Il fenomeno
Il bias di sopravvivenza è un errore sistematico che si verifica quando l’analisi si concentra solo sui casi che hanno superato un determinato processo di selezione, lasciando fuori quelli che non l’hanno passato. I casi esclusi contengono spesso l’informazione più rilevante, perché il motivo della loro esclusione è proprio ciò che si vuole studiare.
Il problema tipico è che l’“assenza” non lascia tracce dirette nei dati. Se un gruppo scompare da un insieme di osservazioni a causa del fenomeno stesso che si sta studiando, un’analisi condotta solo su chi resta può portare a conclusioni rovesciate rispetto alla realtà.
Un esempio
Durante la Seconda guerra mondiale, lo Statistical Research Group della Columbia University venne incaricato di stabilire dove rinforzare la corazza dei bombardieri americani, senza appesantire troppo il velivolo. I tecnici militari raccolsero i dati sui fori di proiettile degli aerei rientrati dalle missioni e osservarono che i danni si concentravano su ali e fusoliera. La conclusione iniziale fu di rinforzare proprio quelle zone.
Il matematico Abraham Wald, membro del gruppo, propose l’analisi opposta. Gli aerei osservati erano solo quelli tornati alla base, quindi i danni visibili rappresentavano i colpi che un aereo poteva assorbire e continuare a volare. Le zone senza fori, come il motore e la cabina di pilotaggio, erano probabilmente le più critiche, perché un aereo colpito lì non tornava a essere osservato. Wald raccomandò di rinforzare proprio quelle aree scoperte, e l’esercito seguì il suo consiglio.
Rilevanza generale
Il bias di sopravvivenza compare ogni volta che un’analisi guarda solo a chi ha superato un filtro, ignorando chi è stato eliminato dal filtro stesso. Uno studio sulle aziende di successo che analizza solo le aziende ancora attive tralascia sistematicamente quelle fallite, che potrebbero avere seguito le stesse strategie di quelle sopravvissute. Una ricerca sulle abitudini di chi ha raggiunto un traguardo, per esempio un’età avanzata o un certo livello di reddito, rischia lo stesso errore se non include anche chi ha seguito abitudini simili senza raggiungere quel traguardo.
La domanda in ogni contesto, riguarda cosa è assente dal campione osservato e per quale motivo. Se l’assenza è collegata al fenomeno che si sta misurando, il campione non descrive la popolazione di partenza, e le conclusioni tratte da quel campione vanno trattate con cautela.
Referenze
- “Making Aircraft Survivable: Abraham Wald’s Counterintuitive Armor Theory” (Making Aircraft Survivable: Abraham Wald’s Counterintuitive Armor Theory - Vintage Aviation News)
- “The Legend of Abraham Wald”, AMS Feature Column (AMS :: Feature Column :: The Legend of Abraham Wald)
- Wikipedia, “Survivorship bias” (Survivorship bias - Wikipedia)