Dobór celowy, dobór wygodny i metoda kuli śnieżnej – czym się różnią i jak je opisać?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 15 października 2026

Czym są dobór celowy, dobór wygodny i metoda kuli śnieżnej?

To trzy najczęstsze odmiany doboru nielosowego (nieprobabilistycznego): osoby trafiają do próby nie w wyniku losowania ze znanym prawdopodobieństwem, jak w próbie losowej, ale dlatego, że są dostępne, pasują do kryteriów albo zostały komuś polecone. W pracach dyplomowych z psychologii to raczej norma niż wyjątek – trzeba tylko wiedzieć, na jaką populację wolno potem uogólniać wyniki.

• Dobór wygodny (dostępnościowy, ang. convenience sampling) – badasz osoby, do których łatwo dotrzeć: studentów swojego roku, znajomych, członków grup na Facebooku, uczestników wymiany ankiet.
• Dobór celowy (ang. purposive lub purposeful sampling) – świadomie wybierasz osoby, które spełniają określone kryteria i mogą dostarczyć najwięcej informacji o badanym zjawisku, np. nauczycieli z co najmniej dziesięcioletnim stażem.
• Metoda kuli śnieżnej (ang. snowball sampling) – zaczynasz od kilku osób spełniających kryteria („ziaren”), a one polecają kolejne osoby z tej samej grupy.

Andrade (2021) zwraca uwagę na „niewygodną prawdę” o próbach wygodnych i celowych: wyniki można uogólniać tylko na (sub)populację, z której pobrano próbę, a nie na całą populację – co ma konsekwencje zarówno dla trafności zewnętrznej, jak i dla trafności wewnętrznej.

Dobór celowy i kula śnieżna – odmiany i zastosowania

Palinkas i in. (2015) opisują dobór celowy jako wybór przypadków bogatych w informacje i omawiają jego typy; najczęściej stosowany jest dobór według kryterium, a w badaniach mieszanych (ilościowo-jakościowych) autorzy zalecają łączenie kilku strategii. Spotkasz też m.in. dobór przypadków typowych, skrajnych, maksymalnie zróżnicowanych i jednorodnych – nazwa powinna oddawać to, co naprawdę zrobiłeś.

Metoda kuli śnieżnej sprawdza się, gdy populacja jest trudno dostępna, a jej członkowie się znają: osoby z rzadką diagnozą, opiekunowie chorych, członkowie mniejszości. Parker i in. (2019) opisują ją jako popularną strategię badań jakościowych, prowadzoną od kilku „ziaren” do osiągnięcia założonej liczebności lub nasycenia danych, i przypominają o jej ograniczeniach – m.in. o tym, że łańcuch poleceń może „zamrzeć”, zanim zbierzesz potrzebną liczbę osób.

Co z uogólnianiem wyników?

Dobór nielosowy nie przekreśla badania, ale zmienia sposób wnioskowania. Grupa zadaniowa AAPOR (Baker i in., 2013) stwierdza, że wnioskowanie z prób nieprobabilistycznych zawsze opiera się na założeniach modelowych, które trzeba jawnie opisać, a przejrzystość – jak dobierano osoby, jak zbierano dane, czy ważono wyniki – jest tu ważniejsza niż w próbach losowych. Bethlehem (2010) pokazuje, że w ankietach internetowych samoselekcja respondentów może obciążać oszacowania i prowadzić do niewiarygodnych wyników.

• Najbardziej wrażliwe są oszacowania opisowe – odsetki, średnie, częstość zjawiska. Z próby wygodnej nie podasz, „ilu studentów w Polsce” ma daną cechę.
• Związki między zmiennymi bywają stabilniejsze, ale też mogą być zniekształcone, zwłaszcza gdy udział w badaniu zależy od badanych zmiennych.
• Większa liczebność nie usuwa błędu doboru – zawęża tylko przedział ufności wokół wyniku, który może być przesunięty. Symulację tego zjawiska pokazujemy w poradniku gdzie znaleźć respondentów do ankiety.

Uczciwe rozwiązanie to precyzyjnie nazwać populację, na którą uogólniasz (zob. reprezentatywność próby). Simons i in. (2017) proponują, by w dyskusji każdej pracy empirycznej umieszczać deklarację ograniczeń uogólnialności (ang. constraints on generality), która określa i uzasadnia populacje osób, sytuacji i bodźców, do których mają się odnosić wyniki – to także odpowiedź na kryzys replikacyjny.

Przykład: kula śnieżna zależy od „ziaren”

W symulacji populację stanowiło 3000 opiekunów osób przewlekle chorych, z których 28.2% należało do grup wsparcia. Znajomości były silnie homofiliczne: 83.6% znajomych członków grup wsparcia także do nich należało (dane symulowane). Porównaliśmy trzy sposoby zebrania 150 osób: próbę losową oraz kulę śnieżną startującą od pięciu losowych osób albo od pięciu członków grup wsparcia – tak jak wtedy, gdy rekrutację zaczyna się od spotkania grupy. Każdy uczestnik zapraszał trzech znajomych, a każdy zaproszony brał udział z prawdopodobieństwem 0.4. Każdy sposób doboru powtórzyliśmy 1000 razy.

