{"id":28012,"date":"2023-05-24T10:07:19","date_gmt":"2023-05-24T13:07:19","guid":{"rendered":"https:\/\/mindthegraph.com\/blog\/?p=28012"},"modified":"2023-05-24T10:07:21","modified_gmt":"2023-05-24T13:07:21","slug":"sampling-bias","status":"publish","type":"post","link":"https:\/\/mindthegraph.com\/blog\/et\/proovivotu-bias\/","title":{"rendered":"Probleem, mida nimetatakse valimi erapoolikuks"},"content":{"rendered":"<p>S\u00f5ltumata kasutatavast metoodikast v\u00f5i uuritavast teadusharust peavad teadlased tagama, et nad kasutavad representatiivseid valimeid, mis peegeldavad uuritava populatsiooni omadusi. K\u00e4esolevas artiklis uuritakse valimi erapoolikuse m\u00f5istet, selle erinevaid liike ja rakendamisviise ning parimaid tavasid selle m\u00f5ju leevendamiseks.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Mis on valimi valikuline k\u00f5rvalekalle?<\/h2>\n\n\n\n<p>Valimih\u00e4lve viitab olukorrale, kus teatud \u00fcksikisikud v\u00f5i r\u00fchmad populatsioonis on t\u00f5en\u00e4olisemalt kaasatud valimisse kui teised, mis viib valimi kallutatud v\u00f5i ebarepresentatiivse valimini. See v\u00f5ib juhtuda mitmel p\u00f5hjusel, n\u00e4iteks mittejuhusliku valimi v\u00f5tmise meetodite, enesevaliku v\u00f5i teadlaste erapoolikuse t\u00f5ttu.<\/p>\n\n\n\n<p>Teisis\u00f5nu v\u00f5ib valimi erapoolikus kahjustada uurimistulemuste kehtivust ja \u00fcldistatavust, sest valim on moonutatud teatud omaduste v\u00f5i vaatenurkade kasuks, mis ei pruugi olla representatiivsed suurema populatsiooni suhtes.&nbsp;<\/p>\n\n\n\n<p>Ideaaljuhul peate valima k\u00f5ik oma uuringus osalejad juhuslikult. Praktikas v\u00f5ib aga olla raske teha juhuslikku osalejate valikut selliste piirangute t\u00f5ttu nagu kulud ja vastajate k\u00e4ttesaadavus. Isegi kui te ei tee juhuslikku andmekogumist, on v\u00e4ga oluline olla teadlik v\u00f5imalikest eelarvamustest, mis v\u00f5ivad teie andmetes esineda.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">M\u00f5ned n\u00e4ited valimi valikulisest k\u00f5rvalekaldest on j\u00e4rgmised:<\/h3>\n\n\n\n<ol>\n<li><strong>Vabatahtlike eelarvamused<\/strong>: Uuringus vabatahtlikult osalevatel osalejatel v\u00f5ivad olla erinevad omadused kui neil, kes vabatahtlikult ei osale, mist\u00f5ttu valim ei ole representatiivne.<\/li>\n\n\n\n<li><strong>Mittejuhuslik valikuuring<\/strong>: Kui uurija valib osalejaid ainult teatud kohtadest v\u00f5i valib ainult teatud omadustega osalejaid, v\u00f5ib see viia valimi kallutamiseni.<\/li>\n\n\n\n<li><strong>Elluj\u00e4\u00e4mise eelarvamused<\/strong>: See juhtub siis, kui valimisse kuuluvad ainult need isikud, kes on mingis olukorras ellu j\u00e4\u00e4nud v\u00f5i olnud edukad, j\u00e4ttes v\u00e4lja need, kes ei j\u00e4\u00e4nud ellu v\u00f5i ei suutnud.<\/li>\n\n\n\n<li><strong>Mugavusproovide v\u00f5tmine<\/strong>: Seda t\u00fc\u00fcpi valimi puhul valitakse osalejad, kes on kergesti k\u00e4ttesaadavad, n\u00e4iteks need, kes juhtuvad olema l\u00e4hedal, v\u00f5i need, kes vastavad veebik\u00fcsitlusele, mis ei pruugi esindada suuremat \u00fcldkogumit.<\/li>\n\n\n\n<li><strong>Kinnitamise eelarvamused (Confirmation bias)<\/strong>: Teadlased v\u00f5ivad teadlikult v\u00f5i tahtlikult valida osalejaid, kes toetavad nende h\u00fcpoteesi v\u00f5i uurimisk\u00fcsimust, mis viib erapoolikute tulemusteni.