{"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\/nb\/sampling-bias\/","title":{"rendered":"Et problem som kalles utvalgsskjevhet"},"content":{"rendered":"<p>Uavhengig av hvilken metode som brukes eller hvilket fagomr\u00e5de som studeres, m\u00e5 forskere s\u00f8rge for at de bruker representative utvalg som gjenspeiler egenskapene til populasjonen de studerer. I denne artikkelen vil vi se n\u00e6rmere p\u00e5 begrepet utvalgsskjevhet, ulike typer skjevheter, hvordan de kan oppst\u00e5 og hvordan de kan motvirkes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hva er utvalgsskjevhet?<\/h2>\n\n\n\n<p>Utvalgsskjevhet refererer til en situasjon der visse individer eller grupper i en populasjon har st\u00f8rre sannsynlighet for \u00e5 bli inkludert i et utvalg enn andre, noe som f\u00f8rer til et skjevt eller ikke-representativt utvalg. Dette kan skje av ulike \u00e5rsaker, for eksempel ikke-tilfeldige utvalgsmetoder, selvseleksjonsskjevhet eller forskerskjevhet.<\/p>\n\n\n\n<p>Utvalgsskjevhet kan med andre ord undergrave validiteten og generaliserbarheten til forskningsresultatene ved at utvalget blir skjevt til fordel for visse egenskaper eller perspektiver som kanskje ikke er representative for den st\u00f8rre populasjonen.&nbsp;<\/p>\n\n\n\n<p>Ideelt sett b\u00f8r du velge ut alle deltakerne i unders\u00f8kelsen p\u00e5 en tilfeldig m\u00e5te. I praksis kan det imidlertid v\u00e6re vanskelig \u00e5 foreta et tilfeldig utvalg av deltakere p\u00e5 grunn av begrensninger som kostnader og respondenttilgjengelighet. Selv om du ikke foretar en randomisert datainnsamling, er det viktig \u00e5 v\u00e6re klar over de potensielle skjevhetene som kan forekomme i dataene dine.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Noen eksempler p\u00e5 utvalgsskjevhet er<\/h3>\n\n\n\n<ol>\n<li><strong>Partiskhet i forhold til frivillighet<\/strong>: Deltakere som melder seg frivillig til \u00e5 delta i en studie, kan ha andre egenskaper enn de som ikke melder seg frivillig, noe som kan f\u00f8re til et ikke-representativt utvalg.<\/li>\n\n\n\n<li><strong>Ikke-tilfeldige utvalg<\/strong>: Hvis en forsker bare velger ut deltakere fra bestemte steder, eller bare velger ut deltakere med bestemte egenskaper, kan det f\u00f8re til et skjevt utvalg.<\/li>\n\n\n\n<li><strong>Skjevhet knyttet til overlevelse<\/strong>: Dette skjer n\u00e5r et utvalg bare omfatter personer som har overlevd eller lyktes i en bestemt situasjon, og utelater dem som ikke overlevde eller mislyktes.<\/li>\n\n\n\n<li><strong>Praktisk pr\u00f8vetaking<\/strong>: Denne typen utvalg inneb\u00e6rer at man velger ut deltakere som er lett tilgjengelige, for eksempel de som tilfeldigvis er i n\u00e6rheten, eller de som svarer p\u00e5 en nettbasert unders\u00f8kelse, som kanskje ikke er representativ for en st\u00f8rre populasjon.<\/li>\n\n\n\n<li><strong>Bekreftelsesskjevhet<\/strong>: Forskere kan - ubevisst eller bevisst - velge ut deltakere som st\u00f8tter deres hypotese eller forskningssp\u00f8rsm\u00e5l, noe som kan f\u00f8re til skjeve resultater.<\/li>\n\n\n\n<li><strong>Hawthorne-effekten<\/strong>: Deltakerne kan endre atferd eller svar n\u00e5r de vet at de blir studert eller observert, noe som kan f\u00f8re til ikke-representative resultater.<\/li>\n<\/ol>\n\n\n\n<p>&nbsp;Hvis du er klar over disse skjevhetene, kan du ta hensyn til dem i analysen for \u00e5 korrigere dem og f\u00e5 en bedre forst\u00e5else av populasjonen som dataene representerer.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Typer utvalgsskjevhet<\/h2>\n\n\n\n<ul>\n<li><strong>Seleksjonsskjevhet<\/strong>: oppst\u00e5r n\u00e5r utvalget ikke er representativt for populasjonen.<\/li>\n\n\n\n<li><strong>M\u00e5lingsskjevhet<\/strong>: oppst\u00e5r n\u00e5r de innsamlede dataene er un\u00f8yaktige eller ufullstendige.<\/li>\n\n\n\n<li><strong>Rapporteringsskjevhet<\/strong>: oppst\u00e5r n\u00e5r respondentene oppgir un\u00f8yaktige eller ufullstendige opplysninger.