsom register.
Ett exempel är statistiken över arbetslöshet från Arbetskraftsundersökningarna (AKU) som SCB producerar. Där kan man ta in hjälpinformation från Arbetsförmedlingen om arbetssökande. Beräkningen innehåller en analys av hur egenskapen att vara arbetslös hänger ihop med om man är anmäld som arbetssökande, vilken ålder och vilket kön man har, med mera. Så kan uppgifterna i registren hjälpa till att minska bortfallsosäkerheten.
Tekniskt innebär kalibreringen att man räknar ut vägningstal för de enskilda svaren, som sedan viktas med dessa tal när statistiken räknas fram.
Martin Ribe