표본 추출 오차는 표본 모집단의 특성과 일반 모집단의 특성간에 겉보기에 무작위로 보이는 차이입니다. 예를 들어, 월별 회의 참석률을 조사한 결과 평균 70 %가 나타났습니다. 일부 회의 참석률은 다른 회의 참석자보다 확실히 낮을 것입니다. 샘플링 오류는 각 회의에 참석 한 사람의 수를 계산할 수 있지만 실제로는 기본 규칙이나 가능성이 있더라도 한 회의 참석은 다음 회의에서 일어나는 것과 동일하지 않습니다. 똑같다. 샘플링 오류를 최소화하기위한 핵심은 다중 관측과 더 큰 표본입니다.
무작위 샘플링을 통해 샘플 선택시 편향 가능성을 최소화합니다. 무작위 샘플링은 우연한 샘플링이 아니라 샘플 선택에 대한 체계적인 접근 방식입니다. 예를 들어, 인터뷰 할 목록에서 이름을 선택하여 젊은 범죄자 집단의 무작위 샘플을 생성합니다. 목록을보기 전에 연구원은 인터뷰 대상이되는 젊은 범죄자가 목록에 이름이 첫 번째, 10, 20, 30, 40 등으로 나타나는 것으로 식별합니다.
계층화 프로토콜을 구현하여 샘플이 인구를 대표하는지 확인합니다. 예를 들어 대학생의 음주 습관을 연구했다면 형제애 학생과 비 형제애 학생 사이의 차이를 예상 할 수 있습니다. 처음에 샘플을이 두 계층으로 분할하면 샘플링 오류의 가능성이 줄어 듭니다.
더 큰 표본 크기를 사용하십시오. 크기가 증가함에 따라 표본은 실제 모집단에 가까워져 실제 모집단과의 편차 가능성이 감소합니다. 예를 들어, 표본 10 개의 평균은 표본 100 개의 평균보다 더 다양합니다. 그러나 샘플이 클수록 비용이 많이 듭니다.
동일한 측정을 반복적으로 수행하거나 둘 이상의 피험자 또는 여러 그룹을 사용하거나 여러 연구를 수행하여 연구를 복제합니다. 복제를 통해 샘플링 오류를 없앨 수 있습니다.