ΔΕΙΓΜΑ & ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΣΤΗΝ ΕΡΕΥΝΑ

ΤΕΧΝΙΚΕΣ ΕΡΕΥΝΑΣ (# 252) Ε ΕΞΑΜΗΝΟ 7 η ΕΙΣΗΓΗΣΗ ΣΗΜΕΙΩΣΕΙΣ ΔΕΙΓΜΑ & ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΣΤΗΝ ΕΡΕΥΝΑ Για να απαντήσουμε σε μία ερευνητική υπόθεση θα πρέπει να έχουμε χρησιμοποιήσει επιστημονικούς μεθόδους τεκμηρίωσης, που στις περιπτώσεις που έχουμε μαζικά δεδομένα είναι μέθοδοι κυρίως στατιστικοί. Μ άλλα λόγια θα μπορούσαμε να πούμε γενικώς ότι η Στατιστική είναι ένας μηχανισμός που από τα δεδομένα παράγει πληροφόρηση. Μπορούμε δε να κατανοήσουμε ότι η πληροφόρηση ή τα στατιστικά αποτελέσματα είναι το ζητούμενο, ήτοι αυτό που η υποθέσεις μας ζητούν. Γεννούνται όμως απορίες σχετικά με τα δεδομένα: Από πού προέρχονται; Πως μαζεύονται; Πως εξασφαλίζεται η ορθότητα τους; Αντιπροσωπεύουν τον πληθυσμό από τον οποίο επιλέχθηκαν; Υπάρχουν πολλοί μέθοδοι που χρησιμοποιούνται για την συλλογή ή την επίτευξη δεδομένων για στατιστικές αναλύσεις. Υπενθυμίζουμε τις τρεις που μνημονεύσαμε σε προηγούμενα κεφάλαια: Άμεση παρατήρηση, Πειράματα, και Δειγματοληψίες. Να θυμηθούμε ότι η επαγωγική στατιστική μας επιτρέπει να βγάλουμε συμπεράσματα σχετικά με τον πληθυσμό βασισμένοι στο δείγμα. Στο κεφάλαιο αυτό λοιπόν, θα αναφερθούμε για τη δειγματοληψία, η οποία θα μπορούσε να οριστεί ως ακολούθως: Η συστηματική διαδικασία με την οποία από τον πληθυσμό επιλέγουμε ένα δείγμα ή η διαδικασία με την οποία επιλέγονται ορισμένα άτομα από έναν συγκεκριμένο πληθυσμό ως αντιπρόσωποι του συνολικού πληθυσμού. Αυτομάτως θα πρέπει να ορίσουμε και τι σημαίνει δείγμα και πληθυσμός. Ήτοι πληθυσμός είναι το ευρύτερο σύνολο, στο οποίο και ενδιαφερόμαστε να γενικεύσουμε τα ευρήματα της έρευνας, ενώ δείγμα είναι το υποσύνολο του

πληθυσμού, το οποίο μελετάμε στην πράξη και με βάση το οποίο θα διατυπώσουμε συμπεράσματα για τον πληθυσμό. Ένα δείγμα είναι πρέπει να είναι μια μικρογραφία του πληθυσμού. Δηλαδή ένα δείγμα να είναι αντιπροσωπευτικό ενός ερευνητικού πληθυσμού. Αυτό γίνεται όταν τα σχετικά, με το υπό έρευνα θέμα, κρίσιμα χαρακτηριστικά (ή ιδιότητες) είναι ίδια και στον πληθυσμό και στο δείγμα. Μία δειγματοληψία αναζητά πληροφόρηση από ανθρώπους, π.χ.: σφυγμομέτρηση, προεκλογική σφυγμομέτρηση, έρευνες αγοράς. Ο σκοπός του σχεδιασμού της δειγματοληψίας είναι να εξασφαλίσει ότι τα στοιχεία που αναλύονται παρέχουν την βέλτιστη πληροφορία που απαιτείται για τον πληθυσμό που μελετάται, στο χαμηλότερο δυνατό κόστος. Η δειγματοληψία λοιπόν (η επιλογή ενός υποσυνόλου του πληθυσμού), γίνεται συχνά για λόγους κόστους. Είναι προφανές ότι π.