Słownik metodologiczny · Dobór próby

Reprezentatywność próby

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

Strona główna / Słownik / Reprezentatywność próby

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Reprezentatywność próby?

Reprezentatywność oznacza adekwatne odzwierciedlenie populacji dla cech ważnych dla wniosku, wynikające z projektu i realizacji, nie tylko N.
Co odróżnia to pojęcie? Reprezentatywność jest zgodnością próby z populacją w cechach istotnych dla badanego parametru, wynikającą z projektu, pokrycia i odpowiedzi, a nie etykietą nadawaną po sprawdzeniu kilku procentów. Próba może odpowiadać populacji pod względem płci, a różnić się motywacją związaną z wynikiem. Uzasadnienie wymaga opisu ramy, mechanizmu braków i ewentualnego ważenia.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Oceniaj reprezentatywność względem konkretnej populacji i zmiennych, analizując pokrycie, dobór oraz brak odpowiedzi.

Reprezentatywność jest cechą odniesioną do konkretnej populacji i zestawu zmiennych, a nie ogólną etykietą próby. Oceniaj pokrycie ramy, prawdopodobieństwa wyboru, brak odpowiedzi i potrzebę wag; podobieństwo demograficzne nie gwarantuje braku selekcji względem badanego wyniku.

Jak poprawnie stosować i interpretować hasło „Reprezentatywność próby”?

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

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

Co trzeba opisać w raporcie?

Opis pojęcia „Reprezentatywność próby” powinien podać populację, kryteria włączenia, kanały rekrutacji, okres zbierania danych, liczebność na każdym etapie i uzasadnienie planowanego N. W odniesieniu do hasła „Reprezentatywność próby” należy wskazać odpływ, wyłączenia oraz sposób uwzględnienia schematu doboru. Przy ocenie hasła „Reprezentatywność próby” określenie „reprezentatywna” wymaga konkretnych dowodów, nie samej dużej liczby osób.

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

Przykład praktyczny i gotowa interpretacja

Sytuacja: Próba dobrze odtwarzała rozkład wieku i kierunku studiów, lecz zawierała głównie osoby o wysokiej aktywności internetowej. Zgodność kilku marginesów nie dowodzi reprezentatywności dla wszystkich cech.

Jak ją zinterpretować: Zgodność kilku cech demograficznych nie wystarcza, jeżeli mechanizm udziału wiąże się z wynikiem. Uzasadnienie reprezentatywności wymaga ramy doboru, informacji o odpowiedzi, ewentualnych wag i ograniczonego zakresu uogólnienia.

Najczęstsza pułapka i granica interpretacji

Reprezentatywność nie jest ogólną etykietą; trzeba wskazać populację, cechy i mechanizm doboru.

Duża „Reprezentatywność próby” zmniejsza część niepewności losowej, ale nie usuwa systematycznego obciążenia rekrutacji ani błędu pomiaru. W analizie dotyczącej hasła „Reprezentatywność próby” 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

Moc testuPlan SalomonaPodwójnie ślepa próbaPopulacjaPróbaPróba kwotowa

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