Neyman-Bias (Prävalenz-Inzidenz-Bias)

Auch bekannt als: Prevalence-Incidence Bias Selective Survival Bias Prävalenz-Inzidenz-Verzerrung

Statistical Error ID: neyman_bias

Definition

Neyman-Bias tritt in Querschnitt- oder Prävalenzstudien auf, wenn Fälle, die tödlich verlaufen, kurzlebig sind oder zu rascher Genesung führen, systematisch übersehen werden. Da die Studie nur jene Fälle erfasst, die zum Messzeitpunkt aktuell vorliegen, werden chronische oder langsam fortschreitende Fälle überrepräsentiert und das volle Spektrum der Krankheitsausgänge unterschätzt.

Beispiele

Eine Studie an Herzinfarktüberlebenden in einer Herzklinik stellt fest, dass die meisten Patienten eine leichte bis mittelschwere Erkrankung haben. Sie übersieht, dass viele schwere Herzinfarktpatienten vor Erreichen der Klinik gestorben sind, was zu einer Unterschätzung des tatsächlichen Schweregrads führt.

Eine Querschnittsstudie über Schlaganfallpatienten in Rehabilitationskliniken stellt fest, dass die meisten Betroffenen nur milde kognitive Einschränkungen aufweisen. Übersehen wird, dass Patienten mit schweren Schlaganfällen häufig früh versterben oder nie eine Reha erreichen und daher in der Stichprobe fehlen.

Eine Umfrage unter Menschen mit diagnostizierter Depression zeigt, dass die Mehrheit gut funktioniert und berufstätig ist. Das Bild ist verzerrt, weil Personen mit schwerer, lähmender Depression seltener an Studien teilnehmen – sie sind weniger erreichbar oder bereits aus dem öffentlichen Leben zurückgezogen.

Prüfschritte

Prüfschritte

Binäre Ja/Nein-Fragen, die eine KI beantworten muss, um ein Argumentationsmuster in einem Text zu erkennen.

Jeder der 452 Aspekte hat Prüfschritte — einfache Ja/Nein-Fragen, die systematisch erkennen sollen, ob ein Muster in einem Text vorkommt. Für Ad Hominem: "Greift das Argument eine Person statt ihre Behauptung an?" Für falsche Dichotomie: "Werden nur zwei Optionen präsentiert, obwohl mehr existieren?"

Im Glossar ansehen →

Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:

1

Untersucht die Studie prävalente (bestehende) Fälle statt inzidente (neue) Fälle?
Typ: binary
2

Könnten Fälle mit rascher Mortalität oder schneller Genesung systematisch übersehen werden?
Typ: binary
3

Gibt es eine erhebliche Zeitspanne zwischen Exposition und Fallidentifikation?
Typ: binary
4

Werden Schlussfolgerungen über Kausalität oder Risiko gezogen, ohne fehlende Fälle zu berücksichtigen?
Typ: binary

Beschreibung

Warum es funktioniert

Prävalente Fälle sind die zu einem bestimmten Zeitpunkt sichtbaren. Tödliche Fälle verschwinden aus dem beobachtbaren Pool, und schnell ausheilende Fälle sind bereits abgeklungen, bevor sie gezählt werden können. Dies erzeugt ein verzerrtes Momentbild der tatsächlichen Verteilung und des Risikos.

Wie man entgegnet

Inzidenz-basierte (Neufall-)Studiendesigns oder prospektive Kohorten anstelle von Querschnittsstudien verwenden. Fälle ab Beginn der Erkrankung verfolgen statt von einem einzelnen Zeitpunkt aus. Die Einschränkung benennen, wenn Prävalenzdaten die einzige Option sind.

Auch bekannt als

Prevalence-Incidence Bias Selective Survival Bias Prävalenz-Inzidenz-Verzerrung

Praxiskontext

Frühe HIV-Forschung unterschätzte die Mortalität, weil zu einem einzelnen Zeitpunkt durchgeführte Studien Langzeitüberlebende erfassten und bereits Verstorbene übersahen. Ebenso übersehen arbeitsmedizinische Studien zu Schadstoffexpositionen oft Beschäftigte, die vor Studienbeginn ausgeschieden oder verstorben sind.