Lỗi hệ thống [sửa]
Sai lệch hệ thống hoặc thiên vị xảy ra khi có sự khác biệt giữa giá trị thật sự (trong quần thể) và giá trị quan sát được (trong nghiên cứu) từ bất kỳ nguyên nhân nào ngoài sự khác biệt về lấy mẫu. Một ví dụ về lỗi hệ thống là nếu bạn không biết đến máy đo oxy xung mà bạn đang sử dụng được đặt sai và thêm hai điểm vào giá trị thực mỗi lần đo được thực hiện. Dụng cụ đo có thể chính xác nhưng không chính xác. Bởi vì lỗi xảy ra trong mọi trường hợp, nó là hệ thống. Kết luận bạn rút ra dựa trên dữ liệu đó sẽ vẫn không chính xác. Nhưng lỗi này có thể được sao chép trong tương lai (ví dụ: bằng cách sử dụng cùng một thiết bị sai lệch).
Một lỗi trong mã hóa ảnh hưởng đến tất cả các câu trả lời cho câu hỏi cụ thể đó là một ví dụ khác của lỗi hệ thống.
Hiệu lực của một nghiên cứu phụ thuộc vào mức độ lỗi hệ thống. Tính hợp lệ thường được chia thành hai thành phần:
Hiệu lực nội bộ phụ thuộc vào số lượng lỗi trong phép đo, bao gồm sự phơi nhiễm, bệnh tật và mối quan hệ giữa các biến này. Hiệu lực nội bộ tốt có nghĩa là thiếu sai sót trong đo lường và cho thấy rằng suy luận có thể được rút ra ít nhất là vì chúng liên quan đến các đối tượng nghiên cứu.
Tính hiệu lực bên ngoài liên quan đến quá trình tổng quát hóa các kết quả của nghiên cứu đối với quần thể mà mẫu đã được rút ra (hoặc thậm chí vượt quá số dân đó đến một tuyên bố phổ quát hơn). Điều này đòi hỏi một sự hiểu biết về những điều kiện có liên quan (hoặc không liên quan) đến khái quát hoá. Hiệu lực nội bộ rõ ràng là một điều kiện tiên quyết để có hiệu lực bên ngoài.
Xu hướng lựa chọn [sửa]
Lựa chọn thiên vị xảy ra khi các đối tượng nghiên cứu được lựa chọn hoặc trở thành một phần của nghiên cứu như là kết quả của một biến số thứ ba, không đo được liên quan đến cả sự phơi nhiễm và kết quả quan tâm. Ví dụ, nó đã nhiều lần lưu ý rằng người hút thuốc lá và người không hút thuốc có xu hướng khác nhau trong tỷ lệ tham gia nghiên cứu của họ. (Sackett D trích dẫn ví dụ của Seltzer và các cộng sự, trong đó 85% người không hút thuốc và 67% người hút thuốc đã gửi trả bảng câu hỏi) [45] Điều quan trọng cần lưu ý là sự khác biệt về phản ứng sẽ không dẫn đến thiên vị nếu nó cũng không liên quan đến sự khác biệt có hệ thống giữa kết quả giữa hai nhóm đối phó.
Thiên vị thông tin [sửa]
Thông tin thiên vị là thiên vị phát sinh từ lỗi hệ thống trong việc đánh giá một biến. [46] Một ví dụ của điều này là sự thiên vị thu hồi. Một ví dụ điển hình lại được Sackett đưa ra trong cuộc thảo luận về một nghiên cứu kiểm tra ảnh hưởng của những phơi nhiễm cụ thể đối với sức khoẻ của thai nhi: “khi đặt câu hỏi những bà mẹ có thai gần đây đã kết thúc trong tử vong hoặc dị tật thai nhi và một nhóm bà mẹ có thai đã kết thúc thông thường (kiểm soát) người ta phát hiện ra rằng 28% trong số những người trước đây, nhưng chỉ 20% trong số đó, báo cáo về việc tiếp xúc với ma túy không thể chứng minh được trong cuộc phỏng vấn trước đó hoặc trong các hồ sơ sức khoẻ khác “. Trong ví dụ này, xu hướng thu hồi có thể xảy ra là kết quả của những phụ nữ đã sảy thai có một xu hướng rõ ràng để thu hồi tốt hơn và do đó báo cáo trước đó tiếp xúc.
Confounding [sửa]
Sự nhiễu loạn thường được định nghĩa là sự thiên vị phát sinh từ sự xuất hiện đồng thời hoặc pha trộn các ảnh hưởng của các yếu tố bên ngoài, được gọi là chất gây nhiễu, với các hiệu ứng chủ yếu quan tâm [46] [47]. Một định nghĩa gần đây về sự nhiễu loạn gợi lên quan niệm về các tác động ngược lại. [47] Theo quan điểm này, khi người ta quan sát một kết quả quan tâm, nói Y = 1 (ngược với Y = 0), trong một quần thể A bị phơi nhiễm hoàn toàn (tức là phơi nhiễm X = 1 cho mọi đơn vị dân cư) sự kiện này sẽ là RA1. Rủi ro sai lạc hoặc không quan sát được RA0 tương ứng với nguy cơ có thể xảy ra nếu những cá nhân này đã không được phơi sáng (nghĩa là X = 0 cho mỗi đơn vị dân cư). Do đó hiệu quả thực sự của việc tiếp xúc là: RA1 – RA0 (nếu ta quan tâm đến sự khác biệt về rủi ro) hoặc RA1 / RA0 (nếu ta quan tâm đến rủi ro tương đối). Do nguy cơ ngược lại RA0 là không thể chấp nhận nên chúng ta sử dụng một dân số thứ hai B và chúng ta thực sự đo các quan hệ sau: RA1 – RB0 hoặc RA1 / RB0. Trong trường hợp này, nhiễu xảy ra khi RA0 ≠ RB0. [47] (NB: ví dụ giả sử các kết quả nhị phân và các biến số phơi nhiễm.)
Một số chuyên gia dịch tễ học thích suy nghĩ tách biệt khỏi các phân loại chung của sự thiên lệch vì, không giống như sự lựa chọn và thiên vị thông tin, gây nhiễu bắt nguồn từ những ảnh hưởng nhân quả thực sự.