Chyby vzorkování jsou zdánlivě náhodné rozdíly mezi charakteristikami populace vzorku a charakteristikami obecné populace. Například studie účasti na měsíčním setkání ukazuje průměrnou míru 70 procent. Účast na některých schůzkách by jistě byla pro některé nižší než pro ostatní. Chyba vzorkování pak spočívá v tom, že i když můžete spočítat, kolik lidí se každého setkání zúčastnilo, co se ve skutečnosti děje účast na jedné schůzce není stejná jako to, co se stane na příští schůzce, i když základní pravidla nebo pravděpodobnosti jsou stejný. Klíčem k minimalizaci chyby vzorkování je několik pozorování a větší vzorky.
Minimalizujte potenciál zkreslení při výběru vzorku náhodným výběrem. Náhodný výběr není náhodný výběr, ale je to systematický přístup k výběru vzorku. Například náhodný vzorek populace mladých pachatelů je generován výběrem jmen ze seznamu k pohovoru. Před zobrazením seznamu výzkumník zjistí, že mladí pachatelé, s nimiž mají být vedeni pohovory, jsou ti, jejichž jména jsou uvedena na seznamu první, 10., 20., 30., 40. atd.
Implementací stratifikačního protokolu zajistěte, aby vzorek reprezentoval populaci. Pokud jste například studovali stravovací návyky vysokoškolských studentů, můžete očekávat rozdíly mezi studenty bratrství a studenty bez bratrství. Rozdělení vzorku do těchto dvou vrstev hned na začátku snižuje možnost chyby vzorkování.
Použijte větší velikosti vzorků. Jak se velikost zvětšuje, vzorek se přibližuje skutečné populaci, čímž se snižuje potenciál odchylek od skutečné populace. Například průměr vzorku 10 se liší více než průměr vzorku 100. Větší vzorky však vyžadují vyšší náklady.
Zopakujte svou studii opakovaným prováděním stejného měření, použitím více než jednoho subjektu nebo více skupin nebo provedením více studií. Replikace umožňuje zaplavit chyby vzorkování.