🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
proxy_bias
Proxy-Bias entsteht, wenn indirekte Maße anstelle des wahren interessierenden Konstrukts verwendet werden und die Lücke zwischen Proxy und wahrem Konstrukt mit anderen Variablen im statistischen Modell korreliert. Im Gegensatz zu zufälligem Messfehler erzeugt Proxy-Bias systematische Verzerrungen.
Haushaltseinkommen wird als Proxy für sozioökonomischen Status in einem Modell verwendet, das auch die ethnische Zugehörigkeit einschließt. Wenn die Einkommens-zu-SES-Lücke systematisch nach ethnischer Zugehörigkeit variiert (z.B. wegen Vermögensdisparitäten, die nicht durch Einkommen erfasst werden), verzerrt dies beide Koeffizienten.
Eine Stadtverwaltung verwendet die Postleitzahl als Proxy für Kreditwürdigkeit bei der Vergabe von Kleinkrediten. Da bestimmte Postleitzahlen historisch mit einkommensschwachen Bevölkerungsgruppen verknüpft sind, werden Bewohner dieser Gebiete systematisch benachteiligt – unabhängig von ihrer tatsächlichen finanziellen Situation.
Ein Personalvermittlungsalgorithmus nutzt den Namen einer Universität als Proxy für Intelligenz und Kompetenz. Bewerber von renommierten Privatuniversitäten werden bevorzugt, obwohl der Universitätsname stark mit dem Wohlstand der Eltern korreliert und nicht mit der tatsächlichen Fähigkeit der Kandidaten.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Verwendet die Studie ein indirektes Maß (Proxy) statt das interessierende Konstrukt direkt zu messen?
Typ: binaryKorreliert die Lücke zwischen dem Proxy und dem wahren Konstrukt mit anderen Variablen im Modell?
Typ: binaryKönnte die Proxy-Ziel-Messlücke systematische Verzerrungen in den Schätzungen einführen?
Typ: binaryWurde die Validität des Proxys gegen das wahre Konstrukt in der Studienpopulation bewertet?
Typ: binaryProxy-Bias entsteht, wenn indirekte Maße anstelle des wahren interessierenden Konstrukts verwendet werden und die Lücke zwischen Proxy und wahrem Konstrukt mit anderen Variablen im statistischen Modell korreliert. Im Gegensatz zu zufälligem Messfehler erzeugt Proxy-Bias systematische Verzerrungen.
Wahre Konstrukte sind oft nicht direkt messbar. Forscher verwenden den besten verfügbaren Proxy und nehmen an, dass Messfehler zufällig sind. Wenn der Messfehler mit Prädiktoren korreliert, scheitert die Annahme stillschweigend.
Proxys wo möglich gegen das wahre Konstrukt validieren. Mehrere Proxys und Latente-Variable-Modelle verwenden. Richtung und Vorzeichen potenziellen Proxy-Bias bei der Ergebnisinterpretation berücksichtigen.
BMI wird häufig als Proxy für Körperfett in der Gesundheitsforschung verwendet, aber die BMI-Körperfett-Beziehung unterscheidet sich nach Alter, Geschlecht und ethnischer Zugehörigkeit.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.