ความเอนเอียงนี้มีหลายประเภท รวมทั้งหัวข้อย่อยต่าง ๆ ดังต่อไปนี้

ความเอนเอียงโดยการสุ่มตัวอย่าง

ความเอนเอียงโดยการสุ่มตัวอย่าง[5](อังกฤษ: Sampling bias)เป็นความผิดพลาดอย่างเป็นระบบเนื่องจากการชักตัวอย่างที่ไม่ได้สุ่มจากกลุ่มประชากร[6]ทำให้ชักบุคคลแต่ละพวกโดยโอกาสที่ไม่เท่ากันมีผลเป็นตัวอย่างที่ไม่สมดุล (biased sample)ซึ่งมีนิยามว่า เป็นการชักตัวอย่างทางสถิติจากกลุ่มประชากร (หรือองค์อย่างอื่นที่ไม่เกี่ยวกับมนุษย์) ที่ไม่สมดุล ที่ไม่สามารถเป็นตัวแทนของกลุ่มประชากรได้[7]

ความเอนเอียงนี้ มักจะจำแนกว่าเป็นแบบย่อยของความเอนเอียงโดยการคัดเลือก[8]และบางครั้งจะเรียกอย่างเฉพาะเจาะจงว่า sample selection bias[9][10][11] แต่บางครั้งก็จัดเป็นความเอนเอียงต่างหากเช่นกัน[12]ตัวอย่างของความเอนเอียงโดยการสุ่มตัวอย่างก็คือ การที่ผู้ร่วมการทดลองจัดตัวเองเข้ากลุ่ม (เช่นเป็นอาสาสมัคร) การคัดเลือกผู้เข้าร่วมการทดลอง (pre-screening) การตัดข้อมูลผู้ป่วยหรือการตรวจสอบที่ไม่เสร็จบริบูรณ์ และการตัดข้อมูลผู้ป่วยที่ย้ายออกจากพื้นที่การศึกษา (migration bias)

โดยหยุดการทดลองที่ยังไม่เสร็จ

• หยุดการทดลองที่ยังทำไม่สมบูรณ์ ในขณะที่ผลกำลังสนับสนุนสมมุติฐานที่ต้องการ
• หยุดการทดลองเพราะได้ค่าที่สุดโต่ง (บ่อยครั้งเพราะเหตุผลทางจริยธรรม) แต่ค่าสุดโต่งอาจจะมาจากตัวแปรที่มีค่าความแปรปรวนระดับสูงสุด แม้ว่า ตัวแปรที่เหลือจะมีค่าใกล้ ๆ กับค่าเฉลี่ย

โดยปัจจัยที่ได้รับ

• Susceptibility bias
  • Clinical susceptibility bias คือเมื่อโรคชนิดหนึ่งเพิ่มโอกาสให้เกิดโรคชนิดที่สอง การรักษาโรคแรก (ปัจจัยที่ได้รับ) จึงปรากฏผิดพลาดเหมือนกับเพิ่มโอกาสให้โรคที่สอง ยกตัวอย่างเช่นการหมดระดูเพิ่มโอกาสให้เกิดโรคมะเร็งเยื่อบุมดลูก ดังนั้น จึงโทษฮอร์โมนเอสโทรเจนที่ให้เพื่อแก้ปัญหาเกี่ยวกับการหมดระดู ว่าเป็นเหตุให้เกิดมะเร็ง[13]
  • Protopathic bias คือ เมื่อการรักษาอาการแรกที่เกิดขึ้นของโรคหรือของผลที่เป็นประเด็นศึกษา (ปัจจัยที่ได้รับ) ดูเหมือนจะเป็นเหตุให้เกิดผล เป็นความเอนเอียงที่อาจจะมีได้เมื่อช่วงระยะเวลาระหว่างการเกิดอาการแรกและการเริ่มการรักษา กับการวินิจฉัยว่ามีผลที่เป็นประเด็นเกิดขึ้นแล้ว ห่างกัน[13] ซึ่งสามารถบริหารได้ด้วยวิธี lagging ซึ่งก็คือ การไม่ถือเอาปัจจัยที่ได้รับ (เช่นการรักษา) ถ้าเกิดก่อนการวินิจฉัยเป็นช่วงระยะเวลาหนึ่ง[14]
  • Indication bias คือความเอนเอียงที่เกิดขึ้น เมื่อมีตัวชี้อย่างหนึ่งที่สัมพันธ์ทั้งกับการเริ่มให้การรักษา (หรือการได้ปัจจัย) และกับผลเช่นโรคที่เกิดขึ้น[15] ยกตัวอย่างเช่น การเริ่มรักษาบุคคลที่มีโอกาสเสี่ยงสูงที่จะเกิดโรค อาจทำให้คนที่ได้รับการรักษามีอัตราสูงกว่าในการเกิดโรค ทำให้ปรากฏอย่างผิด ๆ ว่า การรักษาโรคที่ให้ เป็นเหตุของโรค[16]

