Co oznacza reprezentatywność próby?
Reprezentatywność próby opisuje, na ile wyniki uzyskane w próbie można przenieść na populację. Kruskal i Mosteller (1979) pokazali, że słowo „reprezentatywna” bywa używane w wielu znaczeniach — od ogólnej pochwały próby po ścisłe pojęcie statystyczne. Warto więc rozróżnić dwa sensy:
- Reprezentatywność w sensie statystycznym dotyczy procesu doboru. Każda jednostka populacji ma znane i niezerowe prawdopodobieństwo trafienia do próby (np. próba losowa), więc oszacowania są nieobciążone, a ich błąd da się policzyć.
- Reprezentatywność strukturalna oznacza, że struktura próby odpowiada strukturze populacji w wybranych cechach, np. płci, wieku czy miejscu zamieszkania. Tak działa próba kwotowa. Zgodność w tych cechach nie gwarantuje jednak zgodności w cechach, których nie kontrolowano.
Zawsze trzeba też dopowiedzieć, dla jakiej populacji i w jakich cechach próba jest reprezentatywna. Próba studentów jednej uczelni może dobrze reprezentować tę uczelnię, ale nie ogół studentów w Polsce.
Operat losowania — fundament reprezentatywności
Operat losowania to wykaz lub mechanizm, który pozwala zidentyfikować jednostki populacji i z nich losować: rejestr mieszkańców, listę studentów, kartotekę pacjentów przychodni, listę szkół czy adresów. Jakość operatu wyznacza górną granicę reprezentatywności. Losowanie z operatu daje próbę reprezentatywną dla tego operatu, a nie dla osób, których w nim nie ma.
Typowe problemy z operatem to:
- niedopokrycie — część populacji nie występuje w wykazie (np. osoby bez dostępu do internetu w panelu internetowym);
- nadpokrycie — w wykazie są jednostki spoza populacji (np. absolwenci na liście studentów);
- duplikaty i nieaktualne wpisy, które zmieniają prawdopodobieństwa wyboru.
W koncepcji całkowitego błędu badania sondażowego błąd pokrycia jest jednym z kilku źródeł błędu, obok błędu losowania, braku odpowiedzi, pomiaru i korekty (Groves i Lyberg, 2010). Losowanie z dobrego operatu eliminuje błąd doboru, ale niska stopa odpowiedzi może go wprowadzić z powrotem.
Dlaczego trzeba znać cechy populacji?
Znajomość struktury populacji, np. z danych spisowych, statystyki publicznej czy rejestrów, jest potrzebna na trzech etapach:
- Planowanie — by wyznaczyć warstwy lub kwoty (np. płeć × wiek × region).
- Ocena — by porównać strukturę zrealizowanej próby z populacją i wykryć, kogo jest za mało, a kogo za dużo.
- Korekta — by policzyć wagi, które przywracają populacyjną strukturę (poststratyfikacja, kalibracja).
Przykład z symulacji opisanej niżej: w jednej próbie wygodnej (ankieta internetowa, 1025 osób) młode kobiety stanowiły 26,1% badanych, choć w populacji jest ich 10,5%. Wagi poststratyfikacyjne to iloraz udziału w populacji i udziału w próbie. Odpowiedzi nadreprezentowanych grup ważą mniej niż 1, a niedoreprezentowanych — więcej niż 1.
| Komórka | Udział w populacji | Udział w próbie wygodnej | Waga poststratyfikacyjna |
|---|---|---|---|
| Kobiety, 18–29 lat | 10,5% | 26,1% | 0,40 |
| Kobiety, 30–49 lat | 18,7% | 22,2% | 0,84 |
| Kobiety, 50+ lat | 22,8% | 13,5% | 1,69 |
| Mężczyźni, 18–29 lat | 9,7% | 13,6% | 0,71 |
| Mężczyźni, 30–49 lat | 17,5% | 15,4% | 1,14 |
| Mężczyźni, 50+ lat | 21,0% | 9,2% | 2,29 |
Symulacja: co daje losowanie, a co ważenie?