χ. κοστίζει λιγότερο να κάνεις δειγματοληψία με 1,000 τηλεθεατές από ότι με 100 εκατομμύρια τηλεθεατές. Αλλά γίνεται επίσης και για λόγους πρακτικούς, όπως για παράδειγμα ο περιορισμένος χρόνος ή η αδυναμία πρόσβασης σ όλα τα μέρη που απαιτεί η έρευνα να ελέγξουμε. Ένας επιπλέον παράγοντας που συνηγορεί για την χρήση της δειγματοληψίας και σε συνδυασμό με τους δύο προηγούμενους παράγοντες είναι η σχετικώς επαρκή ακρίβεια των αποτελεσμάτων. Η επάρκεια συνίσταται στο ότι εκτός του σχετικά μικρού σφάλματος που προκύπτει κυρίως όταν πρόκειται για αντιπροσωπευτικό δείγμα, έχουμε και το επιπλέον πλεονέκτημα της εκτίμησής του. Τέλος μας δίνεται η δυνατότητα να κάνουμε χρήση πολύπλοκων εργαλείων, όπως ειδικά tests ή εργαστηριακές εξετάσεις που όταν πραγματοποιούνται σε δείγματα είναι εφικτά. Τύποι δειγματοληψίας Με βάση την λογική ότι μπορούμε να εκτιμήσουμε τα δειγματοληπτικά σφάλματα, οι δειγματοληψίες ομαδοποιήθηκαν σε δύο κατηγορίες. Σ εκείνες που έχουμε γνωστή την πιθανότητα επιλογής (probability sampling) και στις άλλες που

έχουμε άγνωστη πιθανότητα επιλογής (non-probability sampling). Η διαφορά τους έγκειται ότι στην πρώτη περίπτωση επιλέγονται τα άτομα κάνοντας χρήση την «τυχαιοποίηση» ενώ στην δεύτερη όχι. Με άγνωστη πιθανότητα επιλογής (non-probability sampling) Σε αυτόν τον τύπο τεχνικών δειγματοληψίας: - Δεν είναι δυνατός ο προσδιορισμός της πιθανότητας επιλογής του κάθε μέλους του πληθυσμού στο δείγμα. - Δεν διασφαλίζεται η δυνατότητα επιλογής σε κάθε μέλος του δείγματος. - Ευκαιριακά ή υποκειμενικά τα κριτήρια επιλογής. Συχνά δεν υπάρχουν ούτε ο απαιτούμενος αριθμός των μελών του πληθυσμού, ούτε η προθυμία των μελών του δείγματος να συμμετάσχουν στην έρευνα και η επιλογή ενός τυχαίου δείγματος από τον πληθυσμό είναι υπερβολικά δαπανηρή και χρονοβόρα. Σε πολλές περιπτώσεις η επιλογή δείγματος γίνεται με κριτήριο την άμεση διαθεσιμότητά τους στον ερευνητή και την προθυμία τους να συμμετάσχουν. Καθώς η δειγματοληψία σε αυτή την περίπτωση δεν βασίζεται στην «τυχαιότητα», δεν μπορούμε να είμαστε βέβαιοι με βάση τη θεωρία των πιθανοτήτων- ότι τα δείγματα έχουν τα ίδια χαρακτηριστικά με αυτά του πληθυσμού, ότι δηλαδή είναι αντιπροσωπευτικά. Για το λόγο αυτό τα δείγματα που συλλέγονται με αυτό τον τρόπο θεωρούνται κατά μία έννοια μεροληπτικά. Μεροληπτικά για παράδειγμα είναι τα δείγματα όπου γονείς φέρνουν τα παιδιά τους να συμμετάσχουν σε έρευνες. Αυτό θεωρητικά συνίσταται στην αδυναμία υπολογισμού του τυχαίου σφάλματος και στην πιθανότητα συστηματικού σφάλματος. Συνέπεια της χρήσης μεροληπτικού δείγματος είναι η μείωση της εξωτερικής εγκυρότητας της έρευνας και ο περιορισμός της δυνατότητας γενίκευσης των αποτελεσμάτων. Ωστόσο, η χρησιμοποίηση μη τυχαίων δειγμάτων πολλές φορές επιβάλλεται για πρακτικούς λόγους, συνήθως γιατί δεν υπάρχει πρόσβαση σε αντιπροσωπευτικότερο δείγμα. Για παράδειγμα, μία έρευνα που επικεντρώνεται στη μελέτη νεογνών, μπορεί να συμπεριλάβει μόνο νεογνά των οποίων οι γονείς θα δεχθούν να λάβουν μέρος στην έρευνα.

