Attrition Bias (Uitvalsbias) | Betekenis, Uitleg & Voorbeelden

Attrition bias (ook wel (selectieve) uitvalsbias genoemd) is een vorm van selectiebias die optreedt als de participanten die uitvallen tijdens een onderzoek systematisch verschillen van degenen die in het onderzoek blijven.

Attrition Bias (Uitvalsbias)

Attrition is de uitval van participanten in een onderzoek. Het wordt ook wel subject mortality genoemd, maar dat betekent niet dat de participanten per se overlijden!

Bijna alle longitudinale studies hebben een bepaalde mate van uitval, maar het type en de omvang van de uitval kunnen problemen veroorzaken. Attrition bias is vooral problematisch bij een gerandomiseerd onderzoek met controlegroep (RCT) voor medisch onderzoek.

Wat is attrition (uitval)?

Bij experimenteel onderzoek manipuleer je een onafhankelijke variabele om het effect ervan op een afhankelijke variabele te toetsen. Je kunt meestal longitudinale en experimentele onderzoeken combineren om veranderingen bij participanten in de loop van de tijd te observeren.

Voorbeeld: Longitudinaal onderzoek
Met behulp van een longitudinaal onderzoek wil je bepalen of een educatief programma studenten kan helpen hun alcoholgebruik te reguleren.

Je biedt een behandelgroep gedurende twee maanden korte voorlichtingssessies aan, terwijl een controlegroep sessies bijwoont over een ongerelateerd onderwerp.

Als er meerdere momenten zijn waarop dataverzameling plaatsvindt (golven), worden meestal niet alle participanten opgenomen in de uiteindelijke steekproef.

Voorbeeld: Uitval (attrition)
Je verzamelt de data in vijf golven om de resultaten te vergelijken: een pre-test, drie onderzoeken tijdens het programma en een post-test.

Bij elke ronde na de pre-test-enquête vallen meer en meer participanten af, waardoor de steekproef telkens kleiner wordt. Dit wordt attrition (uitval) genoemd.

Redenen voor uitval

Participanten kunnen om heel veel redenen afhaken. Ze kunnen bijvoorbeeld niet terugkeren na een slechte ervaring, of ze kunnen niet de tijd, motivatie of middelen hebben om aan je onderzoek te blijven deelnemen.

In klinische studies kunnen participanten ook afhaken vanwege ongewenste bijwerkingen, ontevredenheid over de behandelingen of overlijden door andere oorzaken.

Ook kan het voorkomen dat je sommige participanten na het begin van het onderzoek moet uitsluiten omdat zij zich niet aan de onderzoeksprotocollen houden, het doel van het onderzoek achterhalen (e.g., door demand characteristics) of niet aan de inclusiecriteria voldoen.

Soorten attrition

Attrition (uitval) kan willekeurig (random) of systematisch zijn. Als de uitval systematisch is, wordt het attrition bias genoemd.

Random attrition

Random attrition betekent dat participanten die blijven vergelijkbaar zijn met de participanten die uitvallen. Het is een willekeurige fout (random error).

Voorbeeld: Random attrition
Aan het eind van je onderzoek blijkt dat ongeveer evenveel participanten uit de behandel- en controlegroep zijn uitgevallen.

Bij het controleren van je data vind je geen statistisch significante verschillen tussen degenen die zijn uitgevallen en en degenenen die zijn gebleven.

Let op
Dat de uitval willekeurig is betekent niet dat deze error niet schadelijk kan zijn voor je onderzoek. In grote aantallen kan deze uitval nog steeds schadelijk zijn voor je onderzoek, omdat je statistische power wordt verminderd.

Zonder een voldoende grote steekproef is het mogelijk dat je geen effect kunt ontdekken zelfs als er wel een effect in de populatie aanwezig is (Type II-fout).

Attrition bias

Attrition bias is een systematische fout: participanten die uitvallen verschillen op specifieke manieren van degenen die het onderzoek afmaken.

Zelfs als slechts een klein aantal participanten het onderzoek verlaat, kan er sprake zijn van attrition bias. Het gaat erom of er een systematisch verschil is tussen degenen die blijven en degenen die afhaken.

Voorbeeld: Attrition bias
Tijdens je onderzoek vallen een aantal participanten uit die het educatieve programma of de follow-up enquêtes niet voltooien. Je controleert de data van de nulmeting om degenen die uitvallen te vergelijken met degenen die blijven.

Volgens de data consumeren de participanten die uitvallen aanzienlijk meer alcohol dan de participanten die blijven. Dit betekent dat je onderzoek attrition bias vertoont.

Het belang van attrition bias

Enige uitval is normaal en te verwachten in onderzoek. Het type uitval is echter belangrijk, omdat systematische onderzoeksbias je bevindingen kan vertekenen.

Attrition bias kan leiden tot onnauwkeurige resultaten, omdat de interne en/of externe validiteit van je onderzoek kan worden aangetast.

Interne validiteit

Attrition bias is een bedreiging voor de interne validiteit. Bij experimenten kunnen verschillen in uitval tussen behandel- en controlegroepen leiden tot skew (scheefheid) in de resultaten.

