抽样偏差和如何避免它|类型和例子
抽样偏差属性的某些成员时发生人口系统地比其他人更有可能在样本中被选中。也被称为确定偏差在医学领域
抽样偏差限制了普遍性因为它是一种威胁外部效度，特别是总体效度。换句话说，来自有偏差样本的结果只能推广到与样本具有相同特征的总体。
抽样偏差的原因
你的选择研究设计或数据收集方法可能导致抽样偏差。这种类型的研究偏见概率和non-probability抽样．
概率样本中的抽样偏差
在概率抽样，人口中的每个成员都有一个已知的被选中的机会。例如，您可以使用随机数生成器来选择简单随机抽样来自你们的人口。
虽然这一程序降低了抽样偏差的风险，但它可能无法消除它。如果你的抽样框架(样本的实际个体列表)与总体不匹配，这可能会导致一个有偏差的样本。
虽然你使用的是随机样本，并不是你的目标人群——你大学的本科生——中的每一个人都有机会被选中。你的样本漏掉了任何没有注册参与研究的人。这可能会使你的样本偏向于那些社交焦虑较少、更愿意参与研究的人。
非概率样本中的抽样偏差
一个non-probability样本是基于非随机条件选择的。例如，在便利性样本中，参与者是根据可访问性和可用性选择的。
非概率抽样通常会导致有偏差的样本，因为总体中的一些成员比其他人更有可能被包括在内。
因为这是一个方便样本，它不能代表你的目标人群。上这门课的人可能比你大学里的其他人更开明，更喜欢植物性食品。
抽样偏差的类型
| 类型 | 解释 | 例子 |
|---|---|---|
| 自己挑选的偏见 | 具有特定特征的人比其他人更有可能同意参加一项研究。 | 寻求刺激的人更有可能参与疼痛研究。这可能会扭曲数据。 |
| Nonresponse偏见 | 拒绝参与或退出研究的人与参加研究的人有系统的区别。 | 在一项关于压力和工作量的研究中，工作量大的员工不太可能参与其中。所得到的示例在工作负载方面可能没有太大的变化。 |
| 总量差额的偏见 | 总体中的一些成员在样本中没有得到充分的代表。 | 在线进行全国普查可能会遗漏一些互联网接入有限的群体，如老年人和低收入家庭。 |
| 生存偏差 | 成功的观察，人和物体比不成功的人更有可能在样本中被代表。 | 在科学期刊中，有强烈的发表偏向于积极的结果。成功的研究成果发表的频率远远高于零发现。 |
| 预筛选或广告偏见 | 参与者被预先筛选的方式或研究的宣传地点可能会使样本产生偏差。 | 当寻找志愿者来测试一种新的睡眠干预时，你可能会得到一个比其他人更有动力改善他们的睡眠习惯的样本。因此，不管你的干预效果如何，他们都有可能改善他们的睡眠习惯。 |
| 健康用户偏见 | 预防性干预的志愿者比人口中的其他成员更有可能从事促进健康的行为和活动。 | 预防性干预的样本比大多数人有更好的饮食、更高的体育活动水平、戒酒和避免吸烟。实验结果可能是处理与样品的这些特征相互作用的结果，而不仅仅是处理本身。 |
如何避免或纠正抽样偏差
使用仔细的研究设计和抽样程序可以帮助你避免抽样偏差。
过度采样以避免偏差
在定义的组的成员代表性不足(覆盖不足)的情况下，过采样可用于避免抽样偏差。这是一种从某些群体中选择受访者的方法，这样他们在样本中所占的份额就比他们在总体中所占的份额更大。
在收集了所有数据后，对过采样组的响应进行加权，以消除任何抽样偏差。
他们收集了一个具有全国代表性的样本，有1500名受访者，对亚裔美国人进行了过度抽样。使用随机数字拨号与美国家庭联系，从亚裔美国人更多的地区采集的样本不成比例地大。在1500名受访者中，336名是亚裔美国人。基于这个样本量，研究人员可以对他们关于亚裔美国人的研究结果有信心。
为了确保亚裔美国人的回答占总数的5.6%，我们进行了加权。这使得对整个样本的准确估计成为可能。
其他类型的研究偏见
关于抽样偏差的常见问题
- 为什么要在研究中使用样本?
-
样品都是用来推断的人口．样本更容易收集数据，因为它们实用、具有成本效益、方便且易于管理。
引用这篇Scribbr文章
如果你想引用这个来源，你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮，自动添加到我们的免费引用生成器引用。
班达里，P.(2022, 11月18日)。抽样偏差和如何避免它|类型和例子。Scribbr。检索于2022年12月14日，来自//www.charpingshvac.com/research-bias/sampling-bias/