Όπως γίνεται κατανοητό απαιτείται μεγάλη εμπειρία και επανειλημμένη εφαρμογή. Δειγματοληψία ευκολίας (convenience sampling): Συμμετέχουν σε αυτό όσοι είναι άμεσα προσβάσιμοι και πρόθυμοι να συμμετάσχουν. Δειγματοληψία χιονοστιβάδας (snowball sampling): Αυτή η τεχνική είναι ιδιαίτερα χρήσιμη για τη μελέτη περιθωριοποιημένων ομάδων, ή ομάδων στις οποίες υπάρχει δυσκολία πρόσβασης. Σε αυτή την περίπτωση εντοπίζονται αρχικά όσο το δυνατόν περισσότερα μέλη της ομάδας αυτής, τα οποία δέχονται να λάβουν μέρος στην έρευνα. Στη συνέχεια, τα άτομα αυτά έρχονται σε επαφή με άλλα άτομα της ομάδας και τα οποία «στρατολογούν» στην έρευνα. Δειγματοληψία σκοπιμότητας (purposive sampling): Επιλέγονται άτομα με υποκειμενικά «κριτήρια». Συνήθως επιθυμούμε να έχουμε μια εκ προτέρων καθορισμένη ομάδα. Δειγματοληψία αναλογίας (quota sampling): Αντανακλά δημογραφικά με τον πληθυσμό. Ο ερευνητής κάνει κάποιες αυθαίρετες υποθέσεις σχετικά με την κατανομή των χαρακτηριστικών που τον ενδιαφέρουν στον πληθυσμό. Στη συνέχεια συλλέγει ένα δείγμα το οποίο θα αντιπροσωπεύει τα χαρακτηριστικά αυτά είτε δια των προαποφασισμένων από τον ερευνητή αναλογιών είτε δια ενός ελαχίστου αριθμού ατόμων από την κάθε μία υπο-ομάδα. Δειγματοληψία με γνωστή πιθανότητα επιλογής Είδαμε προηγουμένως ότι η διαφορά αυτών των μεθόδων με τις αντίστοιχες της «δειγματοληψίας με άγνωστη πιθανότητα επιλογής» είναι η «τυχαιοποίηση» ή πιο απλά το «τυχαίο δείγμα». Προσοχή εδώ διότι «επιλέγω με τυχαία δειγματοληψία» δεν σημαίνει επιλογή κατά τύχη. Η επιλογή «με τυχαία δειγματοληψία» σημαίνει ότι πρόκειται για ενεργητική (και συχνά επίπονη) διαδικασία με την οποία επιδιώκεται να εξασφαλιστεί ότι όλα τα άτομα του πληθυσμού έχουν καθορισμένη πιθανότητα επιλογής στο δείγμα.

