a:

Onderzoekers gebruiken verschillende veiligheidsmaatregelen om ervoor te zorgen dat een eenvoudige willekeurige steekproef nauwkeurig een grotere populatie vertegenwoordigt. Ze gebruiken een selectieproces dat willekeurigheid op de eerste plaats zet en daardoor selectiebias elimineert. Onderzoekers zorgen ervoor dat ze een volledige en nauwkeurige lijst hebben van de gehele populatie die wordt bestudeerd voordat ze een eenvoudig willekeurig monster selecteren; anders kiezen ze voor een bemonsteringsmethode waarvoor niet aan deze voorwaarde hoeft te worden voldaan. Ze zorgen ervoor dat hun steekproef groot genoeg is om steekproeffouten te voorkomen die het gevolg zijn van een te kleine steekproefomvang.

Een eenvoudige willekeurige steekproef biedt een manier om statistische analyses uit te voeren bij een grote populatie zonder feitelijk elk lid van de bevolking te hoeven bestuderen. Stel dat een onderzoeker een studie wil uitvoeren waarbij alle mannelijke studenten aan de UCLA zijn betrokken. Dit vormt een inherente uitdaging, omdat UCLA een enorme school is en alle mannen evalueert die er extreem veel tijd kost, om maar niet te zwijgen van de talloze beschikbare bemonsteringsmethoden.

Met eenvoudige willekeurige steekproeven wordt een vooraf bepaald aantal UCLA-mannen willekeurig uit de grotere populatie gehaald en als onderzoeksonderwerpen gebruikt. Om deze methode te laten werken, moet de willekeurige steekproef representatief zijn voor de grotere populatie. De eerste stap die onderzoekers nemen om ervoor te zorgen dat dit een selectieproces is dat de nadruk legt op willekeur. Een haalbaar proces is een handmatig loterijsysteem, waarbij onderzoekers elk lid van de grotere populatie een uniek nummer toekennen en vervolgens willekeurig getallen trekken om een ​​studiemonster te genereren. Een andere optie is dat onderzoekers het proces automatiseren met een computerprogramma dat willekeurig proefpersonen uit de grotere populatie selecteert.

Om beide selectiemethoden te laten werken, moeten de onderzoekers een nauwkeurige en volledige lijst van de gehele populatie kunnen krijgen. Als dit niet mogelijk is, is eenvoudige willekeurige bemonstering niet haalbaar en moet een andere bemonsteringsmethode worden gekozen. Voor veel populaties, zoals het voorbeeld van de UCLA-man, kan een volledige lijst worden verkregen. Wanneer dit het geval is, kiezen onderzoekers vaak voor eenvoudige willekeurige bemonstering vanwege het gebruiksgemak.

Sampling error wordt meer een probleem met een steekproefomvang die extreem klein is in vergelijking met de grotere populatie. Om de steekproef van UCLA-mannen representatief te maken, moeten de hoofdvakdocenten van de vakken op dezelfde manier worden geproportioneerd als die van de grotere populatie. Als de steekproefgrootte echter slechts 20 is, is het mogelijk om 15 of meer majoors uit de humaniora te behalen - vergelijkbaar met hoe 20 coinflips 15 of meer hoofden produceren.Deze steekproeffouten nemen af ​​bij grotere steekproeven. Driehonderd coinflips kunnen veel dichter bij 50% heads produceren, terwijl een steekproef van 300 college-mannen zeker een diverse mix van majors zal produceren. Een grote steekproefomvang zorgt voor een representatief monster.