<\/li>\n\n\n\n<li><strong>Ikke-svarskjevhet<\/strong>: oppst\u00e5r n\u00e5r noen medlemmer av populasjonen ikke svarer p\u00e5 unders\u00f8kelsen, noe som f\u00f8rer til et ikke-representativt utvalg.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">\u00c5rsaker til skjevheter i utvalget<\/h2>\n\n\n\n<ol>\n<li><strong>Praktisk pr\u00f8vetaking<\/strong>: \u00e5 velge et utvalg basert p\u00e5 bekvemmelighetshensyn i stedet for \u00e5 bruke en vitenskapelig metode.<\/li>\n\n\n\n<li><strong>Selvseleksjonsskjevhet<\/strong>: kun de som frivillig deltar i unders\u00f8kelsen er inkludert, noe som ikke n\u00f8dvendigvis er representativt for befolkningen.<\/li>\n\n\n\n<li><strong>Skjevhet i utvalgsrammen<\/strong>: n\u00e5r utvalgsrammen som brukes til \u00e5 trekke utvalget, ikke er representativ for populasjonen.<\/li>\n\n\n\n<li><strong>Overlevelsesskjevhet<\/strong>: n\u00e5r bare visse deler av befolkningen deltar, noe som f\u00f8rer til et ikke-representativt utvalg. Hvis forskere for eksempel bare unders\u00f8ker personer som er i live, kan det hende at de ikke f\u00e5r innspill fra personer som d\u00f8de f\u00f8r studien ble gjennomf\u00f8rt.<\/li>\n\n\n\n<li><strong>Utvalgsskjevhet p\u00e5 grunn av manglende kunnskap<\/strong>: \u00e5 ikke anerkjenne kildene til variabilitet som kan f\u00f8re til skjeve estimater.<\/li>\n\n\n\n<li><strong>Utvalgsskjevhet p\u00e5 grunn av feil i utvalgsadministrasjonen<\/strong>: \u00e5 unnlate \u00e5 bruke en hensiktsmessig eller velfungerende utvalgsramme eller \u00e5 nekte \u00e5 delta i studien, noe som f\u00f8rer til skjevheter i utvalget.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\">Utvalgsskjevhet i kliniske studier<\/h2>\n\n\n\n<p>Kliniske studier er ansvarlige for \u00e5 teste effekten av en ny behandling eller et nytt legemiddel p\u00e5 en bestemt populasjon. De er en viktig del av legemiddelutviklingsprosessen og avgj\u00f8r om en behandling er trygg og effektiv f\u00f8r den lanseres for allmennheten. Kliniske studier er imidlertid ogs\u00e5 utsatt for seleksjonsskjevhet.<\/p>\n\n\n\n<p>Seleksjonsskjevhet oppst\u00e5r n\u00e5r utvalget som brukes i en studie, ikke er representativt for populasjonen som skal unders\u00f8kes. N\u00e5r det gjelder kliniske studier, kan seleksjonsskjevhet oppst\u00e5 n\u00e5r deltakerne enten er selektivt utvalgt til \u00e5 delta eller er selvselekterte.<\/p>\n\n\n\n<p>La oss si at et legemiddelfirma gjennomf\u00f8rer en klinisk studie for \u00e5 teste effekten av en ny kreftmedisin. De bestemmer seg for \u00e5 rekruttere deltakere til studien gjennom annonser p\u00e5 sykehus, klinikker og i st\u00f8ttegrupper for kreftpasienter, samt gjennom nettbaserte s\u00f8knader. Utvalget de samler inn, kan imidlertid v\u00e6re skjevt i forhold til dem som er mer motiverte for \u00e5 delta i en studie, eller som har en bestemt type kreft. Dette kan gj\u00f8re det vanskelig \u00e5 generalisere resultatene av studien til en st\u00f8rre populasjon.<\/p>\n\n\n\n<p>For \u00e5 minimere seleksjonsskjevheter i kliniske studier m\u00e5 forskerne implementere strenge inklusjons- og eksklusjonskriterier og tilfeldige utvelgelsesprosesser. Dette vil sikre at utvalget av deltakere som velges ut til studien, er representativt for den st\u00f8rre populasjonen, noe som minimerer eventuelle skjevheter i dataene som samles inn.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Problemer p\u00e5 grunn av skjevheter i utvalget<\/h2>\n\n\n\n<p>Utvalgsskjevhet er problematisk fordi det er mulig at en statistikk som er beregnet for utvalget, er systematisk feilaktig. Det kan f\u00f8re til en systematisk over- eller underestimering av den tilsvarende parameteren i populasjonen. Det forekommer i praksis, ettersom det er praktisk talt umulig \u00e5 sikre perfekt tilfeldighet i utvelgelsen.