โดยข้อมูล

• การแบ่งข้อมูลเป็นส่วน ๆ โดยรู้ว่าในแต่ละส่วนมีข้อมูลอะไร แล้ววิเคราะห์ข้อมูล โดยวิธีที่ออกแบบให้ใช้กับข้อมูลที่ไม่รู้ว่าส่วนต่าง ๆ มีข้อมูลอะไร
• การคัดทิ้งข้อมูล "เสีย" ตามอำเภอใจ โดยไม่ใช้กฎเกณฑ์ที่ได้ตั้งไว้หรือที่เป็นที่ยอมรับโดยทั่วไป
• การคัดทิ้งข้อมูลแบบ "outliers" คือที่ต่างจากค่าอื่น ๆ จนกระทั่งสงสัยว่าเป็นความผิดพลาดทางสถิติ แต่ไม่ได้คำนึงถึงข้อมูลสำคัญที่อาจจะได้จากค่าเช่นนั้น[17]

โดยวิธีการศึกษา

• เลือกงานศึกษาอย่างไม่สมควร ที่จะใช้เป็นข้อมูลของงานวิเคราะห์อภิมาน (meta-analysis)
• ทำการทดลองซ้ำ ๆ จนกว่าจะได้ผลที่ต้องการ โดยเรียกการทดลองที่ทำก่อน ๆ ว่าเป็น "การทดสอบเทียบมาตรฐาน" "ความคลาดเคลื่อนของเครื่องมือวัด" หรือ "การสำรวจเบื้องต้น"
• แสดงผลที่มีนัยสำคัญจากงานที่ทดสอบสมมุติฐานเป็นจำนวนมากกับข้อมูลเดียวกัน (data dredging) ซึ่งมีโอกาสแสดงนัยสำคัญที่เป็นเรื่องบังเอิญ จริง ๆ แล้วเป็นความผิดพลาดที่เหมือนกับข้อที่แล้ว แต่ว่า พิจารณาว่า เป็นการทุจริตน้อยกว่า

โดยการลดจำนวนคน

Attrition bias (ความเอนเอียงโดยลดจำนวนคน) เป็นความเอนเอียงโดยการคัดเลือกเพราะเหตุผู้ร่วมการทดลองลดจำนวนลง[18] ซึ่งเกิดจากการคัดออกซึ่งผู้ร่วมการทดลอง หรือค่าการทดสอบ ที่ไม่สามารถทำให้ถึงที่สุดได้ซึ่งอาจจะเกิดจากการถอนตัว การไม่ส่งตอบข้อมูล หรือไม่ทำตามกฎเกณฑ์ เป็นการกระทำที่สร้างความเอนเอียงต่อผล เมื่อมีความไม่สมดุลเกี่ยวกับปัจจัยที่ได้รับ และ/หรือผลที่เกิดขึ้นยกตัวอย่างเช่น ในงานศึกษาโปรแกรมควบคุมอาหาร นักวิจัยอาจจะทิ้งข้อมูลของทุก ๆ คนที่ถอนตัวจากการทดลอง แต่ว่า คนโดยมากอาจจะถอนตัวเพราะโปรแกรมไม่ได้ผลดังนั้น การสูญเสียผู้ร่วมการทดลองทั้งในกลุ่มทดลองและในกลุ่มเปรียบเทียบ อาจจะเปลี่ยนลักษณะต่าง ๆ ของกลุ่มทั้งสอง และเปลี่ยนผลที่เกิดขึ้น ไม่ว่าปัจจัยทางสุขภาพอะไร (เช่นการควบคุมอาหาร) จะเป็นประเด็นการศึกษา[18]

โดยการคัดเลือกของผู้สังเกตการณ์

ข้อมูลไม่ได้เกิดการเลือกสรร โดยเหตุแบบการทดลองและการวัดค่าต่าง ๆ เท่านั้น แต่อาจจะเกิดเพราะมีผู้สังเกตการณ์ความเอนเอียงโดยการคัดเลือกของผู้สังเกตการณ์ (observer bias) จะเกิดขึ้น ในสถานการณ์ที่การมีผู้สังเกตการณ์ หรือแม้แต่การมีการทดลอง มีสหสัมพันธ์กับข้อมูลที่ได้[19]

ยกตัวอย่างเช่น ประวัติการมีวัตถุอวกาศต่าง ๆ มากระทบโลกจะมีความเอนเอียงที่เกิดจากมีผู้สังเกตการณ์ คือ ถ้ามีวัตถุขนาดใหญ่มากระทบโลก ก็จะทำให้เกิดการสูญพันธุ์หมู่ สร้างความเสียหายกับระบบนิเวศ ขัดขวางวิวัฒนาการของผู้สังเกตการณ์ เป็นระยะเวลายาวนาน ดังนั้น จึงจะไม่มีใครที่จะสังเกตพบหลักฐานของวัตถุอวกาศขนาดใหญ่มากระทบโลกที่เกิดขึ้นเมื่อไม่นานมานี้ (ไม่เช่นนั้นแล้วคนสังเกตก็จะไม่มี)ดังนั้น อาจจะมีความเอนเอียงในประวัติการกระทบโลกของวัตถุอวกาศ[20] มหันตภัยทางดาราศาสตร์ ที่มีผลกระทบทั้งโลกแบบอื่น ๆ (นอกจากวัตถุอวกาศมากกระทบโลก) ก็อาจจะมีการประเมินโอกาสต่ำไปเช่นเดียวกัน[21]