{"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\/sl\/predsodek-pri-vzorcenju\/","title":{"rendered":"Problem, imenovan pristranskost vzor\u010denja"},"content":{"rendered":"<p>Ne glede na uporabljeno metodologijo ali preu\u010devano podro\u010dje morajo raziskovalci zagotoviti, da uporabljajo reprezentativne vzorce, ki odra\u017eajo zna\u010dilnosti preu\u010devane populacije. V tem \u010dlanku bomo raziskali koncept pristranskosti vzor\u010denja, njene razli\u010dne vrste in na\u010dine uporabe ter najbolj\u0161e prakse za ubla\u017eitev njenih u\u010dinkov.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Kaj je pristranskost vzor\u010denja?<\/h2>\n\n\n\n<p>Pristranskost vzor\u010denja se nana\u0161a na situacijo, v kateri je verjetnost, da bodo nekateri posamezniki ali skupine v populaciji vklju\u010deni v vzorec, ve\u010dja kot pri drugih, zaradi \u010desar je vzorec pristranski ali nereprezentativen. To se lahko zgodi iz razli\u010dnih razlogov, kot so nenaklju\u010dne metode vzor\u010denja, pristranskost pri samoodbiri ali pristranskost raziskovalca.<\/p>\n\n\n\n<p>Z drugimi besedami, pristranskost vzor\u010denja lahko ogrozi veljavnost in posplo\u0161ljivost ugotovitev raziskave, saj vzorec izkrivlja v korist dolo\u010denih zna\u010dilnosti ali vidikov, ki morda niso reprezentativni za \u0161ir\u0161o populacijo.&nbsp;<\/p>\n\n\n\n<p>V idealnem primeru morate vse udele\u017eence raziskave izbrati naklju\u010dno. Vendar je v praksi zaradi omejitev, kot so stro\u0161ki in razpolo\u017eljivost anketirancev, naklju\u010dno izbiro udele\u017eencev te\u017eko izvesti. Tudi \u010de ne izvajate naklju\u010dnega zbiranja podatkov, je klju\u010dno, da se zavedate morebitnih pristranskosti, ki so lahko prisotne v va\u0161ih podatkih.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Nekateri primeri pristranskosti vzor\u010denja vklju\u010dujejo:<\/h3>\n\n\n\n<ol>\n<li><strong>Predsodki prostovoljcev<\/strong>: Udele\u017eenci, ki prostovoljno sodelujejo v \u0161tudiji, imajo lahko druga\u010dne zna\u010dilnosti kot tisti, ki ne sodelujejo prostovoljno, zaradi \u010desar vzorec ni reprezentativen.<\/li>\n\n\n\n<li><strong>Nenaklju\u010dno vzor\u010denje<\/strong>: \u010ce raziskovalec izbere udele\u017eence samo z dolo\u010denih lokacij ali izbere samo udele\u017eence z dolo\u010denimi zna\u010dilnostmi, lahko pride do pristranskega vzorca.<\/li>\n\n\n\n<li><strong>pristranskost glede pre\u017eivetja<\/strong>: To se zgodi, kadar vzorec vklju\u010duje le posameznike, ki so pre\u017eiveli ali uspeli v dolo\u010deni situaciji, pri \u010demer so izpu\u0161\u010deni tisti, ki niso pre\u017eiveli ali jim ni uspelo.<\/li>\n\n\n\n<li><strong>Priro\u010dno vzor\u010denje<\/strong>: Ta vrsta vzor\u010denja vklju\u010duje izbiro udele\u017eencev, ki so lahko dostopni, na primer tistih, ki so v bli\u017eini, ali tistih, ki se odzovejo na spletno anketo, ki morda ne predstavljajo ve\u010dje populacije.<\/li>\n\n\n\n<li><strong>Potrditvena pristranskost<\/strong>: Raziskovalci lahko nezavedno ali namerno izberejo udele\u017eence, ki podpirajo njihovo hipotezo ali raziskovalno vpra\u0161anje, kar privede do pristranskih rezultatov.<\/li>\n\n\n\n<li><strong>U\u010dinek Hawthorna<\/strong>: Udele\u017eenci lahko spremenijo svoje vedenje ali odzive, \u010de vedo, da jih preu\u010dujemo ali opazujemo, kar lahko privede do nereprezentativnih rezultatov.<\/li>\n<\/ol>\n\n\n\n<p>&nbsp;\u010ce se teh pristranskosti zavedate, jih lahko upo\u0161tevate pri analizi, da bi odpravili pristranskost in bolje razumeli populacijo, ki jo predstavljajo va\u0161i podatki.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Vrste pristranskosti vzor\u010denja<\/h2>\n\n\n\n<ul>\n<li><strong>Izbirna pristranskost<\/strong>: se pojavi, kadar vzorec ni reprezentativen za populacijo.<\/li>\n\n\n\n<li><strong>Merilna pristranskost<\/strong>: pride, kadar so zbrani podatki neto\u010dni ali nepopolni.