Are you looking for an escort who is curvy and voluptuous? If so, check out a BBW escort.These big beautiful ladies have the bbw escort nyc power to draw a man’s attention! They also look very well informed and seductive.They are witty and well-educated to share their ideas about the things that are weirdest in the world. It’s a pleasure to hear their sexy jokes!

Nome original do viés: Hypothetical bias

Tradutores: Patricia Logullo

Primeiro revisor: Luis Eduardo Fontes

LEGENDA ORIGINAL

A distortion that arises when an individual’s stated behaviour or valuation differs to that of their real behaviour or valuation.

LEGENDA TRADUZIDA

Uma distorção que surge quando o comportamento ou valores declarados de um indivíduo diferem dos reais comportamentos ou valores.

TEXTO COMPLETO

Contexto

O viés de hipótese ocorre quando indivíduos relatam a pesquisadores, em estudos observacionais ou experimentais, comportamentos ou valores que não são realistas. Em outras palavras, o que os indivíduos dizem que fariam hipoteticamente não é necessariamente o que fariam na realidade. [1] Este viés ocorre em estudos de preferência declarada (escolhas / avaliações declaradas de bens / serviços pelos indivíduos), por exemplo, experiências de escolha discreta (DCEs), que são amplamente usados nas ciências da saúde. O viés de hipótese tem impacto na validade dos resultados de um estudo. É considerado particularmente prevalente na área da saúde porque existem muitos tratamentos e serviços que os indivíduos podem experimentar no futuro ou simplesmente não vivenciar.

Considera-se que o viés de hipótese esteja ligado a diversos fatores, como por exemplo o fato de as respostas, nas configurações de preferência, não serem mandatórias legalmente. Assim, as implicações das respostas são irrelevantes para o indivíduo (e os respondentes podem, de fato, não concordar com as implicações oficiais de suas próprias escolhas; ver esta referência [2]). Além disso, os ambientes em que os experimentos ou pesquisas são realizadas (por exemplo, pesquisas online) podem estar muito distantes daqueles em que os comportamentos do mundo real ocorrem (por exemplo, tomar decisões sobre opções de tratamento em ambientes clínicos). Finalmente, os entrevistados podem responder estrategicamente às pesquisas por uma variedade de razões: por exemplo, relatar que usariam os serviços de atenção primária mais frequentemente do que realmente fariam se acreditarem que um novo serviço seria aberto mais perto deles com base nesta resposta [estratégica] a uma pesquisa.

Embora o viés de hipótese possa surgir em qualquer estudo de declaração de preferências, sua presença é difícil de detectar. É um problema negligenciado em ambientes de cuidados em saúde por uma variedade de motivos, como por exemplo a inexistência de dados de mundo real para detectar ou corrigir o viés de hipótese.

 

Exemplo

Buckell e Hess (2019) usaram uma experiência de escolha discreta (DCE) online sobre tabaco nos Estados Unidos e dados do mercado de tabaco norte-americano para mostrar a presença de (e corrigir) viés de hipótese. [5] Os resultados do estudo sugerem que o viés de hipótese pode afetar as quotas de mercado previstas para os produtos de tabaco; ou seja, a proporção prevista de fumantes que compram cigarros ou cigarros eletrônicos parece estar distorcida por um viés de hipótese. Além disso, tanto a direção quanto a magnitude das previsões das mudanças na política de tabaco parecem sofrer distorção devido a viés de hipótese.

 

Impacto

Evidências empíricas mostram como o viés de hipótese pode impactar os resultados de estudos de preferência em saúde:

Ozdemir et al. (2009) mostram que as estimativas da disposição pessoal de pagar pelo tratamento da artrite reumatoide são infladas por um viés de hipótese. Os entrevistados no braço de “conversa barata”[1] (versus o braço de controle) relataram uma disposição de pagar muito menor para o início de um tratamento de quatro semanas: $ 35 vs $ 255. [6]

Mark e Swait (2004) relatam diferenças entre as estimativas de preferência, comparando ambiente experimental com mundo real, para a prescrição médica de tratamentos contra o alcoolismo, onde “as estimativas de preferências declarada e revelada não são idênticas”. Por exemplo, as estimativas de eficácia foram significativamente menores para a preferência revelada (parâmetro estimado = 0,22; razão de t = 2,00) do que para a preferência declarada (parâmetro estimado 0,46; razão de t = 3,10). [7]

Quaife et al. (2018) demonstram algumas discrepâncias entre os comportamentos de saúde previstos (incluindo tratamentos para apneia do sono, tratamentos para tuberculose, triagem para clamídia e preferências para exames de saúde baseados em farmácias) de DCEs e comportamentos correspondentes de saúde reais no mundo real, “Estimativas agrupadas sugerem que a sensibilidade das previsões de DCE foi relativamente alta (0,88, intervalo de confiança, IC, de 95% 0,81, 0,92), enquanto a especificidade foi substancialmente menor (0,34, IC 95% 0,23, 0,46). Esses resultados sugerem que as DCEs podem ser moderadamente informativos para predizer o comportamento futuro. ”[8]

 

Passos para a prevenção

Muitas alternativas estão disponíveis para mitigar o impacto do viés de hipótese. Estas são normalmente categorizadas como abordagens ex-ante (ou seja, implementadas antes do relato) ou abordagens ex-post (ou seja, implementadas após o relato) e são detalhadas abaixo. É importante notar que “é provável que uma série de fatores afete o viés de hipótese e, portanto, nenhuma técnica será a solução mágica que elimina esse viés”. [9]

 

Abordagens ex-ante:

Conversa barata [10]: instruir os entrevistados de que suas respostas estão alimentando pesquisas importantes que podem impactar a prática clínica ou política atual. Esta abordagem visa induzir comportamentos realistas ao vincular as respostas dos entrevistados às consequências (termos como “roteiros de consequências” e “promessas de honestidade” também foram usados em abordagens semelhantes).

