サンプリングエラーは、サンプル母集団の特性と一般母集団の特性との間の、一見ランダムな違いです。 たとえば、月例会議への出席を調査すると、平均70％の割合であることがわかります。 一部の会議への出席は、他の会議よりも確かに少ない人もいます。 サンプリングエラーは、各会議に参加した人数を数えることができますが、実際には何が起こっているかということです。 基礎となるルールや確率は次のとおりですが、ある会議への出席は次の会議での出席と同じではありません。 同じ。 サンプリングエラーを最小限に抑えるための鍵は、複数の観測とより大きなサンプルです。
ランダムサンプリングにより、サンプルの選択におけるバイアスの可能性を最小限に抑えます。 ランダムサンプリングは、無計画なサンプリングではなく、サンプルを選択するための体系的なアプローチです。 たとえば、若い犯罪者の母集団のランダムなサンプルは、インタビューするリストから名前を選択することによって生成されます。 研究者は、リストを見る前に、インタビュー対象の若い犯罪者を、名前がリストの1番目、10番目、20番目、30番目、40番目などに表示されているものとして特定します。
層別化プロトコルを実装して、サンプルが母集団を代表していることを確認します。 たとえば、大学生の飲酒習慣を研究した場合、友愛の学生と非友愛の学生の違いを期待するかもしれません。 最初にサンプルをこれらの2つの層に分割すると、サンプリングエラーの可能性が低くなります。
より大きなサンプルサイズを使用してください。 サイズが大きくなると、サンプルは実際の母集団に近づくため、実際の母集団から逸脱する可能性が低くなります。 たとえば、10のサンプルの平均は、100のサンプルの平均よりも変動が大きくなります。 ただし、サンプルが大きいほどコストが高くなります。
同じ測定を繰り返し行うか、複数の被験者または複数のグループを使用するか、複数の研究を行うことによって、研究を複製します。 レプリケーションを使用すると、サンプリングエラーを排除できます。