Słownik metodologiczny · Dobór próby

Próba losowa

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Próba losowa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Próba losowa?

Próba losowa powstaje, gdy jednostki mają znane dodatnie prawdopodobieństwo wyboru.
Co odróżnia to pojęcie? Próba losowa powstaje z mechanizmu, w którym znane są prawdopodobieństwa włączenia jednostek z ramy doboru. Umożliwia projektowe oszacowanie niepewności i stosowanie wag, ale wymaga zachowania informacji o warstwach oraz klastrach. Losowanie z listy nie naprawia niepełnej listy. Trzeba odróżnić losowy dobór do próby od randomizacji uczestników do warunków.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Wykorzystuj losowanie ze znanymi prawdopodobieństwami włączenia i zachowaj informacje o warstwach, klastrach oraz wagach.

W próbie losowej każda jednostka ma znane, dodatnie prawdopodobieństwo wyboru wynikające z planu losowania. Raport powinien wskazać ramę, warstwowanie lub klastry, wagi oraz brak odpowiedzi; analiza nieuwzględniająca planu może zaniżyć błędy standardowe.

Jak poprawnie stosować i interpretować hasło „Próba losowa”?

Przy ocenie pojęcia „Próba losowa” trzeba odróżnić populację docelową, ramę doboru i osoby faktycznie przeanalizowane. W analizie dotyczącej hasła „Próba losowa” wielkość próby jest tylko jednym elementem jakości: sposób rekrutacji wyznacza ryzyko selekcji i zakres uogólnienia. Dla interpretacji hasła „Próba losowa” plan liczebności powinien wynikać z głównego parametru, wymaganej precyzji albo mocy dla najmniejszego ważnego efektu, a także uwzględniać odpływ i strukturę klastrów.

Ocena pojęcia „Próba losowa” obejmuje pokrycie populacji, odsetek odpowiedzi, różnice między uczestnikami i osobami utraconymi oraz zgodność liczebności z planem. W odniesieniu do hasła „Próba losowa” wagi mogą korygować znane różnice, lecz nie usuwają automatycznie selekcji według cech niezmierzonych. Przy ocenie hasła „Próba losowa” dla doboru złożonego analiza musi zachować informację o warstwach, klastrach i prawdopodobieństwach włączenia.

Co trzeba opisać w raporcie?

Opis pojęcia „Próba losowa” powinien podać populację, kryteria włączenia, kanały rekrutacji, okres zbierania danych, liczebność na każdym etapie i uzasadnienie planowanego N. W analizie dotyczącej hasła „Próba losowa” należy wskazać odpływ, wyłączenia oraz sposób uwzględnienia schematu doboru. Dla interpretacji hasła „Próba losowa” określenie „reprezentatywna” wymaga konkretnych dowodów, nie samej dużej liczby osób.

Zakres raportowania dla hasła „Próba losowa”: Podaj miejsce, czas, kryteria, sposób rekrutacji, przepływ i ograniczenia uogólnienia.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Z rejestru 12 400 studentów wylosowano 800 identyfikatorów z jednakowym prawdopodobieństwem. Brak odpowiedzi części wylosowanych osób nadal wymaga oceny.

Jak ją zinterpretować: Znane prawdopodobieństwo wyboru umożliwia projektowe oszacowanie niepewności, jeżeli zachowano informacje o losowaniu. Braki odpowiedzi i niepełna lista mogą jednak ponownie wprowadzić selekcję.

Najczęstsza pułapka i granica interpretacji

Losowanie z niepełnej ramy nie obejmuje osób nieobecnych w rejestrze, a brak odpowiedzi może zepsuć początkowy dobór.

Duża „Próba losowa” zmniejsza część niepewności losowej, ale nie usuwa systematycznego obciążenia rekrutacji ani błędu pomiaru. W odniesieniu do hasła „Próba losowa” uogólnienie jest uzasadnione przez projekt doboru, a nie przez samą liczebność.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2022).

Powiązane hasła

Podwójnie ślepa próbaPróbaPróba kwotowaMoc testuPlan SalomonaPopulacja

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  2. Maxwell, S. E., Kelley, K., & Rausch, J. R. (2008). Sample size planning for statistical power and accuracy in parameter estimation. Annual Review of Psychology, 59, 537–563. https://doi.org/10.1146/annurev.psych.59.103006.093735
  3. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  4. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  5. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  6. Altman, D. G. (2015). Making research articles fit for purpose: Structured reporting of key methods and findings. Trials, 16, 53. https://doi.org/10.1186/s13063-015-0575-7

Cytowania BibTeX

@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{maxwell2008samplesize, author={Maxwell, Scott E. and Kelley, Ken and Rausch, Joseph R.}, title={Sample size planning for statistical power and accuracy in parameter estimation}, journal={Annual Review of Psychology}, year={2008}, volume={59}, pages={537--563}, doi={10.1146/annurev.psych.59.103006.093735}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}
R