<\/li>\n\n\n\n<li><strong>Hawthorne'i efekt<\/strong>: Osalejad v\u00f5ivad muuta oma k\u00e4itumist v\u00f5i vastuseid, kui nad teavad, et neid uuritakse v\u00f5i j\u00e4lgitakse, mis viib ebarepresentatiivsete tulemusteni.<\/li>\n<\/ol>\n\n\n\n<p>&nbsp;Kui te olete nendest eelarvamustest teadlik, saate neid anal\u00fc\u00fcsis arvesse v\u00f5tta, et teha eelarvamuste korrigeerimist ja m\u00f5ista paremini populatsiooni, mida teie andmed esindavad.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Valimih\u00e4lvete liigid<\/h2>\n\n\n\n<ul>\n<li><strong>Valikukahjustus<\/strong>: esineb siis, kui valim ei ole \u00fcldkogumi suhtes representatiivne.<\/li>\n\n\n\n<li><strong>M\u00f5\u00f5tmise kallutatus<\/strong>: tekib siis, kui kogutud andmed on ebat\u00e4psed v\u00f5i ebat\u00e4ielikud.<\/li>\n\n\n\n<li><strong>Aruandluse erapoolikkus<\/strong>: tekib siis, kui vastajad esitavad ebat\u00e4pseid v\u00f5i ebat\u00e4ielikke andmeid.<\/li>\n\n\n\n<li><strong>Vastuse mittevastamise erapoolikus<\/strong>: tekib siis, kui osa elanikkonna liikmetest ei vasta uuringule, mis viib ebarepresentatiivse valimi moodustamiseni.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Valimih\u00e4lbe p\u00f5hjused<\/h2>\n\n\n\n<ol>\n<li><strong>Mugavusproovide v\u00f5tmine<\/strong>: valitakse valim pigem mugavuse kui teadusliku meetodi alusel.<\/li>\n\n\n\n<li><strong>Enesevaliku kallutatus<\/strong>: uuringusse on kaasatud ainult need, kes vabatahtlikult uuringus osalevad, mis ei pruugi olla elanikkonna suhtes representatiivne.<\/li>\n\n\n\n<li><strong>Valimisraami k\u00f5rvalekalle<\/strong>: kui valimi moodustamiseks kasutatud valim ei ole \u00fcldkogumi suhtes representatiivne.<\/li>\n\n\n\n<li><strong>Elluj\u00e4\u00e4mise kallutatus<\/strong>: kui osalevad ainult teatud populatsiooni liikmed, mis viib ebarepresentatiivse valimini. N\u00e4iteks kui uurijad k\u00fcsitlevad ainult elusolevaid inimesi, ei pruugi nad saada andmeid enne uuringu l\u00e4biviimist surnud inimestelt.<\/li>\n\n\n\n<li><strong>Teadmiste puudumisest tulenev valimi valiku kallutatus<\/strong>: ei tunnista varieeruvuse allikaid, mis v\u00f5ivad p\u00f5hjustada kallutatud hinnanguid.<\/li>\n\n\n\n<li><strong>Valimi v\u00f5tmise k\u00f5rvalekalded, mis tulenevad vigadest valimi manustamisel<\/strong>: sobiva v\u00f5i h\u00e4sti toimiva valimi moodustamise raamistiku kasutamata j\u00e4tmine v\u00f5i uuringus osalemisest keeldumine, mis viib valimi valiku kallutatud valimini.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\">Valimi valiku erisus kliinilistes uuringutes<\/h2>\n\n\n\n<p>Kliiniliste uuringute \u00fclesanne on testida uue ravi v\u00f5i ravimi t\u00f5husust konkreetsel elanikkonnar\u00fchmal. Need on oluline osa ravimi v\u00e4ljat\u00f6\u00f6tamise protsessist ja m\u00e4\u00e4ravad kindlaks, kas ravi on ohutu ja t\u00f5hus enne selle \u00fcldsusele k\u00e4ttesaadavaks tegemist. Kliinilised uuringud on siiski ka valiku suhtes kallutatud.<\/p>\n\n\n\n<p>Valikukahjustus tekib siis, kui uuringus kasutatav valim ei ole esinduslik \u00fcldkogumi suhtes, mida soovitakse esindada. Kliiniliste uuringute puhul v\u00f5ib valikuline kallutatus esineda siis, kui osalejad valitakse valikuliselt osalema v\u00f5i kui nad valitakse ise v\u00e4lja.