Deze onderzoeksbias kan de relatie tussen je onafhankelijke en afhankelijke variabelen beïnvloeden. Daardoor kunnen variabelen gecorreleerd lijken terwijl dat niet zo is, of vice versa.

Voorbeeld: Attrition bias en interne validiteit
In je onderzoek vallen meer participanten uit de behandelgroep af dan uit de controlegroep. Je houdt 30 participanten over in de behandelgroep en 65 in de controlegroep.

Voor de participanten die het onderzoek voltooien is de behandeling succesvoller dan het controleprotocol in het aanmoedigen van verantwoord alcoholgebruik.

Maar het is moeilijk om een conclusie te trekken, omdat je niet weet wat de resultaten waren voor de participanten uit de behandelgroep die zijn afgehaakt.

Zonder de volledige data uit de steekproef kun je mogelijk geen geldige conclusie trekken over je populatie. Je hebt te veel ontbrekende waarden (missing values).

Externe validiteit

Attrition bias kan je steekproef scheef trekken (skew), zodat je uiteindelijke steekproef aanzienlijk verschilt van je oorspronkelijke steekproef. Je steekproef is vertekend omdat sommige groepen uit je populatie ondervertegenwoordigd zijn.

Met een vertekende steekproef is het mogelijk dat je je bevindingen niet kunt generaliseren naar de populatie waaruit je oorspronkelijk je steekproef hebt getrokken. Dit kan je externe validiteit aantasten.

Voorbeeld: Attrition bias en externe validiteit
De meeste participanten die uit je onderzoek stappen verbruiken veel meer alcohol dan degenen die blijven. Ze vertrekken omdat ze niet tevreden zijn met het programma.

Je uiteindelijke steekproef is daarom scheefgetrokken naar studenten die weinig tot matige hoeveelheden alcohol gebruiken.

Je bevindingen zijn niet van toepassing op alle studenten, omdat je steekproef de studenten die veel alcohol drinken ondervertegenwoordigt.

Hoe voorkom je attrition bias?

Het is makkelijker om attrition te voorkomen dan er later in je analyse rekening mee te moeten houden. Door enkele van de onderstaande maatregelen toe te passen kun je het makkelijker en aantrekkelijker maken voor participanten om het onderzoek te voltooien. Hierdoor verminder je de kans op uitval.

  • Bied compensatie (e.g., geld of cadeaubonnen) voor het bijwonen van elke sessie.
  • Beperk het aantal follow-ups zoveel mogelijk.
  • Maak alle follow-ups kort, flexibel en simpel voor participanten.
  • Stuur automatische herinneringen om follow-ups te plannen.
  • Werf meer participanten dan je nodig hebt voor je onderzoek (oversample).
  • Houd gedetailleerde contactinformatie bij, zodat je contact met de participanten kunt opnemen.

Hoe detecteer je attrition bias?

Ondanks preventieve maatregelen kan er toch sprake zijn van uitval in je onderzoek. Je kunt attrition bias opsporen door de participanten die uitvallen te vergelijken met de participanten die het onderzoek wel afmaken.

Gebruik de data van je nulmeting om participanten te vergelijken op alle variabelen in je onderzoek. Dit omvat demografische variabelen (e.g., genderidentiteit, etniciteit, leeftijd en sociaaleconomische status) en alle andere soorten variabelen die van belang zijn.

Je zult vaak op één of meer variabelen significante verschillen tussen de participanten die uitvallen en de participanten die blijven ontdekken als er sprake is van attrition bias.

Voorbeeld: Attrition bias detecteren
Je vergelijkt de data van de nulmeting van participanten die vertrekken met degenen die nog over zijn aan het eind van het onderzoek.

Je hebt data verzameld voor de volgende variabelen:

  • Leeftijd
  • Genderidentiteit
  • Etniciteit
  • Sociaaleconomische status
  • Frequentie alcoholgebruik
  • Hoeveelheid alcoholgebruik
  • Toewijzing behandel- of controlegroep

Met een logistische regressieanalyse verdeel je de participanten over twee groepen op basis van of ze zijn uitgevallen of niet. Je voert de variabelen in als coëfficiënten om de verschillen te testen.

De coëfficiënten voor de variabelen frequentie en hoeveelheid alcoholgebruik zijn significant. Dit wijst op een attrition bias die gebaseerd is op deze twee variabelen. De participanten die blijven verschillen van de participanten die uitvallen in de frequentie en hoeveelheid van hun alcoholgebruik.

Als je geen significante resultaten vindt, kan er toch sprake zijn van een verborgen uitvalsbias die niet gemakkelijk in de data terug te vinden is.

Probeer de participanten dan te contacteren om hun reden voor vertrek beter te begrijpen en om te controleren op gemeenschappelijke oorzaken voor uitval.

Ook als je geen attrition bias kunt vaststellen, kan een vervolgonderzoek onder de participanten die uitvallen je helpen om uitval bij toekomstige onderzoeken te voorkomen.