Θα επικεντρώσουμε την προσοχή μας σε τέσσερεις μεθόδους, που είναι: Απλή Τυχαία Δειγματοληψία, Συστηματική Δειγματοληψία Στρωματοποιημένη Τυχαία δειγματοληψία, και Κατά Συστοιχίες Δειγματοληψία Απλή Τυχαία Δειγματοληψία Ένα απλό τυχαίο δείγμα είναι ένα δείγμα επιλεγμένο με τέτοιο τρόπο ώστε κάθε δυνατό δείγμα του ιδίου μεγέθους έχει την ίδια πιθανότητα να επιλεγεί. Για παράδειγμα το να επιλέξουμε τρία ονόματα από ένα καπέλο που περιέχει όλα τα ονόματα των φοιτητών της τάξης είναι ένα παράδειγμα απλού τυχαίου δείγματος: κάθε ομάδα τριών ατόμων έχει την ίδια πιθανότητα να επιλεγεί όπως και κάθε ομάδα τριών ατόμων. Η διαδικασία είναι η εξής: α. Λήψη πλήρους καταλόγου των μονάδων (ατόμων) του πληθυσμού από τον οποίο θα γίνει δειγματοληψία. Η πράξη αυτή ονομάζεται δειγματοληπτικό πλαίσιο β. Αρίθμηση των μονάδων του πληθυσμού γ. Επιλογή δείγματος μονάδων με τυχαιοποιημένο τρόπο (π.χ. με τη χρήση των τυχαίων αριθμών). Παράδειγμα: Έστω ότι θέλουμε να εξετάσουμε την παχυσαρκία σ ένα σχολείο. Η διαδικασία της «απλής τυχαίας δειγματοληψίας» έχει ως ακολούθως: α. Λήψη του καταλόγου των μαθητών του σχολείου β. Αρίθμηση των παιδιών (έστω 1050) γ. Καθορισμός του μεγέθους του δείγματος (έστω 200 παιδιά) δ. Τυχαία δειγματοληψία 200 παιδιών από το σύνολο των 1050. Έτσι δημιουργήθηκε το δείγμα. Η μεθοδολογία αυτή καταλαβαίνουμε ότι έχει το πλεονέκτημα της απλότητας. Επιπλέον καθίσταται εύκολη η μέτρηση του δειγματοληπτικού σφάλματος και των ορίων αξιοπιστίας του. Αντιθέτως τα μειονεκτήματα της μεθόδου αυτής είναι ότι μπορεί να μην έχουμε καλή αντιπροσώπευση, από παραξενιά της τύχης (π.χ. να επιλεγούν από σύμπτωση υπέρβαρα παιδιά). Επίσης για μεγάλους πληθυσμούς

δύσκολο είναι να εξασφαλίσουμε τον πλήρη κατάλογο και τέλος τίθεται και θέμα κόστους και πρακτικών προβλημάτων όταν τα άτομα βρίσκονται σε μεγάλες (γεωγραφικά) αποστάσεις. Συστηματική Δειγματοληψία Πρόκειται για επιλογή του δείγματος με βάση κάποιον απλό, συστηματικό κανόνα. Διαδικασία: (α) Ορισμός του τρόπου καθορισμού του συνόλου του πληθυσμού δειγματοληψίας, (β) Υπολογισμός του δειγματοληπτικού κλάσματος, (γ) Επιλογή της πρώτης μονάδας (ατόμου) που θα μπει στο δείγμα (με τυχαίο τρόπο), (δ) Καθορισμός του κανόνα επιλογής (π.χ. σειρά επιλογής). Παράδειγμα: Θέλουμε να εκτιμήσουμε την γνώση της αγγλικής γλώσσας (επιπέδου Cambridge) στους πρωτοετείς φοιτητές του ΤΕΦΑΑ. α. Ορισμός πληθυσμού δείγματος (π.χ εισήχθησαν 320 φοιτητές κατά το τρέχον ακαδημαϊκού έτος) β. Καθορισμός του δείγματος π.χ. 40 άτομα γ. Υπολογισμός δειγματικού κλάσματος (320/40=8) δ. Επιλογή του πρώτου φοιτητή που θα συμμετέχει στο δείγμα από το 1 έως το 8 (π.