各种Bias的解释

同学你好，下面我对你说的这四种bias进行定义和举例，更多的内容可以再去听一下基础班R11里面关于five kinds of bias的内容，里面有更详细的讲解和举例，我每个偏差只列举了老师讲的其中一个例子。

Data-mining bias: 数据挖掘偏差，把偶然当必然，算出来的统计指标可能没有经济学意义上的解释。比如说把股票的收益率跟降雨量之间做了一个相关关系，发现有一个很强的相关性，所以就得出结论说：降雨量越高的年份股票收益率涨的也越好一些。这就是典型的把偶然当成了必然，没有经济学意义上的解释，就不是必然会出现的一个规律。

Sample selection bias：样本选择偏差，在你选择抽样的时候有一些数据被你自然而然排除在外了，那就意味着整个抽样的过程有失偏颇，样本本身对总体不够有代表性。比如说一个综艺节目对全国有小孩的女生做调研，有了小孩之后是不是烦恼变多了。他们通过信访的方式来进行调研，通过收回来的信他发现大概有70%左右的女生都认为烦恼变多了。然后他就得到结论说，有了小孩之后会对家庭造成烦恼，这就产生了样本选择偏差，因为若通过信访的方式，很多有了小孩之后很快乐的妈妈都不一定会进行回复，那些内心有很大的不满的人反而更愿意回信，这样就自然而然会把那些有了小孩之后变快乐的家庭排除在外了，因为错误的抽样方式从而导致对结果造成偏差。

Look-ahead bias：前视偏差，用将来的数据进行判断导致判断不可行，因为站在现在这个时间点，将来的数据你是得不到的，那么这种判断规则就是不可用的。比如说我用P/E选股，通过过去的数据我发现P/E越低，将来的股价往往会上涨。比如我现在站在2020.1.1的时间点想根据P/E来进行选股，“E”代表的是去年一整年的每股净收益，但是2019年的年报还没有披露，所以现在根本得不到这个指标，这个P/E是在将来才会得到的，所以用将来才能得到的指标作为一个选股策略是不可行的。

Time-period bias: 时间期限偏差，我们在研究金融问题的时候选择的期限不能过长也不能过短，如果选择的期限太短，会导致数据没有代表性，因为样本量太小了，没办法找到一个客观存在的规律。但如果选择的期限太长，就有可能会发生在市场环境已经改变的情况下你还用了很久之前的数据，那么估出来的结果对于预测现在是没有任何意义的。比如今年是2010年，我想预测2011年股票市场的收益率，我选择了近十年的数据，就包含了2008次贷危机发生时的数据，而2010年正好处于一个复苏的阶段。但是现在的市场环境肯定跟当时的市场环境不一样了，所以用次贷危机时候的数据来预测将来肯定是不准确的，这就会产生时间期限偏差。

加油~