W R utworzyłem populację 50 000 dorosłych o znanej strukturze płci i wieku. Badaną cechą była liczba godzin spędzanych tygodniowo w internecie, która zależy od wieku i płci. Prawdziwa średnia w populacji wynosi μ = 19,16 h. Następnie 1000 razy pobrałem próby liczące około 1000 osób według pięciu schematów.
| Schemat doboru | Średnia oszacowań | Obciążenie | Błąd średniokwadratowy (RMSE) |
|---|---|---|---|
| A. Losowanie proste z pełnego operatu | 19,16 | 0,00 | 0,27 |
| B. Dobór wygodny (ankieta internetowa) | 22,77 | +3,61 | 3,62 |
| C. Dobór wygodny + ważenie (płeć × wiek) | 19,16 | 0,00 | 0,22 |
| D. Dobór wygodny zależny też od badanej cechy | 27,11 | +7,95 | 7,95 |
| E. Jak D + ważenie (płeć × wiek) | 21,33 | +2,17 | 2,19 |
- Losowanie z pełnego operatu (A) daje oszacowania średnio równe prawdziwej wartości. 95% przedział ufności obejmował μ w 95,2% powtórzeń, czyli tak, jak powinien.
- Dobór wygodny (B) zawyża średnią o 3,61 h, bo do ankiety internetowej częściej trafiają młodsze osoby. Mimo 1000 badanych przedział ufności nie objął prawdziwej wartości ani razu (0,0%). Duża liczebność dała tylko precyzyjne oszacowanie błędnej wartości.
- Ważenie (C) usuwa ten błąd, bo udział w badaniu zależał wyłącznie od płci i wieku, a strukturę tych cech w populacji znamy.
- Gdy udział zależy także od samej badanej cechy (D) — osoby spędzające więcej czasu w sieci chętniej wypełniają ankietę internetową — obciążenie rośnie do 7,95 h. Ważenie (E) zmniejsza je tylko do 2,17 h, bo nie da się skorygować cechy, której struktury w populacji nie znamy.
Wniosek: ważenie działa tylko wtedy, gdy zmienne użyte do korekty wyjaśniają, kto trafia do próby. Tak samo opisują to Bethlehem (2010) dla badań internetowych i Mercer i in. (2017) dla prób nieprobabilistycznych.
Jak przybliżyć się do reprezentatywności? Krok po kroku
- Zdefiniuj populację docelową: kto, gdzie, kiedy, z jakimi kryteriami włączenia i wyłączenia.
- Znajdź lub zbuduj najlepszy dostępny operat i opisz, kogo pomija.
- Losuj — próbą prostą, warstwową (z warstwami według ważnych cech) lub wielostopniową (np. najpierw szkoły, potem klasy).
- Zaplanuj liczebność z zapasem na brak odpowiedzi i staraj się o wysoką stopę realizacji (przypomnienia, kilka kanałów kontaktu).
- Porównaj strukturę próby z populacją w cechach, które znasz z danych zewnętrznych.
- Zastosuj wagi (poststratyfikacja, kalibracja), jeśli struktura odbiega od populacji.
- Opisz ograniczenia: błąd pokrycia, brak odpowiedzi, niekontrolowane cechy.
Gdy losowanie jest niemożliwe, raport AAPOR zaleca jawny opis doboru, stosowanie kwot i korekt oraz ostrożność w uogólnianiu (Baker i in., 2013). Szczegółowe metody losowania opisuje Lohr (2021).