<\/li>\n\n\n\n<li><strong>Napaka pri poro\u010danju<\/strong>: se pojavi, kadar anketiranci posredujejo neto\u010dne ali nepopolne informacije.<\/li>\n\n\n\n<li><strong>Neodgovarjanje na vpra\u0161alnik<\/strong>: se pojavi, kadar se nekateri \u010dlani populacije ne odzovejo na anketo, zaradi \u010desar je vzorec nereprezentativen.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Vzroki za pristranskost vzor\u010denja<\/h2>\n\n\n\n<ol>\n<li><strong>Priro\u010dno vzor\u010denje<\/strong>: izbira vzorca na podlagi priro\u010dnosti in ne na podlagi znanstvene metode.<\/li>\n\n\n\n<li><strong>pristranskost pri samoodboru<\/strong>: vklju\u010deni so le tisti, ki prostovoljno sodelujejo v raziskavi, kar morda ni reprezentativno za celotno populacijo.<\/li>\n\n\n\n<li><strong>Pristranskost vzor\u010dnega okvira<\/strong>: kadar vzor\u010dni okvir, uporabljen za izbor vzorca, ni reprezentativen za populacijo.<\/li>\n\n\n\n<li><strong>Pre\u017eivetvena pristranskost<\/strong>: ko sodelujejo le nekateri \u010dlani populacije, kar vodi do nereprezentativnega vzorca. Na primer, \u010de raziskovalci anketirajo samo \u017eive ljudi, morda ne bodo prejeli podatkov ljudi, ki so umrli pred izvedbo \u0161tudije.<\/li>\n\n\n\n<li><strong>pristranskost pri vzor\u010denju zaradi pomanjkanja znanja<\/strong>: ne prepoznajo virov variabilnosti, ki lahko povzro\u010dijo pristranske ocene.<\/li>\n\n\n\n<li><strong>pristranskost vzor\u010denja zaradi napak pri upravljanju vzorca<\/strong>: \u010de ni bil uporabljen ustrezen ali dobro delujo\u010d okvir vzor\u010denja ali \u010de je bilo sodelovanje v \u0161tudiji zavrnjeno, kar je povzro\u010dilo pristranski izbor vzorca.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\">Predsodki pri vzor\u010denju v klini\u010dnih presku\u0161anjih<\/h2>\n\n\n\n<p>Klini\u010dna presku\u0161anja so namenjena preizku\u0161anju u\u010dinkovitosti novega zdravljenja ali zdravila na dolo\u010deni populaciji. So bistveni del postopka razvoja zdravil in dolo\u010dajo, ali je zdravljenje varno in u\u010dinkovito, preden se sprosti v \u0161ir\u0161o javnost. Vendar so klini\u010dna presku\u0161anja izpostavljena tudi selekcijski pristranskosti.<\/p>\n\n\n\n<p>Do selekcijske pristranskosti pride, kadar vzorec, uporabljen v \u0161tudiji, ni reprezentativen za populacijo, ki naj bi jo predstavljal. V primeru klini\u010dnih presku\u0161anj lahko pride do selekcijske pristranskosti, kadar so udele\u017eenci selektivno izbrani za sodelovanje ali pa so izbrani sami.<\/p>\n\n\n\n<p>Recimo, da farmacevtsko podjetje izvaja klini\u010dno presku\u0161anje, da bi preverilo u\u010dinkovitost novega zdravila proti raku. Odlo\u010dilo se je, da bo udele\u017eence za \u0161tudijo pridobilo z oglasi v bolni\u0161nicah, klinikah in podpornih skupinah za raka ter s spletnimi prijavami. Vendar je lahko vzorec, ki ga zbirajo, pristranski do tistih, ki so bolj motivirani za sodelovanje v presku\u0161anju ali imajo dolo\u010deno vrsto raka. Zaradi tega je lahko rezultate \u0161tudije te\u017eko posplo\u0161iti na \u0161ir\u0161o populacijo.<\/p>\n\n\n\n<p>Da bi zmanj\u0161ali pristranskost izbire v klini\u010dnih presku\u0161anjih, morajo raziskovalci izvajati stroga merila za vklju\u010ditev in izklju\u010ditev ter postopke naklju\u010dne izbire. S tem se zagotovi, da je vzorec udele\u017eencev, izbranih za \u0161tudijo, reprezentativen za \u0161ir\u0161o populacijo, kar zmanj\u0161a morebitno pristranskost zbranih podatkov.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Te\u017eave zaradi pristranskosti vzor\u010denja<\/h2>\n\n\n\n<p>Vzor\u010dna pristranskost je problemati\u010dna, ker je mogo\u010de, da je statisti\u010dni podatek, izra\u010dunan na vzorcu, sistemati\u010dno napa\u010den. To lahko privede do sistemati\u010dnega precenjevanja ali podcenjevanja ustreznega parametra v populaciji. Pojavlja se v praksi, saj je prakti\u010dno nemogo\u010de zagotoviti popolno naklju\u010dnost pri vzor\u010denju.