选择性效应（Selection Bias）是统计学中的一个概念，它指的是在数据收集过程中，由于某些原因导致样本不能代表整个总体，从而使得统计分析的结果产生偏差的现象。
选择性效应主要分为以下几种类型：
1. 自我选择效应（Self-Selection Bias）：样本的选择受到个体自身特征的影响。例如，在一项关于教育对收入影响的研究中，选择继续接受教育的人可能本身就具有更高的收入潜力，这会导致研究结果高估教育对收入的影响。
2. 抽样选择效应（Sampling Selection Bias）：在随机抽样过程中，由于某些原因导致某些群体被过度或不足代表。例如，在一项关于某种疾病的研究中，如果只从医院的患者中抽样，那么得到的结果可能会高估该疾病的普遍性。
3. 信息选择效应（Information Selection Bias）：在收集数据时，由于某些信息更容易获得或更受关注，导致这些信息被过度代表。例如，在一项关于产品满意度的调查中，如果只收集了主动提供反馈的客户的意见，那么得到的结果可能会过于乐观。
4. 损失选择效应（Attrition Selection Bias）：在一项长期研究中，由于某些原因导致某些样本在研究过程中丢失。如果这些丢失的样本具有特定的特征，那么剩下的样本可能不再代表整个总体。
5. 测量选择效应（Measurement Selection Bias）：在测量过程中，由于某些特征更容易被测量或更受关注，导致这些特征被过度代表。例如，在一项关于身高和体重的研究中，如果只测量了愿意参与测量的人，那么得到的结果可能会高估整个群体的平均身高和体重。
选择性效应会对统计分析的结果产生重大影响，导致结论不准确。为了减少选择性效应的影响，研究者需要采取一些措施，如使用随机抽样、考虑潜在的选择性偏差、使用统计方法进行校正等。