Reprezentatywność w badaniach psychologicznych
W psychologii większość badań prowadzi się na próbach dostępnych, najczęściej studentach. Henrich i in. (2010) zwrócili uwagę, że wiele wniosków o „ludzkiej psychice” opiera się na osobach z wąskiej grupy społeczeństw zachodnich, wykształconych, uprzemysłowionych, zamożnych i demokratycznych (WEIRD), które w wielu zadaniach odbiegają od reszty świata. To, czy reprezentatywność jest kluczowa, zależy od celu badania:
- szacowanie częstości lub średnich (np. odsetka osób z objawami depresji, norm testu) — reprezentatywność jest niezbędna;
- testowanie mechanizmów i efektów eksperymentalnych — próba dostępna bywa akceptowalna, ale uogólnienie wymaga replikacji w innych grupach.
Przykład w R
Kod tworzy populację, pobiera próby według pięciu schematów i liczy wagi poststratyfikacyjne. Wyniki poniżej to dokładny wydruk z R; liczby w tabelach pochodzą z tego uruchomienia.
Symulacja: losowanie, dobór wygodny i ważenie
R
set.seed(2026)
# Populacja: 50 000 dorosłych, płeć i wiek znane z danych referencyjnych
N <- 50000
plec <- sample(c("K", "M"), N, replace = TRUE, prob = c(.52, .48))
wiek <- sample(c("18-29", "30-49", "50+"), N, replace = TRUE, prob = c(.20, .36, .44))
srednia_wiek <- c("18-29" = 28, "30-49" = 20, "50+" = 12)
godziny <- pmax(0, srednia_wiek[wiek] + ifelse(plec == "K", 2, 0) + rnorm(N, 0, 6)) # godziny w internecie / tydzień
pop <- data.frame(plec, wiek, godziny)
pop$komorka <- paste(pop$plec, pop$wiek)
mu <- mean(pop$godziny)
udzialy_pop <- prop.table(table(pop$komorka))
n <- 1000
# Skłonność do udziału w ankiecie internetowej (dobór wygodny)
lp_b <- 1.4 * (pop$wiek == "18-29") + 0.7 * (pop$wiek == "30-49") + 0.4 * (pop$plec == "K")
lp_d <- lp_b + 0.06 * pop$godziny # dodatkowo zależy od samej badanej cechy
pi_b <- n * exp(lp_b) / sum(exp(lp_b))
pi_d <- n * exp(lp_d) / sum(exp(lp_d))
poststrat <- function(s) { # wagi poststratyfikacyjne: udział w populacji / udział w próbie
udz <- prop.table(table(s$komorka))
w <- as.numeric(udzialy_pop[s$komorka] / udz[s$komorka])
sum(w * s$godziny) / sum(w)
}
R <- 1000
pokrywa <- function(x) abs(mean(x) - mu) <= qt(.975, length(x) - 1) * sd(x) / sqrt(length(x))
wyniki <- t(replicate(R, {
srs <- pop[sample.int(N, n), ] # A: losowanie proste z pełnego operatu
sb <- pop[runif(N) < pi_b, ] # B: dobór wygodny (ankieta internetowa)
sd_ <- pop[runif(N) < pi_d, ] # D: dobór wygodny zależny też od badanej cechy
c(A = mean(srs$godziny), B = mean(sb$godziny), C = poststrat(sb), D = mean(sd_$godziny), E = poststrat(sd_),
pokrycie_A = pokrywa(srs$godziny), pokrycie_B = pokrywa(sb$godziny))
}))
res <- wyniki[, c("A", "B", "C", "D", "E")]
pokrycie <- colMeans(wyniki[, c("pokrycie_A", "pokrycie_B")])
podsum <- data.frame(schemat = colnames(res), srednia_oszacowan = colMeans(res), obciazenie = colMeans(res) - mu,
sd_oszacowan = apply(res, 2, sd), rmse = sqrt(colMeans((res - mu)^2)))
# Jedna przykładowa próba: struktura płeć × wiek w próbie wygodnej vs populacja
set.seed(11)