<\/p>\n\n\n\n<p>Hvis graden av skjevhet er liten, kan utvalget behandles som en rimelig tiln\u00e6rming til et tilfeldig utvalg. I tillegg kan et skjevt utvalg v\u00e6re et rimelig estimat hvis det ikke er store forskjeller i den st\u00f8rrelsen som m\u00e5les.<\/p>\n\n\n\n<p>Selv om noen bevisst kan bruke et skjevt utvalg for \u00e5 gi misvisende resultater, er et skjevt utvalg som oftest bare et resultat av at det er vanskelig \u00e5 f\u00e5 tak i et virkelig representativt utvalg, eller av uvitenhet om skjevheten i m\u00e5le- eller analyseprosessen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ekstrapolering: utenfor rekkevidden<\/h2>\n\n\n\n<p>I statistikk kalles det \u00e5 trekke en konklusjon om noe som ligger utenfor dataenes rekkevidde for ekstrapolering. \u00c5 trekke en konklusjon fra et skjevt utvalg er en form for ekstrapolering: Fordi utvalgsmetoden systematisk ekskluderer visse deler av populasjonen som vurderes, gjelder konklusjonene bare for den utvalgte delpopulasjonen.<\/p>\n\n\n\n<p>Ekstrapolering forekommer ogs\u00e5 hvis en slutning basert p\u00e5 et utvalg av universitetsstudenter for eksempel overf\u00f8res til eldre voksne eller voksne med kun 8. klasse. Ekstrapolering er en vanlig feil ved anvendelse eller tolkning av statistikk. Noen ganger er ekstrapolering det beste vi kan gj\u00f8re, fordi det er vanskelig eller umulig \u00e5 skaffe gode data, men det m\u00e5 alltid tas med minst en klype salt - og ofte med en stor dose usikkerhet.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Fra vitenskap til pseudovitenskap<\/h2>\n\n\n\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Sampling_bias\">Som nevnt p\u00e5 Wikipedia<\/a>Et eksempel p\u00e5 hvordan uvitenhet om en skjevhet kan eksistere, er den utbredte bruken av et forholdstall (ogs\u00e5 kalt foldendring) som et m\u00e5l p\u00e5 forskjellen i biologi. Fordi det er lettere \u00e5 oppn\u00e5 et stort forholdstall med to sm\u00e5 tall med en gitt forskjell, og relativt sett vanskeligere \u00e5 oppn\u00e5 et stort forholdstall med to store tall med en st\u00f8rre forskjell, kan man g\u00e5 glipp av store signifikante forskjeller n\u00e5r man sammenligner relativt store numeriske m\u00e5linger.&nbsp;<\/p>\n\n\n\n<p>Some have called this a &#8216;demarcation bias&#8217; because the use of a ratio (division) instead of a difference (subtraction) removes the results of the analysis from science into pseudoscience.<\/p>\n\n\n\n<p>Noen utvalg bruker et skjevt statistisk design, som likevel gj\u00f8r det mulig \u00e5 estimere parametere. U.S. National Center for Health Statistics oversamplinger for eksempel bevisst minoritetsbefolkninger i mange av sine landsomfattende unders\u00f8kelser for \u00e5 oppn\u00e5 tilstrekkelig presisjon for estimater innenfor disse gruppene.<\/p>\n\n\n\n<p>Disse unders\u00f8kelsene krever bruk av utvalgsvekter for \u00e5 gi korrekte estimater for alle etniske grupper. Hvis visse betingelser er oppfylt (f\u00f8rst og fremst at vektene beregnes og brukes korrekt), gir disse utvalgene mulighet til \u00e5 estimere populasjonsparametere p\u00e5 en n\u00f8yaktig m\u00e5te.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Beste praksis for \u00e5 redusere skjevheter ved pr\u00f8vetaking<\/h2>\n\n\n\n<p>Det er avgj\u00f8rende \u00e5 velge en hensiktsmessig utvalgsmetode for \u00e5 sikre at dataene som fremkommer, gjenspeiler den unders\u00f8kte populasjonen p\u00e5 en n\u00f8yaktig m\u00e5te.<\/p>\n\n\n\n<ol>\n<li><strong>Teknikker for tilfeldig utvalg<\/strong>: Bruk av tilfeldig utvalg \u00f8ker sannsynligheten for at utvalget er representativt for populasjonen. Denne teknikken bidrar til \u00e5 sikre at utvalget er s\u00e5 representativt som mulig for den aktuelle populasjonen, og dermed mindre utsatt for skjevheter.<\/li>\n\n\n\n<li><strong>Beregning av utvalgsst\u00f8rrelse<\/strong>: Utvalgsst\u00f8rrelsen b\u00f8r beregnes slik at man har tilstrekkelig styrke til \u00e5 teste statistisk meningsfulle hypoteser. Jo st\u00f8rre utvalget er, desto bedre er representasjonen av populasjonen.