<\/p>\n\n\n\n<p>Oletame, et farmaatsiaettev\u00f5te viib l\u00e4bi kliinilist uuringut, et testida uue v\u00e4hiravimi t\u00f5husust. Nad otsustavad v\u00e4rvata uuringus osalejaid haiglates, kliinikutes ja v\u00e4hi tugir\u00fchmades avaldatud reklaamide ning veebip\u00f5histe avalduste kaudu. Siiski v\u00f5ib nende kogutud valim olla erapoolik nende suhtes, kes on rohkem motiveeritud uuringus osalema v\u00f5i kellel on teatud t\u00fc\u00fcpi v\u00e4hkt\u00f5bi. See v\u00f5ib raskendada uuringu tulemuste \u00fcldistamist suuremale elanikkonnale.<\/p>\n\n\n\n<p>Valikukahjustuste minimeerimiseks kliinilistes uuringutes peavad teadlased rakendama rangeid kaasamis- ja v\u00e4listamiskriteeriume ning juhuslikku valikuprotsessi. Sellega tagatakse, et uuringusse valitud osalejate valim esindab suuremat populatsiooni, minimeerides kogutud andmete moonutusi.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Probleemid seoses valimi valikulise erapoolikusega<\/h2>\n\n\n\n<p>Valimih\u00e4lve on problemaatiline, sest on v\u00f5imalik, et valimi p\u00f5hjal arvutatud statistika on s\u00fcstemaatiliselt vigane. See v\u00f5ib viia vastava parameetri s\u00fcstemaatilise \u00fcle- v\u00f5i alahindamiseni \u00fcldkogumis. See esineb praktikas, sest praktiliselt on v\u00f5imatu tagada valimi t\u00e4iuslikku juhuslikkust.<\/p>\n\n\n\n<p>Kui v\u00e4\u00e4rkajastamise m\u00e4\u00e4r on v\u00e4ike, v\u00f5ib valimit k\u00e4sitleda kui juhusliku valimi m\u00f5istlikku l\u00e4hendust. Lisaks sellele, kui valim ei erine oluliselt m\u00f5\u00f5detava koguse osas, siis v\u00f5ib moonutatud valim olla siiski m\u00f5istlik hinnang.<\/p>\n\n\n\n<p>Kuigi m\u00f5ned isikud v\u00f5ivad tahtlikult kasutada kallutatud valimit, et saada eksitavaid tulemusi, peegeldab kallutatud valim sagedamini lihtsalt raskusi t\u00f5eliselt representatiivse valimi saamisel v\u00f5i teadmatust kallutatuse kohta oma m\u00f5\u00f5tmis- v\u00f5i anal\u00fc\u00fcsiprotsessis.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ekstrapoleerimine: v\u00e4ljapoole vahemikku<\/h2>\n\n\n\n<p>Statistikas nimetatakse ekstrapoleerimiseks j\u00e4relduste tegemist millegi kohta, mis j\u00e4\u00e4b v\u00e4ljapoole andmete ulatust. \u00dcheks ekstrapoleerimise vormiks on j\u00e4relduste tegemine kallutatud valimi p\u00f5hjal: kuna valimi v\u00f5tmise meetod j\u00e4tab s\u00fcstemaatiliselt v\u00e4lja teatavad osad vaadeldavast populatsioonist, kehtivad j\u00e4reldused ainult valimisse kuuluva alampopulatsiooni kohta.<\/p>\n\n\n\n<p>Ekstrapoleerimine toimub ka siis, kui n\u00e4iteks \u00fclikoolide \u00fcli\u00f5pilaste valimil p\u00f5hinevat j\u00e4reldust kohaldatakse vanemate t\u00e4iskasvanute v\u00f5i ainult kaheksanda klassi haridusega t\u00e4iskasvanute suhtes. Ekstrapoleerimine on tavaline viga statistika kohaldamisel v\u00f5i t\u00f5lgendamisel. M\u00f5nikord on heade andmete hankimise raskuse v\u00f5i v\u00f5imatuse t\u00f5ttu ekstrapoleerimine parim, mida me saame teha, kuid seda tuleb alati v\u00f5tta v\u00e4hemalt soolat\u00e4iega - ja sageli suure annuse ebakindlusega.