sb1 <- pop[runif(N) < pi_b, ]
struktura <- data.frame(komorka = names(udzialy_pop), populacja = as.numeric(udzialy_pop),
proba_wygodna = as.numeric(prop.table(table(factor(sb1$komorka, levels = names(udzialy_pop))))))
struktura$waga <- struktura$populacja / struktura$proba_wygodna
podsum_out <- capture.output(print(podsum, digits = 4, row.names = FALSE))
struktura_out <- capture.output(print(struktura, digits = 3, row.names = FALSE))
cat("mu =", mu, "\n"); cat(podsum_out, sep = "\n"); cat(struktura_out, sep = "\n"); print(pokrycie)Wynik w R
mu = 19.16081
schemat srednia_oszacowan obciazenie sd_oszacowan rmse
A 19.16 -0.0018561 0.2698 0.2697
B 22.77 3.6137708 0.2700 3.6238
C 19.16 -0.0001011 0.2231 0.2230
D 27.11 7.9507710 0.2493 7.9547
E 21.33 2.1686688 0.2787 2.1865
komorka populacja proba_wygodna waga
K 18-29 0.1046 0.2615 0.400
K 30-49 0.1866 0.2224 0.839
K 50+ 0.2277 0.1346 1.691
M 18-29 0.0966 0.1356 0.712
M 30-49 0.1750 0.1541 1.136
M 50+ 0.2096 0.0917 2.286
pokrycie_A pokrycie_B
0.952 0.000 Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Jak opisać reprezentatywność próby w pracy?
Najczęstsze błędy
- „Próba jest duża, więc reprezentatywna”. Liczebność zmniejsza błąd losowy, nie błąd doboru.
- „Struktura płci i wieku się zgadza, więc próba jest reprezentatywna”. Zgodność w kilku cechach nie gwarantuje zgodności w badanej cesze.
- Nazywanie próby internetowej lub studenckiej „reprezentatywną” bez wskazania populacji i operatu.
- Traktowanie ważenia jako lekarstwa na wszystko — wagi nie korygują samoselekcji związanej z badaną cechą.
- Pomijanie braku odpowiedzi — niska realizacja próby losowej może ją uczynić równie stronniczą jak dobór wygodny.
Najczęstsze pytania
Kiedy próba jest reprezentatywna?
W ścisłym sensie wtedy, gdy została wylosowana z operatu obejmującego całą populację, a każda jednostka miała znane, niezerowe prawdopodobieństwo wyboru i niewiele osób odmówiło udziału. W szerszym, potocznym sensie mówi się o reprezentatywności, gdy struktura próby odpowiada strukturze populacji w cechach ważnych dla badanego zjawiska.
Czy duża próba jest reprezentatywna?
Nie. Liczebność zmniejsza błąd losowy, ale nie usuwa błędu doboru. W symulacji na tej stronie dobór wygodny 1000 osób zawyżał średnią o kilka godzin, a 95% przedział ufności ani razu nie objął prawdziwej wartości.
Czy dobór kwotowy daje próbę reprezentatywną?
Dobór kwotowy zapewnia zgodność struktury próby w cechach objętych kwotami, ale nie gwarantuje reprezentatywności w innych cechach, bo wewnątrz kwot osoby nie są losowane. To dobra praktyka, gdy losowanie jest niemożliwe, ale wnioski trzeba formułować ostrożnie.
Co to jest operat losowania?
To wykaz lub mechanizm, który pozwala zidentyfikować jednostki populacji i z nich losować, np. rejestr mieszkańców, lista studentów, kartoteka pacjentów czy lista szkół. Jeśli operat pomija część populacji, nawet idealne losowanie daje próbę reprezentatywną tylko dla operatu, a nie dla całej populacji.
Czy w pracy magisterskiej próba musi być reprezentatywna?