<\/p>\n\n\n\n<p>\u010ce je stopnja napa\u010dne predstavitve majhna, lahko vzorec obravnavamo kot primeren pribli\u017eek naklju\u010dnemu vzorcu. Poleg tega, \u010de se vzorec ne razlikuje izrazito v merjeni koli\u010dini, je lahko pristranski vzorec \u0161e vedno razumna ocena.<\/p>\n\n\n\n<p>Nekateri posamezniki lahko namerno uporabijo pristranski vzorec, da bi dobili zavajajo\u010de rezultate, vendar je pogosteje pristranski vzorec le odraz te\u017eav pri pridobivanju resni\u010dno reprezentativnega vzorca ali nezavedanja pristranskosti v njihovem postopku merjenja ali analize.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ekstrapolacija: zunaj obmo\u010dja<\/h2>\n\n\n\n<p>V statistiki se sklepanje o ne\u010dem, kar presega obseg podatkov, imenuje ekstrapolacija. Ena od oblik ekstrapolacije je sklepanje na podlagi pristranskega vzorca: ker metoda vzor\u010denja sistemati\u010dno izklju\u010duje dolo\u010dene dele obravnavane populacije, sklepi veljajo le za vzor\u010deno podpopulacijo.<\/p>\n\n\n\n<p>Do ekstrapolacije pride tudi, \u010de na primer sklepanje, ki temelji na vzorcu univerzitetnih diplomantov, uporabimo za starej\u0161e odrasle ali odrasle s samo osmo\u0161olsko izobrazbo. Ekstrapolacija je pogosta napaka pri uporabi ali razlagi statisti\u010dnih podatkov. V\u010dasih je zaradi te\u017eav ali nezmo\u017enosti pridobitve dobrih podatkov ekstrapolacija najbolj\u0161e, kar lahko naredimo, vendar jo je treba vedno jemati vsaj z zrnom soli - in pogosto z veliko mero negotovosti.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Iz znanosti v psevdoznanost<\/h2>\n\n\n\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Sampling_bias\">Kot je navedeno v Wikipediji<\/a>, primer, kako lahko pride do nepoznavanja pristranskosti, je raz\u0161irjena uporaba razmerja (t. i. fold change) kot merila razlike v biologiji. Ker je la\u017eje dose\u010di veliko razmerje z dvema majhnima \u0161teviloma z dolo\u010deno razliko in relativno te\u017eje dose\u010di veliko razmerje z dvema velikima \u0161teviloma z ve\u010djo razliko, lahko pri primerjavi relativno velikih \u0161tevilskih meritev spregledamo velike pomembne razlike.&nbsp;<\/p>\n\n\n\n<p>Nekateri so to poimenovali \"razmejitvena pristranskost\", saj uporaba razmerja (delitev) namesto razlike (od\u0161tevanje) rezultate analize iz znanosti preusmeri v psevdoznanost.<\/p>\n\n\n\n<p>Pri nekaterih vzorcih se uporablja pristranska statisti\u010dna zasnova, ki pa kljub temu omogo\u010da oceno parametrov. Ameri\u0161ki nacionalni center za zdravstveno statistiko na primer v \u0161tevilnih svojih raziskavah po vsej dr\u017eavi namenoma vzor\u010di manj\u0161insko prebivalstvo, da bi dosegel zadostno natan\u010dnost za ocene znotraj teh skupin.<\/p>\n\n\n\n<p>Te raziskave zahtevajo uporabo vzor\u010dnih ute\u017ei, da se pridobijo ustrezne ocene za vse etni\u010dne skupine. \u010ce so izpolnjeni dolo\u010deni pogoji (predvsem, da so ute\u017ei pravilno izra\u010dunane in uporabljene), ti vzorci omogo\u010dajo natan\u010dno oceno populacijskih parametrov.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Najbolj\u0161e prakse za zmanj\u0161evanje pristranskosti vzor\u010denja<\/h2>\n\n\n\n<p>Klju\u010dnega pomena je izbrati ustrezno metodo vzor\u010denja, da se zagotovi, da pridobljeni podatki natan\u010dno odra\u017eajo preu\u010devano populacijo.<\/p>\n\n\n\n<ol>\n<li><strong>Tehnike naklju\u010dnega vzor\u010denja<\/strong>: Uporaba tehnik naklju\u010dnega vzor\u010denja pove\u010da verjetnost, da je vzorec reprezentativen za populacijo. Ta tehnika pomaga zagotoviti, da je vzorec \u010dim bolj reprezentativen za zadevno populacijo, zato je manj verjetno, da bo vseboval pristranskost.<\/li>\n\n\n\n<li><strong>Izra\u010dun velikosti vzorca<\/strong>: Velikost vzorca je treba izra\u010dunati tako, da je na voljo ustrezna mo\u010d za preverjanje statisti\u010dno pomembnih hipotez. Ve\u010dja kot je velikost vzorca, bolj\u0161a je zastopanost populacije.