<\/li>\n\n\n\n<li><strong>Trendanalyse<\/strong>: S\u00f8ke etter alternative datakilder og analysere eventuelle observerte trender i data som ikke er selektert.<\/li>\n\n\n\n<li><strong>Kontroll av skjevheter<\/strong>: Forekomster av skjevheter b\u00f8r overv\u00e5kes for \u00e5 identifisere systematisk ekskludering eller overinkludering av spesifikke datapunkter.<\/li>\n<\/ol>\n\n\n\n<p><strong>Ta hensyn til pr\u00f8vene<\/strong><\/p>\n\n\n\n<p>Utvalgsskjevhet er en viktig faktor \u00e5 ta hensyn til n\u00e5r man utf\u00f8rer forskning. Uavhengig av hvilken metode som brukes eller hvilket fagomr\u00e5de som studeres, m\u00e5 forskere s\u00f8rge for at de bruker representative utvalg som gjenspeiler egenskapene til populasjonen de studerer.<\/p>\n\n\n\n<p>N\u00e5r man gjennomf\u00f8rer forskningsstudier, er det viktig \u00e5 v\u00e6re n\u00f8ye med utvelgelsesprosessen og metoden som brukes til \u00e5 samle inn data fra utvalget. For \u00e5 sikre at forskningsresultatene er gyldige og p\u00e5litelige, og dermed har st\u00f8rre sannsynlighet for \u00e5 p\u00e5virke politikk og praksis, b\u00f8r man bruke beste praksis, for eksempel teknikker for tilfeldig utvalg, beregning av utvalgsst\u00f8rrelse, trendanalyse og kontroll av skjevheter.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">I\u00f8ynefallende vitenskapelig infografikk p\u00e5 f\u00e5 minutter<\/h2>\n\n\n\n<p><a href=\"http:\/\/mindthegraph.com\/\">Mind the Graph<\/a> er et kraftig nettbasert verkt\u00f8y for forskere som har behov for \u00e5 lage vitenskapelig grafikk og illustrasjoner av h\u00f8y kvalitet. Plattformen er brukervennlig og tilgjengelig for forskere med ulik teknisk kompetanse, noe som gj\u00f8r den til en ideell l\u00f8sning for forskere som har behov for \u00e5 lage grafikk til publikasjoner, presentasjoner og annet vitenskapelig kommunikasjonsmateriell.<\/p>\n\n\n\n<p>Enten du forsker innen biovitenskap, naturvitenskap eller ingeni\u00f8rfag, tilbyr Mind the Graph et bredt spekter av ressurser som hjelper deg med \u00e5 formidle forskningsresultatene dine p\u00e5 en tydelig og visuelt overbevisende m\u00e5te.<\/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\">Begynn \u00e5 lage infografikk gratis<\/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>Utvalgsskjevhet er en kritisk faktor som m\u00e5 tas i betraktning n\u00e5r man utf\u00f8rer forskning innen fagomr\u00e5der som statistikk, samfunnsvitenskap og epidemiologi. <\/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\/nb\/sampling-bias\/\" \/>\n<meta property=\"og:locale\" content=\"nb_NO\" \/>\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\/nb\/sampling-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\/nb\/sampling-bias\/","og_locale":"nb_NO","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\/nb\/sampling-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":"nb-NO","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":"nb-NO"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321","name":"Gilberto de Abreu","image":{"@type":"ImageObject","inLanguage":"nb-NO","@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\/nb\/author\/giba\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/posts\/28012"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/users\/38"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/comments?post=28012"}],"version-history":[{"count":3,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/posts\/28012\/revisions"}],"predecessor-version":[{"id":28023,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/posts\/28012\/revisions\/28023"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/media\/28013"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/media?parent=28012"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/categories?post=28012"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nb\/wp-json\/wp\/v2\/tags?post=28012"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}