Nie zawsze. W większości prac stosuje się dobór celowy lub dostępny, co jest akceptowalne, jeśli rzetelnie opiszesz populację, sposób rekrutacji i ograniczenia uogólniania. Reprezentatywność jest kluczowa, gdy celem jest oszacowanie częstości lub średniej w populacji, np. odsetka osób z objawami.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Rodzaje badań ankietowych — czym się różnią i kiedy je stosować?
Praktyczny podział według czasu, sposobu rekrutacji, kanału zbierania danych i celu wnioskowania, wraz z konsekwencjami dla analizy.
Czytaj →PoradnikDobór liczebności próby: moc, precyzja i uzasadnienie badania
Jak dobrać liczebność próby? Moc testu, precyzja, symulacja, przewidywane braki danych i zasady rzetelnego uzasadnienia liczby uczestników.
Czytaj →PoradnikJak opisać charakterystykę próby badawczej?
Co uwzględnić w tekście i tabeli, jak dobrać miary opisowe oraz jak nie ukryć problemów z selekcją i brakami danych.
Czytaj →PoradnikGdzie znaleźć respondentów do ankiety?
Uczelnia, grupy tematyczne, kula śnieżna, panele i wymiana ankiet – porównanie kanałów, wzór zaproszenia, liczba zaproszeń i opis próby w pracy.
Czytaj →PoradnikSyntetyczni respondenci (LLM) w badaniach
Co potrafią modele językowe odgrywające respondentów, gdzie zawodzą i do czego warto ich używać: dowody z badań, tabela „tak/nie” i wzór opisu w pracy.
Czytaj →PoradnikJak zrobić ankietę do pracy dyplomowej
12 kroków od hipotez do czystych danych: skale, pytania, zgoda, pilotaż, Google Forms czy LimeSurvey, książka kodów, harmonogram i lista kontrolna.
Czytaj →PoradnikJak napisać dyskusję wyników – wzory zdań
Osiem elementów dyskusji z gotowymi zdaniami: interpretacja, wyniki nieistotne, konkretne ograniczenia, granice uogólniania, implikacje i wnioski.
Czytaj →PoradnikPytania na obronie z metodologii i statystyki
38 pytań komisji o hipotezy, schemat, próbę, narzędzia, analizy i wyniki – z przykładowymi odpowiedziami, ściągą na jedną stronę i planem przygotowania.
Czytaj →PoradnikStatystyka w pracy z socjologii
Sondaż, tabele krzyżowe z resztami, ważenie próby, regresja logistyczna z AME i skale postaw: plan analiz, APA, dane XLSX i kod R.
Czytaj →PoradnikStatystyka w pracy ze zdrowia publicznego
Chorobowość z CI, iloraz szans a iloraz chorobowości, standaryzacja względem wieku, ważenie próby i trend z rejestrów: analizy, APA i kod R.
Czytaj →PoradnikTriangulacja w badaniach
Rodzaje triangulacji, triangulacja ilościowa, macierz zbieżności, co zrobić z rozbieżnymi wynikami i jak opisać triangulację w artykule i rozprawie.
Czytaj →PoradnikAnkiety i eksperymenty – przewodnik
Osiem etapów od pytania badawczego do analizy: pytania i kafeterie, manipulacja i randomizacja, etyka, pilotaż, rekrutacja i czyszczenie danych.
Czytaj →PoradnikWnioski i rekomendacje – jak napisać
Od wyniku do wniosku i rekomendacji: tabela śledzenia wniosków, siła zaleceń zależna od schematu badania, przykłady przesady i wzory zdań.
Czytaj →PoradnikIle osób do ankiety w pracy licencjackiej?
Liczebność w trzech krokach, zapas na odrzucone ankiety, pułapka nierównych grup i analiza wrażliwości, gdy ankiet jest za mało.
Czytaj →PoradnikIle wywiadów przeprowadzić?
Nasycenie kodów i znaczeń, moc informacyjna, krytyka nasycenia i wzór uzasadnienia liczby wywiadów, z symulacją krzywej nowych kodów w R.
