Le biais de collecte de données se produit lorsque nous sélectionnons par erreur les sujets qui appartiendront à l'échantillon aléatoire à analyser.
Nous avons le problème lorsque cette sélection rend l'échantillon aléatoire non représentatif de la population statistique. Et donc tout résultat que nous obtenons à partir de l'échantillon est biaisé, et nous ne pouvons pas affirmer qu'il a été rempli dans la population analysée.Au sein de ce biais, nous pouvons différencier différents types, que nous expliquerons ci-dessous.
Biais de survie
Se produit lorsque les données sont exclues de l'analyse car elles n'existent plus au moment de l'analyse.
En d'autres termes, nous nous concentrons uniquement sur les données existantes et rejetons celles qui existaient auparavant dans la population. Dans la pratique, il existe de nombreux exemples de ce type de biais. L'une d'entre elles consiste à effectuer des enquêtes uniquement auprès des clients d'une entreprise, en excluant les clients potentiels. Une autre serait d'évaluer le comportement des indices boursiers en éliminant de l'analyse les entreprises qui étaient et ne sont plus dans cet indice.
La solution à ce biais est très simple. Réaliser l'étude avec toutes les données, existantes et préexistantes.
Biais d'anticipation
Il se produit lorsqu'une analyse est effectuée à l'aide de données qui ne sont pas disponibles au moment de l'analyse. Un exemple serait de faire une analyse de la relation du prix d'une action avec une variable de l'équilibre financier. Le cours de l'action est une variable dynamique dont si nous disposons d'informations correctes au moment de l'analyse. Cependant, les variables établies dans le bilan sont statiques et il faut donc attendre la publication des états financiers pour cette analyse.
Supposons que nous voulions étudier la relation entre le prix et les capitaux propres pour un certain nombre d'entreprises à la fin de l'exercice. Dans ce cas, nous n'aurons pas les données sur la valeur nette avant la publication des états financiers. Publication qui est généralement donnée quelques mois après la fin de l'année fiscale.
Par conséquent, une solution à ce biais serait d'attendre la publication des états financiers. Et effectuez l'analyse avec les données publiées ainsi que le prix au moment de la publication.
Biais de période
Ce biais se produit lorsque la période sélectionnée pour les données est trop courte ou trop longue. Si elle est trop courte, l'analyse pourrait refléter des résultats spécifiques qui ne sont atteints que pour cette période. Autrement dit, ils ne seraient pas représentatifs pendant une période plus longue.
Imaginez une période de cinq ans où les petites entreprises ont surperformé les grandes entreprises sur le marché boursier. On peut en tirer la conclusion qu'à l'avenir les petites entreprises surperformeront toujours les grandes. Mais pour une si courte période de temps, aucune conclusion de ce genre ne peut être tirée. En raison principalement du fait que dans des périodes plus longues, la situation pourrait changer. Par conséquent, les résultats obtenus sont biaisés par rapport à cette période de temps réduite.