χ. το τέταρτο) ε. Στο εξής κάθε 8 ος φοιτητής από τον πρώτο επιλεγέντα (π.χ ο 4 ος ) θα συμμετέχει στο δείγμα. Δηλαδή στο δείγμα θα συμμετέχουν οι π.χ. 4ος, 12ος, 20ος, 28ος, 36ος, 44ος, κλπ. Έτσι δημιουργείται το δείγμα. Η μεθοδολογία αυτή διατηρεί το πλεονέκτημα της απλότητας και της ευκολίας της μέτρησης του δειγματοληπτικού σφάλματος και των ορίων αξιοπιστίας του. Επιπλέον υπερέχει διότι δεν απαιτείται η κατοχή του πλήρους καταλόγου των ατόμων του πληθυσμού. Όμως διατηρεί το μειονέκτημα ότι μπορεί να μην έχουμε καλή αντιπροσώπευση, αναλόγως της ακολουθίας των ατόμων και από παραξενιά της τύχης. Επίσης, συνεχίζει να υπάρχει το μειονέκτημα του κόστους και των πρακτικών προβλημάτων όταν τα άτομα βρίσκονται σε μεγάλες (γεωγραφικά) αποστάσεις. Στρωματοποιημένη Τυχαία δειγματοληψία

Ένα στρωματοποιημένο τυχαίο δείγμα πετυχαίνεται αν χωρίσουμε τον πληθυσμό σε αμοιβαία αποκλειόμενα σύνολα ή στρώματα, και μετά επιλέγουμε απλά τυχαία δείγματα από κάθε στρώμα. Δηλαδή, αφού στρωματοποιήσουμε τον πληθυσμό, μπορούμε να χρησιμοποιήσουμε απλή τυχαία δειγματοληψία για να παράγουμε το πλήρες δείγμα. Διαδικασία: (α) Χωρισμός του πληθυσμού σε «στρώματα», στα οποία να υπάρχει εσωτερική ομοιογένεια εντός των «στρωμάτων» αλλά ετερογενή μεταξύ τους, (β) Λήψη τυχαίου δείγματος μονάδων σε κάθε «στρώμα», (γ) Ενοποίηση όλων των επιμέρους δειγμάτων, που προέρχονται από κάθε «στρώμα». Παράδειγμα: Θέλουμε να εκτιμήσουμε το πρόβλημα της παχυσαρκίας σε παιδιά της α Δημοτικού, της Ελλάδας α. Χωρισμός του πληθυσμού σε περιφέρειες της χώρας (Ήπειρος, Μακεδονία, Στερεά, Πελοπόννησος, κλπ) β. Επιλογή από κάθε περιφέρεια αριθμού παιδιών, με τυχαία δειγματοληψία, με αναλογία ανά περιφέρεια όση και η αναλογία τους στο σύνολο του πληθυσμού. Δηλαδή αν στην Ήπειρο έχουμε το 12% των παιδιών της α Δημοτικού σε σχέση μ όλη την Επικράτεια και αποφασίσαμε ότι μας χρειάζονται 1000 παιδιά ως δείγμα, τότε τα 120 παιδιά θα επιλεγούν από την Ήπειρο με τυχαία δειγματοληψία. γ. Συνένωση όλων των επιλεγμένων από τις περιφέρειες παιδιών σ ένα δείγμα. Η μεθοδολογία αυτή διαθέτει μεγαλύτερη ακρίβεια εκτιμήσεων διότι όσο περισσότερη ομοιογένεια εντός των «στρωμάτων» έχουμε και μεγαλύτερη ετερογένεια μεταξύ τους, τόσο μικρότερο πειραματικό σφάλμα έχουμε και στενότερα όρια αξιοπιστίας. Επίσης παρουσιάζει το πλεονέκτημα της εκπροσώπησης όλων των «στρωμάτων», καθώς και ότι διαθέτουμε εκτιμήσεις για κάθε «στρώμα». Όμως είναι πιο πολύπλοκη η υπολογιστική διαδικασία του δειγματικού σφάλματος και των περιθωρίων αξιοπιστίας (εμπιστοσύνης). Τέλος παρουσιάζει μια αδυναμία στην εκτίμηση των παραμέτρων όταν διαθέτουμε μικρό αριθμό ατόμων σε κάποιο «στρώμα» Κατά Συστοιχίες Δειγματοληψία (κατά συστάδες)