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Teadusest pseudoteaduseks<\/h2>\n\n\n\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Sampling_bias\">Nagu on mainitud Vikipeedias<\/a>, n\u00e4ide sellest, kuidas teadmatus eelarvamusest v\u00f5ib esineda, on bioloogilise erinevuse m\u00f5\u00f5tjana laialt levinud suhtarvu (ehk kordse muutuse) kasutamine. Kuna kahe v\u00e4ikese arvu puhul on lihtsam saavutada suurt suhet, mille erinevus on antud, ja suhteliselt raskem saavutada suurt suhet kahe suure arvu puhul, mille erinevus on suurem, v\u00f5ivad suured olulised erinevused j\u00e4\u00e4da t\u00e4helepanuta, kui v\u00f5rreldakse suhteliselt suuri arvulisi m\u00f5\u00f5tmisi.&nbsp;<\/p>\n\n\n\n<p>M\u00f5ned on nimetanud seda \"demarkatsioonih\u00e4lveks\", sest suhte (jagamise) kasutamine erinevuse (lahutamise) asemel muudab anal\u00fc\u00fcsi tulemused teadusest pseudoteaduseks.<\/p>\n\n\n\n<p>M\u00f5ne valimi puhul kasutatakse kallutatud statistilist \u00fclesehitust, mis siiski v\u00f5imaldab parameetrite hindamist. N\u00e4iteks USA riiklik tervisestatistika keskus (National Center for Health Statistics) v\u00f5tab paljudes oma \u00fcleriigilistes uuringutes teadlikult liiga suure valimi, et saavutada piisavat t\u00e4psust hinnangute tegemiseks nende r\u00fchmade piires.<\/p>\n\n\n\n<p>Nende uuringute puhul on vaja kasutada valimi kaalusid, et saada \u00f5igeid hinnanguid k\u00f5igi rahvusr\u00fchmade kohta. Kui teatavad tingimused on t\u00e4idetud (eelk\u00f5ige kaalude \u00f5ige arvutamine ja kasutamine), v\u00f5imaldavad need valimid t\u00e4pset hinnangut populatsiooni parameetrite kohta.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Parimad tavad valimi valiku moonutamise v\u00e4hendamiseks<\/h2>\n\n\n\n<p>V\u00e4ga oluline on valida sobiv valikumeetod, et saadud andmed peegeldaksid t\u00e4pselt uuritavat \u00fcldkogumit.<\/p>\n\n\n\n<ol>\n<li><strong>Juhusliku valimi v\u00f5tmise meetodid<\/strong>: Juhusliku valimi v\u00f5tmise meetodite kasutamine suurendab t\u00f5en\u00e4osust, et valim on \u00fcldkogumit esindav. See tehnika aitab tagada, et valim on v\u00f5imalikult representatiivne k\u00f5nealuse \u00fcldkogumi suhtes ja seega v\u00e4hem t\u00f5en\u00e4oline, et see sisaldab eelarvamusi.<\/li>\n\n\n\n<li><strong>Valimi suuruse arvutamine<\/strong>: Valimi suurus tuleks arvutada nii, et oleks v\u00f5imalik kontrollida statistiliselt olulisi h\u00fcpoteese. Mida suurem on valimi suurus, seda paremini on populatsioon esindatud.<\/li>\n\n\n\n<li><strong>Trendianal\u00fc\u00fcs<\/strong>: Alternatiivsete andmeallikate otsimine ja anal\u00fc\u00fcsida k\u00f5iki t\u00e4heldatud suundumusi andmetes, mis v\u00f5ivad olla valimata.<\/li>\n\n\n\n<li><strong>Eelarvamuste kontrollimine<\/strong>: Tuleks j\u00e4lgida erapoolikuse esinemist, et teha kindlaks konkreetsete andmepunktide s\u00fcstemaatiline v\u00e4ljaj\u00e4tmine v\u00f5i liigne kaasamine.<\/li>\n<\/ol>\n\n\n\n<p><strong>Arvestage proovidega<\/strong><\/p>\n\n\n\n<p>Valimi erapoolikus on oluline kaalutlus teadusuuringute l\u00e4biviimisel. S\u00f5ltumata kasutatavast metoodikast v\u00f5i uuritavast teadusharust peavad teadlased tagama, et nad kasutavad representatiivseid valimeid, mis peegeldavad uuritava populatsiooni omadusi.<\/p>\n\n\n\n<p>Uuringute koostamisel on v\u00e4ga oluline p\u00f6\u00f6rata suurt t\u00e4helepanu valimi moodustamise protsessile ja valimi andmete kogumise metoodikale. Parimaid tavasid, nagu juhusliku valimi v\u00f5tmise meetodid, valimi suuruse arvutamine, suundumuste anal\u00fc\u00fcs ja erapoolikuse kontrollimine, tuleks kasutada, et tagada uurimistulemuste kehtivus ja usaldusv\u00e4\u00e4rsus, mis muudab nende m\u00f5ju poliitikale ja praktikale t\u00f5en\u00e4olisemaks.