Próba losowa trafiała średnio w 28.1%, a 95% oszacowań mieściło się między 21.3% a 34.7%. Kula śnieżna startująca od losowych osób była średnio bliska prawdy (29.2%), ale jej wyniki rozrzucały się kilkakrotnie szerzej – od 6.7% do 56.7% – bo cała próba „dziedziczy” cechy kilku pierwszych osób i ich kręgów znajomych. Gdy ziarna pochodziły z grup wsparcia, ich członkowie stanowili w próbie średnio 46.8%, czyli o ponad połowę więcej niż w populacji. Dodatkowo 7.6% łańcuchów startujących od losowych osób i 5.5% startujących z grup wsparcia wygasło, zanim zebrano 150 osób.

Wniosek praktyczny: w metodzie kuli śnieżnej dobieraj ziarna z różnych środowisk, ogranicz liczbę zaproszeń od jednej osoby, zapisuj, w której „fali” ktoś trafił do badania, i nie podawaj odsetków tak, jakby dotyczyły całej populacji.

Jak opisać dobór próby w pracy

W rozdziale Metoda nazwij sposób doboru wprost, opisz kanały rekrutacji, kryteria włączenia i wykluczenia, okres zbierania danych oraz liczbę osób na kolejnych etapach (zob. rozdział metodologiczny pracy magisterskiej i jak opisać charakterystykę próby). Wzory zdań:

W dyskusji dodaj zdanie o ograniczeniach uogólnialności:

Jak ograniczyć ryzyko doboru nielosowego?

• Zdefiniuj populację docelową i kryteria włączenia, zanim zaczniesz rekrutację.
• Rekrutuj kilkoma niezależnymi kanałami, a w kuli śnieżnej – od zróżnicowanych ziaren.
• Gdy znasz strukturę populacji, ustal kwoty (zob. próba kwotowa) albo porównaj strukturę próby z danymi o populacji.
• Pytaj w metryczce o cechy, które pozwolą opisać, kogo naprawdę zbadałeś.
• Nie zbieraj od uczestników kontaktów do innych osób – poproś, by sami przekazali zaproszenie (zob. świadoma zgoda i RODO w badaniach).
• Liczebność planuj z myślą o analizach (zob. dobór liczebności próby), ale pamiętaj, że nie zastąpi ona dobrego doboru.

set.seed(2015)
N <- 3000                                    # populacja opiekunów osób przewlekle chorych
grupa <- rbinom(N, 1, 0.30)                  # 1 = należy do grupy wsparcia
# Sieć znajomości z homofilią: ok. 90% kontaktów we własnej grupie
kontakty <- vector("list", N)
for (i in 1:N) {
  ta_sama <- setdiff(which(grupa == grupa[i]), i); inna <- which(grupa != grupa[i])
  k <- rbinom(1, 5, 0.9)
  for (j in c(sample(ta_sama, k), sample(inna, 5 - k))) {
    kontakty[[i]] <- c(kontakty[[i]], j); kontakty[[j]] <- c(kontakty[[j]], i) }
}
kontakty <- lapply(kontakty, unique)

# Kula śnieżna: każdy uczestnik zaprasza 3 znajomych, zaproszony bierze udział z prawdop. 0.4
kula <- function(ziarna, n_cel = 150, zaproszenia = 3, p_udzial = 0.4) {
  proba <- ziarna; zaproszeni <- ziarna; fala <- ziarna
  while (length(proba) < n_cel && length(fala) > 0) {     # kolejne fale poleceń
    nowi <- integer(0)
    for (i in fala) {
      kand <- setdiff(kontakty[[i]], zaproszeni)
      if (length(kand) == 0) next
      zapr <- kand[sample.int(length(kand), min(zaproszenia, length(kand)))]
      zaproszeni <- c(zaproszeni, zapr)
      nowi <- c(nowi, zapr[runif(length(zapr)) < p_udzial])
    }
    fala <- nowi; proba <- c(proba, nowi)
  }
  head(proba, n_cel)
}
jedno_badanie <- function() {
  losowa <- sample(N, 150)
  kula_los <- kula(sample(N, 5))                       # 5 losowych „ziaren”
  kula_grupy <- kula(sample(which(grupa == 1), 5))     # 5 ziaren z grup wsparcia
  c(losowa = mean(grupa[losowa]), kula_ziarna_losowe = mean(grupa[kula_los]),
    kula_ziarna_z_grup = mean(grupa[kula_grupy]),
    n_kula_los = length(kula_los), n_kula_grupy = length(kula_grupy))
}
round(100 * mean(grupa), 1)                  # prawdziwy odsetek członków grup wsparcia
wyniki <- t(replicate(1000, jedno_badanie()))
round(100 * colMeans(wyniki[, 1:3]), 1)      # średni odsetek członków w próbie
round(100 * apply(wyniki[, 1:3], 2, quantile, probs = c(.025, .975)), 1)   # 95% oszacowań
round(100 * colMeans(wyniki[, 4:5] < 150), 1)                             # % wygasłych łańcuchów