Μία κατά συστοιχίες δειγματοληψία είναι ένα απλό τυχαίο δείγμα ομάδων ή συστοιχιών, ενώ στην απλή τυχαία δειγματοληψία έχουμε μεμονωμένα άτομα. Αυτή η μέθοδος είναι χρήσιμη όταν είναι δύσκολο ή κοστίζει να έχουμε μία πλήρη λίστα των μελών του πληθυσμού ή όταν τα στοιχεία του πληθυσμού είναι ευρέως διάσπαρτα γεωγραφικός. Διαδικασία: (α) Ταξινόμηση του πληθυσμού σε συστάδες (ομάδες) από μονάδες (άτομα), (β) Λήψη τυχαίου δείγματος συστάδων, (γ) Συμμετέχουν στο δείγμα το σύνολο ή μέρος των μονάδων (ατόμων) από τις επιλεγμένες συστάδες. Παράδειγμα: Θέλουμε να δούμε το πρόβλημα της παχυσαρκίας στα παιδιά α Δημοτικού του νομού Κοζάνης (150 Δημοτικά σχολεία). α. Ταξινόμηση των παιδιών σε σχολεία (150 σχολεία x περίπου 20 παιδιά ανά σχολείο=3000 μαθητές) β. Λήψη τυχαίου δείγματος σχολείων, έστω 30. Χρειαζόμαστε κατάλογο των σχολείων και επιλογή 30 με τυχαίο τρόπο γ. Λήψη 10 παιδιών με τυχαίο τρόπο από κάθε σχολεία, από τα 30 επιλεγμένα (30x10=300 παιδιά). Χρειαζόμαστε κατάλογο των παιδιών μόνο από τα επιλεγμένα σχολεία. Η μεθοδολογία αυτή έχει το πλεονέκτημα ότι δεν χρειαζόμαστε κατάλογο με όλα τα άτομα του πληθυσμού παρά μόνο αυτών των επιλεγμένων συστάδων. Είναι προφανής επίσης η μικρότερη γεωγραφική διασπορά των ατόμων αφού επιλέγουμε από ομογενή υποσύνολα του πληθυσμού, με αποτέλεσμα να έχουμε μικρότερο κόστος. Αντιθέτως, έχουμε μεγαλύτερο δειγματικό σφάλμα και μεγαλύτερα όρια αξιοπιστίας, που για να τα εκτιμήσουμε εφαρμόζουμε πολυπλοκότερους υπολογισμούς. Μέγεθος του δείγματος Οι κύριες ερωτήσεις στη επιλογή του δείγματος (εκτός από τον προϋπολογισμό) είναι: - Ποια είναι τα δημογραφικά στοιχεία του πληθυσμού;

- Ποιο είναι το μέγεθος του στοχευμένου πληθυσμού? - Σας ενδιαφέρουν κάποιες υπό ομάδες του πληθυσμού; Βοηθάει να τα υπολογίσετε και τα να ορίσετε με ποσόστωση για να εξασφαλίσετε ότι το δείγμα σας αντικατοπτρίζει με ακρίβεια τις σχετικές υπό-ομάδες του πληθυσμού στον οποίο απευθύνεστε. - Πόσα άτομα θα συμπεριλάβετε; Στις τρεις πρώτες ερωτήσεις οι απαντήσεις που παίρνουμε εξαρτώνται από το είδος της δειγματοληψίας που επιλέγουμε. Δεν είναι στην φύση αυτών των σημειώσεων να εισέλθουμε σε μονοπάτια που απαιτούν μαθηματικό υπόβαθρο. Μπορούμε όμως να δώσουμε μερικές γενικές αρχές, όπως: α. Το μέγεθος του δείγματος εξαρτάται από τον υπολογιστικό τύπο που θα χρησιμοποιήσουμε για το πειραματικό σφάλμα β. Το μέγεθος του δείγματος εξαρτάται από το μέγεθος του σφάλματος γ. Το μέγεθος