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Pilkup\u00fc\u00fcdvad teaduslikud infograafiad minutitega<\/h2>\n\n\n\n<p><a href=\"http:\/\/mindthegraph.com\/\">Mind the Graph<\/a> on v\u00f5imas veebip\u00f5hine t\u00f6\u00f6riist teadlastele, kellel on vaja luua kvaliteetset teaduslikku graafikat ja illustratsioone. Platvorm on kasutajas\u00f5bralik ja k\u00e4ttesaadav erineva tehnilise p\u00e4devusega teadlastele, mist\u00f5ttu on see ideaalne lahendus teadlastele, kellel on vaja luua graafikat oma publikatsioonide, esitluste ja muude teaduslike kommunikatsioonimaterjalide jaoks.<\/p>\n\n\n\n<p>Olenemata sellest, kas olete bioteaduste, f\u00fc\u00fcsikauuringute v\u00f5i inseneriteaduste uurija, pakub Mind the Graph mitmesuguseid vahendeid, mis aitavad teil oma uurimistulemusi selgelt ja visuaalselt veenvalt edastada.<\/p>\n\n\n\n<div style=\"height:21px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"600\" height=\"338\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2022\/10\/r3qiu0qenda-3.gif\" alt=\"\" class=\"wp-image-25130\"\/><\/figure><\/div>\n\n\n<div style=\"height:21px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"is-layout-flex wp-block-buttons\">\n<div class=\"wp-block-button aligncenter\"><a class=\"wp-block-button__link has-background wp-element-button\" href=\"https:\/\/mindthegraph.com\/app\/offer-trial\" style=\"border-radius:50px;background-color:#dc1866\" target=\"_blank\" rel=\"noreferrer noopener\">Alusta tasuta infograafikute loomist<\/a><\/div>\n<\/div>\n\n\n\n<div style=\"height:44px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>","protected":false},"excerpt":{"rendered":"<p>Valimih\u00e4lve on kriitiline k\u00fcsimus selliste teadusharude nagu statistika, sotsiaalteadused ja epidemioloogia uuringute l\u00e4biviimisel. <\/p>","protected":false},"author":38,"featured_media":28013,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[959,28],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>A problem called Sampling bias - Mind the Graph Blog<\/title>\n<meta name=\"description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/mindthegraph.com\/blog\/et\/proovivotu-bias\/\" \/>\n<meta property=\"og:locale\" content=\"et_EE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"A problem called Sampling bias\" \/>\n<meta property=\"og:description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/mindthegraph.com\/blog\/et\/proovivotu-bias\/\" \/>\n<meta property=\"og:site_name\" content=\"Mind the Graph Blog\" \/>\n<meta property=\"article:published_time\" content=\"2023-05-24T13:07:19+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-05-24T13:07:21+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1123\" \/>\n\t<meta property=\"og:image:height\" content=\"612\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Gilberto de Abreu\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"A problem called Sampling bias\" \/>\n<meta name=\"twitter:description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Gilberto de Abreu\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"A problem called Sampling