Hoe verwijder je attrition bias?

Voor geldige resultaten kun je het beste proberen om je attrition bias te verwijderen uit je onderzoek. Als je een kleine mate van attrition bias hebt, kun je een statistische methode kiezen om te proberen deze vertekening te compenseren.

Onderstaande methoden kunnen je helpen om zoveel mogelijk van de ontbrekende data te reconstrueren, zonder dat de nauwkeurigheid van je onderzoek wordt geschaad.

Meervoudige imputatie

Bij meervoudige imputatie worden simulaties gebruikt om de ontbrekende data te vervangen door waarschijnlijke waarden. Je voegt meerdere mogelijke waarden toe op de plaats van de ontbrekende data, waardoor meerdere volledige datasets ontstaan.

Deze waarden, die meervoudige imputaties worden genoemd, worden steeds opnieuw gegenereerd met behulp van een simulatiemodel om zo rekening te houden met spreiding en onzekerheid.

Vervolgens analyseer je al je volledige datasets en combineer je de resultaten om schattingen te maken van je gemiddelde, standaardafwijking of andere parameters.

Steekproefgewichten

Je kunt steekproefgewichten gebruiken om te compenseren voor de ongelijke verdeling van participanten in je steekproef.

Je past je data aan zodat de algemene samenstelling van de steekproef die van de populatie weerspiegelt. Data van participanten die vergelijkbaar zijn met degenen die het onderzoek hebben verlaten krijgen een zwaarder gewicht toegekend om de attrition bias te verminderen.

Voorbeeld: Steekproefgewichten
Je gebruikt steekproefgewichten om rekening te houden met het verlies van zware alcoholgebruikers in je steekproef.

Je verdeelt de deelnemers in je uiteindelijke steekproef op basis van hun alcoholgebruik en kent elke groep een gewicht toe.

Lage en matige alcoholgebruikers krijgen elk een gelijk gewicht van 1, wat betekent dat hun data worden vermenigvuldigd met 1. Zware drinkers krijgen daarentegen een hoger gewicht van 1.5, zodat de data van deze participanten zwaarder worden gewogen in de volledige dataset.

Interessante artikelen over onderzoek doen

Op zoek naar meer interessante artikelen over een onderzoek uitvoeren voor je scriptie of paper? Bekijk dan ook eens onderstaande artikelen met uitleg en voorbeelden!

Veelgestelde vragen

Waarom is attrition bias een probleem?

Het is normaal en te verwachten om enige mate van attrition (uitval) in je onderzoek te hebben. Het type uitval is echter belangrijk, omdat systematische bias kan leiden tot een vertekening van je resultaten.

Attrition bias (uitvalsbias) kan leiden tot onnauwkeurige resultaten omdat het je interne en/of externe validiteit kan aantasten:

  • Door de skew kan je uiteindelijke steekproef aanzienlijk verschillen van je oorspronkelijke steekproef, waardoor groepen in je populatie ondervertegenwoordigd kunnen zijn. Hierdoor kunnen bevindingen niet altijd gegeneraliseerd worden. Dit tast de externe validiteit aan.
Wat is attrition bias in het Nederlands?

Attrition bias is een vorm van selectiebias die in het Nederlands ook wel wordt aangeduid met (selectieve) uitvalsbias.

“Attrition” staat hier voor “uitval”. Attrition bias (uitvalsbias) duidt op vertekening in je onderzoek die optreedt omdat participanten die uitvallen van je onderzoek systematisch verschillen van participanten die het onderzoek wel voltooien.

Wat is differentiële attrition?

Attrition (uitval) betekent dat participanten uitvallen bij een onderzoek. Dit gebeurt altijd in zekere mate, bijvoorbeeld bij medisch onderzoek.

Er is sprake van differentiële attrition als het uitvalpercentage van de behandel- en controlegroep systematisch verschilt. Als gevolg daarvan verschillen de kenmerken van de participanten die uitvallen van de kenmerken van degenen die het onderzoek afmaken. Hierdoor kunnen de onderzoeksresultaten vertekend zijn (attrition bias).

Citeer dit Scribbr-artikel

Als je naar deze bron wilt verwijzen, kun je de bronvermelding kopiëren of op “Citeer dit Scribbr-artikel” klikken om de bronvermelding automatisch toe te voegen aan onze gratis Bronnengenerator.

Scharwächter, V. (2022, 30 september). Attrition Bias (Uitvalsbias) | Betekenis, Uitleg & Voorbeelden. Scribbr. Geraadpleegd op 15 oktober 2024, van https://www.scribbr.nl/onderzoeksbias/attritionbias/

Wat vind jij van dit artikel?
Veronique Scharwächter

Veronique heeft twee bachelors: één in Taal- en Cultuurstudies en één in Philosophy, Politics and Economics. Daarnaast heeft zij een boek geschreven over hoe filosofie je kan helpen in je studentenleven. Ze hoopt haar brede, interdisciplinaire kennis in te kunnen zetten om zo veel mogelijk studenten te helpen met het schrijven van hun scriptie.