του δείγματος εξαρτάται από την σχέση του μεγέθους του πληθυσμού και του δείγματος Πρέπει να λάβουμε υπόψη μας ότι είναι πολύ δύσκολο να θέλουν όλα τα υποκείμενα (του πληθυσμού) να συμμετάσχουν στην έρευνα. Ποσοστό πέραν του 60%, θεωρείται πολύ καλό ποσοστό συμμετοχής στην έρευνα. Το ζητούμενο είναι να επιβεβαιώσουμε ότι αυτοί που επέλεξαν να μην συμμετάσχουν δεν έχουν κάποιο κοινό γνώρισμα που θα «μολύνει» τα αποτελέσματα της έρευνας. Τέλος μπορεί να λάβουμε υπόψη μας τους εξής πρακτικούς κανόνες. - Αν υπάρχει ανομοιογένεια στον πληθυσμό, χρειαζόμαστε πιο μεγάλο δείγμα. - Αν επιθυμούμε πιο μεγάλη ακρίβεια, χρειαζόμαστε πιο μεγάλο δείγμα. - Αν είναι «στρωματοποιημένη» (stratified) η μεθοδολογία μας, τότε χρειαζόμαστε πιο μικρό δείγμα από ότι αν είναι «κατά συστάδες» (cluster). - Η φύση της στατιστικής ανάλυσης: πιο πολύπλοκη στατιστική ανάλυση απαιτεί πιο μεγάλο δείγμα. - Το μέγεθος του δείγματος είναι πιο σημαντικό από την αναλογία δείγματοςπληθυσμού τις πιο πολλές φορές.

Δειγματοληπτικά και Μη-δειγματοληπτικά Λάθη Κατά την διάρκεια της δειγματοληψίας μπορούν να εμφανιστούν δύο ειδών λάθη. Το δειγματοληπτικό λάθος και το μη-δειγματοληπτικό λάθος. Το δειγματοληπτικό λάθος αναφέρεται σε διαφορές μεταξύ του δείγματος και του πληθυσμού οι οποίες υπάρχουν επειδή αυτές οι συγκεκριμένες παρατηρήσεις έτυχε να επιλεχθούν. Τα μη-δειγματοληπτικά λάθη είναι πιο σοβαρά και οφείλονται σε λάθη κατά την απόκτηση των δεδομένων ή οφείλεται στην ακατάλληλη επιλογή των δειγματοληπτικών παρατηρήσεων. Ένας άλλος τρόπος για να δούμε το δειγματοληπτικό λάθος είναι οι διαφορές αποτελεσμάτων για διαφορετικά δείγματα (ιδίου μεγέθους) οφειλόμενη καθαρά δειγματοληπτικό λάθος. π.χ.: Δύο δείγματα μεγέθους 10 από 1,000 νοικοκυριά. Εάν συνέβη να πάρουμε τα δεδομένα με το υψηλότερα εισοδήματα στο πρώτο μας δείγμα και όλα τα χαμηλότερα στο δεύτερο, αυτή η διαφορά οφείλεται καθαρά σε δειγματοληπτικό λάθος. Να σημειωθεί ότι αύξηση του δείγματος, μειώνει το δειγματοληπτικό λάθος. Τα μη-δειγματοληπτικά λάθη, όπως είπαμε οφείλονται σε λάθη κατά την απόκτηση των δεδομένων ή στην ακατάλληλη επιλογή των δειγματοληπτικών παρατηρήσεων. Τέσσερεις τύποι μη-δειγματοληπτικών λαθών: α. Ατέλειες του σχεδιασμού και της οργάνωσης της έρευνας για λόγους ταχύτητας και περιορισμού του κόστους. β. Λάθη των ερευνητών, κωδικογράφων, κλπ. γ. Άλλες αντικειμενικές δυσκολίες που ανακύπτουν κατά την εκτέλεση μιας στατιστικής έρευνας και δ. Μεροληψία στην επιλογή του δείγματος Να σημειωθεί ότι στα μη-δειγματοληπτικά λάθη, η αύξηση του δείγματος, δεν μειώνει το μη-δειγματοληπτικό λάθος.

