Bias přežití je zkreslení, ke kterému dochází při sběru dat, když jsou data z analýzy vyloučena, protože dnes již neexistují.
Toto zkreslení vzniká v nejrůznějších kontextech, kde se zaměřujeme pouze na tato „přežívající“ data. Příkladem toho je, když společnosti provádějí průzkum u svých zákazníků o jednom ze svých produktů. Ale nechávají své neklienty, což by v tomto případě byli „nepřežili“, v zapomnění.
V tomto případě by vyvozování závěrů z této studie bylo chybné. Vzhledem k tomu, že výsledky budou ovlivněny pouze u „přežívající“ populace. A nebyly by to reprezentativní výsledky.
Předsudek k přežití v praxi
Jasným příkladem této zaujatosti je studium výsledků investičních fondů. Většina databází obsahuje pouze fondy, které dnes existují. Bez ohledu na fondy, které existovaly v minulosti.
Důvodem, proč dnes neexistují, je skutečnost, že jejich výkonnost byla horší než u „přeživších“. Nebo dokonce bylo několik fondů sloučeno do jednoho. Proto se provádí analýza těchto fondů s nejlepšími výsledky. A toto zkreslení má tendenci nadhodnocovat výkonnost vzorku těchto fondů.
Hlavním problémem již není jen nadhodnocení výkonnosti fondu. Vybraný vzorek by spíše nebyl náhodným vzorkem z celkové populace. A proto nemusí být výsledky studie reprezentativní pro populaci. To je nakonec to, co hledáme při výběru náhodného vzorku populace.
Řešení zkreslení přežití
Představme si, že chceme vybrat investiční fond, do kterého investujeme, na základě jeho minulého chování. Abychom se vyhnuli tomuto zkreslení přežití a optimalizovali tento výběr, měli bychom provést následující kroky:
- Vyberte časový horizont, se kterým plánujeme pracovat. Například deset, patnáct nebo dvacet let historie.
- Vezměte všechny existující finanční prostředky od začátku časového horizontu, ať už v současnosti existují, nebo neexistují.
- Odtud vyberte vzorek z této populace pro studium chování.
Myšlenka toho je nakonec získat ten náhodný vzorek populace. A odtud byly získány závěry, pokud by mohly být reprezentativní pro tuto populaci.