<\/li>\n\n\n\n<li><strong>Analiza trendov<\/strong>: Iskanje alternativnih virov podatkov in analiziranje morebitnih opa\u017eenih trendov v podatkih, ki morda niso izbrani.<\/li>\n\n\n\n<li><strong>Preverjanje pristranskosti<\/strong>: Pojavljanje pristranskosti je treba spremljati, da bi ugotovili sistemati\u010dno izklju\u010devanje ali pretirano vklju\u010devanje dolo\u010denih podatkovnih to\u010dk.<\/li>\n<\/ol>\n\n\n\n<p><strong>Pazite na vzorce<\/strong><\/p>\n\n\n\n<p>Pri izvajanju raziskav je pomembno upo\u0161tevati pristranskost vzor\u010denja. Ne glede na uporabljeno metodologijo ali preu\u010devano podro\u010dje morajo raziskovalci zagotoviti, da uporabljajo reprezentativne vzorce, ki odra\u017eajo zna\u010dilnosti preu\u010devane populacije.<\/p>\n\n\n\n<p>Pri oblikovanju raziskovalnih \u0161tudij je treba biti pozoren na postopek izbire vzorca in na metodologijo, ki se uporablja za zbiranje podatkov iz vzorca. Uporabiti je treba najbolj\u0161e prakse, kot so tehnike naklju\u010dnega vzor\u010denja, izra\u010dun velikosti vzorca, analiza trendov in preverjanje pristranskosti, da bi zagotovili veljavnost in zanesljivost rezultatov raziskav, zaradi \u010desar je ve\u010dja verjetnost, da bodo ti vplivali na politiko in prakso.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Privla\u010dne znanstvene infografike v nekaj minutah<\/h2>\n\n\n\n<p><a href=\"http:\/\/mindthegraph.com\/\">Mind the Graph<\/a> je zmogljivo spletno orodje za znanstvenike, ki potrebujejo visokokakovostne znanstvene grafike in ilustracije. Platforma je uporabniku prijazna in dostopna znanstvenikom z razli\u010dnimi stopnjami tehni\u010dnega znanja, zato je idealna re\u0161itev za raziskovalce, ki morajo ustvarjati grafike za svoje publikacije, predstavitve in drugo znanstveno komunikacijsko gradivo.<\/p>\n\n\n\n<p>Ne glede na to, ali ste raziskovalec na podro\u010dju naravoslovnih, fizikalnih ali tehni\u010dnih ved, vam Mind the Graph ponuja \u0161irok nabor virov, ki vam bodo pomagali jasno in vizualno prepri\u010dljivo predstaviti rezultate va\u0161ih raziskav.<\/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\">Za\u010dnite brezpla\u010dno ustvarjati infografike<\/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>Pri izvajanju raziskav na podro\u010djih, kot so statistika, dru\u017eboslovje in epidemiologija, je pomembno upo\u0161tevati pristranskost vzorca. <\/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\/sl\/predsodek-pri-vzorcenju\/\" \/>\n<meta property=\"og:locale\" content=\"sl_SI\" \/>\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\/sl\/predsodek-pri-vzorcenju\/\" \/>\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\/sl\/predsodek-pri-vzorcenju\/","og_locale":"sl_SI","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\/sl\/predsodek-pri-vzorcenju\/","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":"sl-SI","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":"sl-SI"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321","name":"Gilberto de Abreu","image":{"@type":"ImageObject","inLanguage":"sl-SI","@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\/sl\/author\/giba\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/posts\/28012"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/users\/38"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/comments?post=28012"}],"version-history":[{"count":3,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/posts\/28012\/revisions"}],"predecessor-version":[{"id":28023,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/posts\/28012\/revisions\/28023"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/media\/28013"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/media?parent=28012"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/categories?post=28012"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/sl\/wp-json\/wp\/v2\/tags?post=28012"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}