[1] 28.2
            losowa kula_ziarna_losowe kula_ziarna_z_grup 
              28.1               29.2               46.8 
      losowa kula_ziarna_losowe kula_ziarna_z_grup
2.5%    21.3                6.7                 20
97.5%   34.7               56.7                 80
  n_kula_los n_kula_grupy 
         7.6          5.5 

Najczęstsze błędy

• „Osoby wybrane losowo z grup na Facebooku”. Udostępnienie linku i przyjęcie każdego, kto odpowie, to dobór wygodny, a nie losowy.
• Nazywanie doboru wygodnego „celowym”, żeby brzmiał lepiej. Dobór celowy wymaga kryteriów wynikających z pytania badawczego.
• Twierdzenie, że duża próba jest „reprezentatywna”. Liczebność nie usuwa błędu doboru.
• Podawanie częstości „w populacji” na podstawie próby wygodnej albo kuli śnieżnej.
• Kula śnieżna z jednego środowiska – wszystkie ziarna z jednej grupy, bez zapisu fal i bez limitu poleceń.
• Brak opisu rekrutacji – kanałów, dat, kryteriów i liczby osób na kolejnych etapach.

Najczęstsze pytania

Czym różni się dobór celowy od doboru wygodnego?

W doborze wygodnym badasz osoby, do których łatwo dotrzeć, np. studentów swojego roku. W doborze celowym świadomie wybierasz osoby spełniające kryteria wynikające z pytania badawczego, np. nauczycieli z co najmniej dziesięcioletnim stażem. Oba są doborem nielosowym, więc wyniki odnoszą się do grupy, z której pochodzi próba.

Na czym polega metoda kuli śnieżnej?

Zaczynasz od kilku osób spełniających kryteria, a one polecają kolejne osoby z tej samej grupy, aż zbierzesz potrzebną liczebność. Metoda sprawdza się w populacjach trudno dostępnych, ale próba bywa podobna do pierwszych osób, a łańcuch poleceń może wygasnąć przed zebraniem danych.

Czy próba wygodna może być reprezentatywna?

Zwykle nie – osoby same decydują o udziale i mogą różnić się od populacji w sposób, którego nie znasz. Większa liczebność tego nie naprawia. Uczciwie opisz, kogo zbadałeś, i ogranicz uogólnienia do tej subpopulacji.

Jak opisać dobór próby w pracy magisterskiej?

Nazwij sposób doboru wprost (np. „zastosowano dobór wygodny”), podaj kanały rekrutacji, daty, kryteria włączenia i wykluczenia oraz liczbę osób na kolejnych etapach. W dyskusji dodaj zdanie o ograniczeniach uogólnialności. Gotowe wzory zdań znajdziesz w tym haśle.

Czy dobór wygodny dyskwalifikuje pracę dyplomową?

Nie. W pracach dyplomowych z psychologii to częsta i akceptowana praktyka, zwłaszcza przy badaniu związków między zmiennymi. Warunek: nie nazywaj próby losową ani reprezentatywną, opisz rekrutację i wyciągaj wnioski ostrożnie.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{andrade2021inconvenient, author={Andrade, Chittaranjan}, title={{The inconvenient truth about convenience and purposive samples}}, journal={Indian Journal of Psychological Medicine}, year={2021}, volume={43}, number={1}, pages={86--88}, doi={10.1177/0253717620977000}}

@article{baker2013summary, author={Baker, R. and Brick, J. M. and Bates, N. A. and Battaglia, M. and Couper, M. P. and Dever, J. A. and Gile, K. J. and Tourangeau, R.}, title={{Summary report of the AAPOR Task Force on Non-probability Sampling}}, journal={Journal of Survey Statistics and Methodology}, year={2013}, volume={1}, number={2}, pages={90--143}, doi={10.1093/jssam/smt008}}

@article{bethlehem2010selection, author={Bethlehem, Jelke}, title={{Selection bias in web surveys}}, journal={International Statistical Review}, year={2010}, volume={78}, number={2}, pages={161--188}, doi={10.1111/j.1751-5823.2010.00112.x}}

@article{palinkas2015purposeful, author={Palinkas, Lawrence A. and Horwitz, Sarah M. and Green, Carla A. and Wisdom, Jennifer P. and Duan, Naihua and Hoagwood, Kimberly}, title={{Purposeful sampling for qualitative data collection and analysis in mixed method implementation research}}, journal={Administration and Policy in Mental Health and Mental Health Services Research}, year={2015}, volume={42}, number={5}, pages={533--544}, doi={10.1007/s10488-013-0528-y}}

@incollection{parker2019snowball, author={Parker, C. and Scott, S. and Geddes, A.}, title={{Snowball sampling}}, booktitle={SAGE Research Methods Foundations}, year={2019}, publisher={SAGE Publications}, doi={10.4135/9781526421036831710}}

@article{simons2017constraints, author={Simons, Daniel J. and Shoda, Yuichi and Lindsay, D. Stephen}, title={{Constraints on generality (COG): A proposed addition to all empirical papers}}, journal={Perspectives on Psychological Science}, year={2017}, volume={12}, number={6}, pages={1123--1128}, doi={10.1177/1745691617708630}}