Which Data Reached the Inference: Selection, Missingness, Survivorship and Collider Bias / Qué datos llegaron a la inferencia: selección, datos faltantes, supervivencia y sesgo de colisionador

English

Inference is made from the observations that reach the analysed dataset, not from the observations that might have existed under an ideal sampling and measurement process. Entry into the dataset may depend on participation, survival, detection, follow-up, specimen integrity, quality-control rules, complete-case requirements or analyst decisions. When selection depends on variables related to exposure, outcome or their causes, the analysed set can differ systematically from the target population. Conditioning on a collider is one structural mechanism that can generate such distortion, but selection bias is broader than collider terminology alone. Missing data add a related problem: whether complete-case analysis, weighting, imputation or sensitivity analysis is valid depends on the missingness process and the target estimand. This article separates selection, missingness, survivorship and collider-induced selection, and provides a disciplined route from the target population to the analysed sample. It does not treat non-detection and censoring as interchangeable with missingness; those diagnostic measurement problems remain with HEB-007.

Español

La inferencia se realiza a partir de las observaciones que llegan al conjunto de datos analizado, no de las observaciones que podrían haber existido bajo un proceso ideal de muestreo y medición. La entrada en el conjunto de datos puede depender de la participación, la supervivencia, la detección, el seguimiento, la integridad del espécimen, las reglas de control de calidad, los requisitos de casos completos o las decisiones del analista. Cuando la selección depende de variables relacionadas con la exposición, el resultado o sus causas, el conjunto analizado puede diferir sistemáticamente de la población objetivo. Condicionar por un colisionador es un mecanismo estructural capaz de generar esa distorsión, pero el sesgo de selección es más amplio que la terminología de colisionadores. Los datos faltantes añaden un problema relacionado: la validez del análisis de casos completos, la ponderación, la imputación o el análisis de sensibilidad depende del proceso de ausencia y del estimando objetivo. Este artículo separa selección, ausencia, supervivencia y selección inducida por colisionador, y proporciona una ruta disciplinada desde la población objetivo hasta la muestra analizada. No trata la no detección y la censura como intercambiables con los datos faltantes; esos problemas diagnósticos de medición permanecen en HEB-007.

INF-003 · Version / Versión 0.2.