El sesgo del superviviente es el error de inferencia que se comete al estudiar únicamente los casos que han superado un proceso de selección, ignorando los que desaparecieron por el camino. Es una forma particular de sesgo de selección, y la más difícil de detectar, porque los datos ausentes no dejan hueco visible: la muestra parece completa. Lo que se mide con precisión es una población que ya ha sido filtrada por la misma variable que se pretende explicar.
El ejemplo fundacional viene de la Segunda Guerra Mundial. El Statistical Research Group de la Universidad de Columbia recibió el encargo de decidir dónde reforzar el blindaje de los bombarderos aliados, y los datos disponibles eran los impactos contabilizados en los aviones que volvían: muchos en fuselaje y alas, pocos en motores y cabina. La conclusión intuitiva era blindar donde había más agujeros. El matemático Abraham Wald razonó al contrario: los aviones examinados eran precisamente los que habían sobrevivido, de modo que la escasez de impactos en los motores no indicaba que allí no impactaran las balas, sino que los aviones alcanzados en los motores no volvían para ser contados. El blindaje debía ir donde no había agujeros. El razonamiento de Wald, formalizado en una serie de memorandos de 1943 sobre la estimación de la vulnerabilidad de aeronaves a partir de los datos de las supervivientes, sigue siendo el modelo de cómo se corrige un sesgo de este tipo: modelando explícitamente el proceso que hizo desaparecer las observaciones.
El sesgo estructura silenciosamente sectores enteros. Las series históricas de rentabilidad de fondos de inversión miden solo los fondos que siguen existiendo, porque los que quebraron salen de la base de datos, lo que infla la rentabilidad media del sector en un margen que la literatura financiera estima habitualmente entre 0,5 y 1,5 puntos porcentuales anuales. La literatura de autoayuda empresarial entrevista a los fundadores que triunfaron y concluye que la clave fue abandonar los estudios, la perseverancia o la aversión al consejo ajeno, sin comprobar cuántos fundadores fracasados hicieron exactamente lo mismo. Se admira la solidez de la arquitectura romana o la sonoridad de los violines de Cremona sin contar los edificios y los instrumentos mediocres que el tiempo se llevó. Y en medicina, un estudio publicado en 1987 sobre gatos caídos desde edificios altos halló que los que caían de más de siete plantas sufrían menos lesiones que los de plantas intermedias; una explicación plausible es que los gatos que morían en la caída no llegaban nunca a la clínica veterinaria de la que salían los datos.
La defensa no es estadística sino de diseño. Consiste en preguntar, antes de mirar la tabla, qué proceso decidió quién entra en ella y qué haría un caso desaparecido para no aparecer: registros de todos los ensayos clínicos antes de conocer los resultados, bases de datos que conserven las entidades extinguidas, cohortes seguidas desde el inicio y no reconstruidas desde el final. Cuando la desaparición no se puede evitar, se modela: análisis de supervivencia, corrección de Heckman, límites de sensibilidad. Lo que no funciona es la vía intuitiva, porque la intuición trabaja con lo que ve, y el sesgo del superviviente consiste exactamente en lo que no se ve.
Muestra sesgada – Diseño muestral – Regresión a la media – Paradoja de Simpson