Czytaj →PoradnikWażenie danych sondażowych krok po kroku
Wagi schematu, korekta braku odpowiedzi, raking w R, przycinanie wag, efektywna liczebność Kisha, błąd standardowy i wzór opisu.
Czytaj →PoradnikStatystyka w pracy z marketingu
Skala postaw wobec marki, NPS z przedziałem ufności, test A/B, intencja zakupu, mediacja i segmentacja: testy, zdania APA, dane XLSX i kod R.
Czytaj →PoradnikStatystyka w pracy z turystyki i rekreacji
Satysfakcja turystów, IPA, segmentacja motywów, regresja wydatków, NPS z przedziałem ufności i sezonowość: zdania APA i kod R.
Czytaj →PoradnikDobór próby w pracy dyplomowej
Metody losowe i nielosowe, co wolno wnioskować z próby wygodnej, symulacja w R, kryteria włączenia i gotowy opis doboru do rozdziału metodologicznego.
Czytaj →PoradnikMetodologia Q krok po kroku
Concourse, Q-set i rozkład wymuszony, analiza czynnikowa osób, osoby definiujące, z-score'y, tablica czynnikowa i interpretacja – z przykładem w R.
Czytaj →PoradnikBłąd selekcji i zmienna zderzeniowa w praktyce
Ochotnicy online, rezygnacje i biobanki: symulacje w R, korekta wagami IPW i sytuacje, w których żadna korekta nie wystarczy.
Czytaj →PoradnikCałkowity błąd badania sondażowego (TSE)
Pokrycie, brak odpowiedzi, pomiar i ważenie w jednym rachunku MSE: symulacja czterech planów za ten sam budżet i opis ograniczeń.
Czytaj →PoradnikRecenzja pracy magisterskiej: część badawcza
Co recenzent sprawdza w części empirycznej: tabela kryteriów, 12 przykładowych uwag z odpowiedziami na obronę i lista kontrolna przed złożeniem pracy.
Czytaj →PoradnikChi-kwadrat i tabele krzyżowe – zadania z rozwiązaniami
Dziesięć zadań z testu χ²: zgodność, tabele krzyżowe, reszty skorygowane, φ i V, Yates, małe liczności, test trendu i paradoks Simpsona – krok po kroku.
Czytaj →PoradnikJak napisać pracę z socjologii
Pytanie o zjawisko, koncept–wymiar–wskaźnik, populacja i operat, próba z internetu, wagi, dane wtórne i gotowe fragmenty pracy – na przykładzie zaufania i aktywności sąsiedzkiej.
Czytaj →PoradnikJęzyk pracy naukowej
Ponad 40 zamienników dla „wpływa”, „udowodniono”, „tendencja do istotności” i „brak różnic” oraz forma osobowa, czasy, skróty i nazwy zmiennych.
Czytaj →PoradnikTytuł pracy dyplomowej
Z czego złożyć tytuł, kiedy wolno napisać „wpływ” i „skuteczność”, czternaście par „jak bywa → lepiej” i zmiana tytułu w trakcie pisania.
Czytaj →PoradnikBadanie na studentach i ankieta na zajęciach
Co wolno wnioskować z próby studenckiej, wąski zakres zmiennych, grupy ćwiczeniowe jako skupienia, symulacje w R i zdania do Metody.
Czytaj →PoradnikDobór nielosowy w obrazkach
Próba wygodna, celowa, kwotowa, kula śnieżna i samoselekcja na mapie fikcyjnej uczelni oraz 1000 badań każdym sposobem – sześć rysunków z R.
Czytaj →PoradnikPróba reprezentatywna w obrazkach
Mapa odmów na fikcyjnej uczelni, struktura próby a wynik, 1000 badań przed ważeniem i po nim, raking i koszt wag – pięć rysunków z kodem R.