bias - Mind the Graph Blog","description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/mindthegraph.com\/blog\/et\/proovivotu-bias\/","og_locale":"et_EE","og_type":"article","og_title":"A problem called Sampling bias","og_description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","og_url":"https:\/\/mindthegraph.com\/blog\/et\/proovivotu-bias\/","og_site_name":"Mind the Graph Blog","article_published_time":"2023-05-24T13:07:19+00:00","article_modified_time":"2023-05-24T13:07:21+00:00","og_image":[{"width":1123,"height":612,"url":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg","type":"image\/jpeg"}],"author":"Gilberto de Abreu","twitter_card":"summary_large_image","twitter_title":"A problem called Sampling bias","twitter_description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","twitter_image":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg","twitter_misc":{"Written by":"Gilberto de Abreu","Est. reading time":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/","url":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/","name":"A problem called Sampling bias - Mind the Graph Blog","isPartOf":{"@id":"https:\/\/mindthegraph.com\/blog\/#website"},"datePublished":"2023-05-24T13:07:19+00:00","dateModified":"2023-05-24T13:07:21+00:00","author":{"@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321"},"description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","breadcrumb":{"@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/#breadcrumb"},"inLanguage":"et","potentialAction":[{"@type":"ReadAction","target":["https:\/\/mindthegraph.com\/blog\/sampling-bias\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/mindthegraph.com\/blog\/"},{"@type":"ListItem","position":2,"name":"A problem called Sampling bias"}]},{"@type":"WebSite","@id":"https:\/\/mindthegraph.com\/blog\/#website","url":"https:\/\/mindthegraph.com\/blog\/","name":"Mind the Graph Blog","description":"Your science can be beautiful!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/mindthegraph.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"et"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321","name":"Gilberto de Abreu","image":{"@type":"ImageObject","inLanguage":"et","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/cc861028818e8a4fffa388f920fbdae9?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/cc861028818e8a4fffa388f920fbdae9?s=96&d=mm&r=g","caption":"Gilberto de Abreu"},"url":"https:\/\/mindthegraph.com\/blog\/et\/author\/giba\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/posts\/28012"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/users\/38"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/comments?post=28012"}],"version-history":[{"count":3,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/posts\/28012\/revisions"}],"predecessor-version":[{"id":28023,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/posts\/28012\/revisions\/28023"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/media\/28013"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/media?parent=28012"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/categories?post=28012"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/et\/wp-json\/wp\/v2\/tags?post=28012"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}