El sesgo de selección aparece cuando el mecanismo que decide qué unidades terminan en los datos está relacionado con lo que se quiere medir. El resultado es una muestra que difiere sistemáticamente de la población, y un promedio o una proporción que se aleja del valor real en una dirección predecible. Puede venir del diseño (una encuesta solo por teléfono fijo), de los participantes (solo contesta quien tiene una opinión fuerte) o del análisis (excluir los casos «incompletos»). Es el tipo de sesgo más común en estudios con personas, y el más difícil de detectar mirando solo los datos recogidos.
Formas más frecuentes
- Cobertura: el marco muestral deja fuera a una parte de la población (encuestas en línea sin quienes no tienen internet).
- Autoselección: los participantes deciden si entran (encuestas voluntarias, programas opcionales).
- No respuesta: se invitó a todos, pero contestan sobre todo ciertos perfiles.
- Abandono: en estudios de seguimiento, quienes se retiran difieren de quienes se quedan.
- Supervivencia: solo se observa lo que pasó un filtro.
- De Berkson: estudiar solo a personas hospitalizadas, o solo a admitidos, crea asociaciones que no existen en la población general.
Ejemplos resueltos
Ejemplo 1: ingreso promedio en una encuesta en línea
En una ciudad, el 70 % de los hogares pertenece a un grupo con ingreso medio de 10 mil pesos al mes, y el 30 % a otro grupo con 30 mil. El ingreso medio real es:
0.70 × 10 + 0.30 × 30 = 16 mil pesos.
Una encuesta en línea recibe respuestas en proporción inversa: 40 % del primer grupo y 60 % del segundo (los hogares con más ingreso tienen más acceso y más tiempo). La media de la muestra es:
0.40 × 10 + 0.60 × 30 = 22 mil pesos, un 37.5 % por encima del valor real.
Si se conoce la composición real (por un censo), se puede reponderar: cada respuesta del primer grupo cuenta 0.70 ÷ 0.40 = 1.75 veces y cada una del segundo, 0.30 ÷ 0.60 = 0.5 veces. La media ponderada vuelve a 16 mil. Pero la corrección solo funciona si, dentro de cada grupo, quienes contestan se parecen a quienes no; si los que responden en línea son los de mayor ingreso de su grupo, queda sesgo.
Ejemplo 2: ¿funciona el curso de regularización?
Una escuela ofrece un curso opcional de matemáticas. Al final del semestre:
| Grupo | Promedio antes del curso | Promedio final |
|---|---|---|
| Se inscribieron | 8.0 | 8.5 |
| No se inscribieron | 7.0 | 7.0 |
La diferencia final es de 1.5 puntos y se presenta como «el efecto del curso». Pero los que se inscribieron ya iban 1 punto arriba antes de empezar: eran alumnos más motivados. La mejora atribuible, como mucho, es la diferencia en el cambio: (8.5 − 8.0) − (7.0 − 7.0) = 0.5 puntos, e incluso esa cifra podría incluir parte de la motivación. La forma limpia de medir el efecto es asignar el curso por sorteo.
Cómo prevenirlo o reducirlo
- Diseña con muestreo probabilístico y un marco que cubra a toda la población (muestreo).
- Persigue la respuesta: recordatorios, varios modos de contacto (teléfono, visita, internet).
- Compara la muestra con fuentes externas por edad, sexo, región y escolaridad.
- Repondera o imputa con cuidado, sabiendo que solo corrige lo que se puede observar. Ver datos faltantes.
- Asigna al azar cuando quieras medir el efecto de un tratamiento, un curso o un programa.
Cuándo no es el problema principal
Si la muestra se obtuvo por sorteo, la respuesta fue alta y aun así el resultado difiere del real, la causa puede ser simplemente el azar (revisa el margen de error) o un error de medición. No todo desvío es de selección.
Errores comunes
- Pensar que una muestra grande compensa una selección sesgada.
- Eliminar los casos con datos faltantes sin preguntarse si faltan por una razón relacionada con el resultado.
- Comparar grupos que se formaron solos (quienes eligieron un tratamiento frente a quienes no) como si fueran comparables.
- Generalizar resultados de clientes, usuarios o voluntarios a «la población».