Czytaj →PoradnikNieuważne odpowiedzi w ankietach online
Jak wykryć straightlining, losowe klikanie i speeding: longstring, IRV, D² Mahalanobisa i pytania kontrolne w R, reguła wykluczeń i opis w APA.
Czytaj →PoradnikRozdział metodologiczny – jak go napisać
Co napisać w każdym podrozdziale metody: hipotezy, zmienne, próba, narzędzia, procedura, etyka i plan analiz – z wzorami zdań i listą JARS.
Czytaj →PoradnikDeklaracja zakupu a faktyczny zakup
Catering dietetyczny: top-2-box, wykres kalibracji, konwersje deklaracji w segmentach i prognoza sprzedaży z bootstrapem – pięć rysunków z kodem R.
Czytaj →PoradnikPanel internetowy a próba losowa
Sieć ładowarek: panel 20.8%, prawda 12.8%. Raking, kalibracja do próby losowej, efektywna liczebność i 1000 badań – z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., & Tourangeau, R. (2013). Summary report of the AAPOR Task Force on Non-probability Sampling. Journal of Survey Statistics and Methodology, 1(2), 90–143. https://doi.org/10.1093/jssam/smt008
- Bethlehem, J. (2010). Selection bias in web surveys. International Statistical Review, 78(2), 161–188. https://doi.org/10.1111/j.1751-5823.2010.00112.x
- Groves, R. M., & Lyberg, L. (2010). Total survey error: Past, present, and future. Public Opinion Quarterly, 74(5), 849–879. https://doi.org/10.1093/poq/nfq065
- Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83. https://doi.org/10.1017/S0140525X0999152X
- Kruskal, W., & Mosteller, F. (1979). Representative sampling, I: Non-scientific literature. International Statistical Review, 47(1), 13–24. https://doi.org/10.2307/1403202
- Lohr, S. L. (2021). Sampling: Design and analysis (3rd ed.). CRC Press. https://doi.org/10.1201/9780429298899
- Mercer, A. W., Kreuter, F., Keeter, S., & Stuart, E. A. (2017). Theory and practice in nonprobability surveys: Parallels between causal inference and survey inference. Public Opinion Quarterly, 81(S1), 250–271. https://doi.org/10.1093/poq/nfw060
Cytowania BibTeX
@article{baker2013summary, author={Baker, Reg and Brick, J. Michael and Bates, Nancy A. and Battaglia, Mike and Couper, Mick P. and Dever, Jill A. and Gile, Krista J. and Tourangeau, Roger}, 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{groves2010total, author={Groves, Robert M. and Lyberg, Lars}, title={Total survey error: Past, present, and future}, journal={Public Opinion Quarterly}, year={2010}, volume={74}, number={5}, pages={849--879}, doi={10.1093/poq/nfq065}}@article{henrich2010weirdest, author={Henrich, Joseph and Heine, Steven J. and Norenzayan, Ara}, title={The weirdest people in the world?}, journal={Behavioral and Brain Sciences}, year={2010}, volume={33}, number={2--3}, pages={61--83}, doi={10.1017/S0140525X0999152X}}@article{kruskal1979representative, author={Kruskal, William and Mosteller, Frederick}, title={Representative sampling, {I}: Non-scientific literature}, journal={International Statistical Review}, year={1979}, volume={47}, number={1}, pages={13--24}, doi={10.2307/1403202}}@book{lohr2021sampling, author={Lohr, Sharon L.}, title={Sampling: Design and Analysis}, edition={3}, publisher={CRC Press}, year={2021}, doi={10.1201/9780429298899}}@article{mercer2017theory, author={Mercer, Andrew W. and Kreuter, Frauke and Keeter, Scott and Stuart, Elizabeth A.}, title={Theory and practice in nonprobability surveys: Parallels between causal inference and survey inference}, journal={Public Opinion Quarterly}, year={2017}, volume={81}, number={S1}, pages={250--271}, doi={10.1093/poq/nfw060}}