Επιγραμματικά οι ατέλειες του σχεδιασμού και της οργάνωσης της έρευνας για λόγους ταχύτητας και περιορισμού του κόστους συνοψίζονται στις κάτωθι αιτίες: Ακατάλληλα ή μη ενημερωμένα δειγματοληπτικά πλαίσια, ασάφειες ή ακατάλληλη δομή ερωτηματολογίου, ακατάλληλη μέθοδος δειγματοληψίας και ανεπαρκές μέγεθος δείγματος, επιλογή ακατάλληλων ερευνητών, πλημμελή ενημέρωση ερευνητών, ατέλειες προγραμμάτων Η/Υ για την επεξεργασία των δεδομένων κλπ., έλλειψη κατάλληλης υποδομής (hardware, software, χάρτες, κλπ.) και ελλιπής δημοσιότητα της έρευνας. Τα λάθη των ερευνητών, κωδικογράφων, κλπ μπορούν να προκύψουν από λανθασμένες κατευθύνσεις προς τους ερευνητές, από λανθασμένη καταγραφή των απαντήσεων από τους ερευνητές ή παραλείψεις ερωτημάτων (λάθη γίνονται κατά την μεταγραφή από βασικές πηγές, λανθασμένη καταγραφή των δεδομένων οφειλόμενη σε παρερμηνεία των όρων, λανθασμένες απαντήσεις σε ερωτήσεις οφειλόμενες σε ευαίσθητα θέματα κλπ), από λήψη των πληροφοριών από ακατάλληλο άτομο, από λάθη κωδικογράφησης, από λάθη εισαγωγής των δεδομένων στον Η/Υ, κλπ. και από λανθασμένες μετρήσεις παίρνονται εξαιτίας ελαττωματικού εξοπλισμού. Άλλες αντικειμενικές δυσκολίες που δημιουργούν μη-δειγματοληπτικά λάθη μπορούν να είναι η έλλειψη ενδιαφέροντος (στατιστικής συνείδησης) από τους ερευνώμενους, το επίπεδο μόρφωσης των ερευνώμενων, τα λάθη επικοινωνίας κατά την συνέντευξη, κλπ και την ανταπόκριση-εύρεση μονάδων δείγματος (nonresponse). Το ποσοστό ανταπόκρισης, δηλαδή η αναλογία των ανθρώπων που συμμετέχει στην σφυγμομέτρηση, είναι πολύ βασική παράμετρος και βοηθάει στην κατανόηση της εγκυρότητας της σφυγμομέτρησης και στην κατανόηση πηγών με λάθη από αναπάντητα ερωτηματολόγια. Τέλος η μεροληψία στην επιλογή του δείγματος μπορεί να αποτελέσει πηγή δημιουργίας μη-δειγματοληπτικών λαθών. Αυτό μπορεί να συμβεί συμβαίνει όταν το δειγματοληπτικό σχέδιο είναι τέτοιο που κάποια μέλη του πληθυσμού δεν μπορούν να επιλεχθούν και δεν συμπεριλαμβάνονται μέσα στο δείγμα.