표본 오차는 표본 모집단의 특성과 일반 모집단의 특성간에 무작위로 보이는 차이입니다. 예를 들어, 월별 회의 참석률을 조사한 결과 평균 비율은 70 %입니다. 일부 회의의 참석은 다른 회의보다 확실히 낮을 것입니다. 샘플링 오류는 각 회의에 참석 한 사람 수를 계산할 수 있지만 한 회의의 참석 측면에서 실제로 발생하는 것은 기본 규칙이나 확률이 동일하더라도 다음 회의에서 발생하는 것과 동일하지 않다는 것입니다. 샘플링 오류를 최소화하는 열쇠는 여러 관측치와 더 큰 샘플입니다.
랜덤 샘플링을 통해 샘플 선택시 바이어스 가능성을 최소화합니다. 무작위 샘플링은 우연한 샘플링이 아니라 샘플을 선택하는 체계적인 접근 방식입니다. 예를 들어, 목록에서 이름을 선택하여 면담 할 청소년 범죄자의 무작위 표본이 생성됩니다. 이 목록을보기 전에, 연구원은 청소년 범죄자들이 그 목록에서 첫 번째, 10 번째, 20 번째, 30 번째, 40 번째 등의 이름을 가진 사람들로 면담 될 것을 식별합니다.
계층화 프로토콜을 구현하여 표본이 모집단을 대표하는지 확인하십시오. 예를 들어, 대학생의 음주 습관을 연구했다면 형제애와 비 사교계 학생들 사이에 차이가있을 수 있습니다. 처음에 샘플을이 두 개의 지층으로 나누면 샘플링 오류 가능성이 줄어 듭니다.
더 큰 샘플 크기를 사용하십시오. 크기가 커지면 표본이 실제 모집단에 가까워져 실제 모집단과의 편차 가능성이 줄어 듭니다. 예를 들어, 표본 10의 평균은 표본 100의 평균보다 더 다양합니다. 그러나 표본이 클수록 비용이 많이 듭니다.
동일한 측정을 반복적으로 수행하거나 둘 이상의 주제 또는 여러 그룹을 사용하거나 여러 연구를 수행하여 연구를 복제하십시오. 복제를 통해 샘플링 오류를 해결할 수 있습니다.