Preparação da honestidade [11]: uma técnica em psicologia em que se solicita aos respondentes, antes da tarefa experimental, que construam frases a partir de palavras embaralhadas, e as palavras são associadas a honestidade, veracidade etc. Os respondentes são então considerados como “preparados”, ou seja, são subliminarmente encorajados a darem respostas verdadeiras nas tarefas experimentais que se seguem.

Avaliação inferida [12]: pedir aos entrevistados que estimem o valor que outras pessoas dão a um bem ou serviço, ao invés da sua própria avaliação. Este método remove do indivíduo o “senso de agência”, ou sensação de que tem controle em sua avaliação e, como consequência, pode reduzir os vieses relacionados a si mesmo nas valorações.

Compatibilidade de incentivos [13]: condicionar uma recompensa (geralmente financeira), ou a chance de uma recompensa, às escolhas dos entrevistados. Neste caso, as escolhas dos entrevistados estão vinculadas a uma recompensa e o viés de hipótese é considerado reduzido.

Projetos de pivô [1]: incorporar informações às escolhas dos respondentes no desenho das tarefas experimentais para tornar as tarefas mais realistas e, assim, reduzir o viés de hipótese (ver também projetos “SP-off-RP” [14]).

 

Abordagens ex post:

Calibragem da certeza [15]: pedir aos respondentes que indiquem o quão certos eles estão de que fariam suas escolhas experimentais em configurações do mundo real. Estas informações são então usadas para ajustar os modelos nas análises, o que se chama de calibragem, de modo a reduzir o viés de hipótese.

Calibragem de preferência revelada [10]: obter dados de mercado disponíveis (ou seja, do mundo real), nos quais os indivíduos realmente fizeram escolhas, e ajustar — ou calibrar — os modelos usando esses dados. Uma vez que os modelos não calibrados são baseados em dados experimentais, o uso do comportamento do mundo real para fazer ajustes reduz o viés de hipótese.

[1]Cheap talk” na teoria de jogos, ou “conversa barata”, “conversa fiada” ocorre quando os jogadores se expressam mas nem sempre acreditam (consideram) que o que foi dito é verdade ou na palavra de quem fala.

Link para o original: 

Deve ser citado como:

Colaboração Catálogo de Vieses. Logullo P. Viés de hipótese. Traduzido de: Brassey J; Mahtani KR; Spencer EA. Hypothetical bias. In: Catalogue Of Bias 2019. https://catalogofbias.org/biases/hypothetical-bias/

 

Fontes:

Sources

  1. Hensher, D. A., Rose, J. M., & Greene, W. (2015). Applied Choice Analysis. Cambridge: Cambridge University Press
  2. Shah, K. K., Tsuchiya, A., & Wailoo, A. J. (2018). Valuing health at the end of life: A review of stated preference studies in the social sciences literature. Social Science & Medicine, 204, 39-50.
  3. Carson, R. T. and T. Groves (2007). Incentive and informational properties of preference questions. Environmental and Resource Economics 37(1): 181-210.
  4. Lancsar, E., & Burge, P. (2014). Choice modelling research in health economics. In S. Hess & A. Daly (Eds.), Handbook of Choice Modelling. Cheltenham: Edward Elgar Publishing.
  5. Buckell, J. and J. L. Sindelar (2019). The impact of flavors, health risks, secondhand smoke and prices on young adults’ cigarette and e-cigarette choices: a discrete choice experiment. Addiction 114(8): 1427-1435.
  6. Özdemir, S., Johnson, F. R., & Hauber, A. B. (2009). Hypothetical bias, cheap talk, and stated willingness to pay for health care. Journal of Health Economics, 28(4), 894-901.
  7. Mark, T. L. and J. Swait (2004). Using stated preference and revealed preference modeling to evaluate prescribing decisions. Health Economics 13(6): 563-573.
  8. Quaife, M., Terris-Prestholt, F., Di Tanna, G. L., & Vickerman, P. (2018). How well do discrete choice experiments predict health choices? A systematic review and meta-analysis of external validity. The European Journal of Health Economics, 19(8), 1053-1066.
  9. Murphy, J. J., Allen, P. G., Stevens, T. H., & Weatherhead, D. (2005). A Meta-analysis of Hypothetical Bias in Stated Preference Valuation. Environmental and Resource Economics, 30(3), 313-325.
  10. Buckell, J. and S. Hess (2019). Stubbing out hypothetical bias: improving tobacco market predictions by combining stated and revealed preference data. Journal of Health Economics 65: 93-102.
  11. De Magistris, T., Gracia, A., & Nayga, R. M., Jr. (2013). On the Use of Honesty Priming Tasks to Mitigate Hypothetical Bias in Choice Experiments. American Journal of Agricultural Economics, 95(5), 1136-1154.
  12. Lusk, J. L. and F. B. Norwood (2009). An Inferred Valuation Method. Land Economics 85(3): 500-514.
  13. Smith, Vernon L. Microeconomic systems as an experimental science. The American Economic Review 72.5 (1982): 923-955.
  14. Train, K. E. and W. W. Wilson (2009). Monte Carlo analysis of SP-off-RP data. Journal of Choice Modelling 2(1): 101-117.
  15. Beck, M. J., Fifer, S., & Rose, J. M. (2016). Can you ever be certain? Reducing hypothetical bias in stated choice experiments via respondent reported choice certainty. Transportation Research Part B: Methodological, 89, 149-167.

 

PubMed feed

https://www.ncbi.nlm.nih.gov/pubmed/clinical/?term=%22hypothetical%20bias%22