Lấy ngẫu nhiên mẫu không ngẫu nhiên

Tôi luôn có một chút ngạc nhiên khi thấy quảng cáo tâm lý khi tham gia các nghiên cứu thực nghiệm. Chắc chắn, những người trả lời các quảng cáo này không được lấy mẫu ngẫu nhiên và do đó là một dân số tự chọn.

Bởi vì được biết rằng ngẫu nhiên giải quyết vấn đề tự chọn, tôi đã tự hỏi nếu ngẫu nhiên của một mẫu không ngẫu nhiên thực sự thay đổi bất cứ điều gì.

Bạn nghĩ sao ? Ngoài ra, chúng ta nên làm gì với tất cả những thí nghiệm tâm lý này dựa trên mẫu tự chọn rất nhiều?

Ngẫu nhiên trong một mẫu không ngẫu nhiên vẫn có thể cho thấy một hiệu ứng không được giải thích hợp lý bằng sự thay đổi ngẫu nhiên.

Ví dụ, hãy tưởng tượng chúng ta có một quần thể với hai nhóm nhỏ không được nhận dạng (với các đặc điểm hơi khác nhau *) có kích thước gần bằng nhau, nhưng mẫu của bạn không ngẫu nhiên, phân chia 80/20. Hãy tưởng tượng 2 nhóm điều trị có kích thước bằng nhau. Ngẫu nhiên (ít nhất là với cỡ mẫu khá) sẽ có xu hướng phân chia gần 80/20 trong mỗi nhóm, do đó hiệu quả điều trị là do điều trị, thay vì phân bổ không đồng đều các nhóm không đồng nhất vào phương pháp điều trị.

* dẫn đến các phương tiện cơ bản khác nhau, nói

Vấn đề xảy ra khi bạn muốn mở rộng suy luận cho một số đối tượng mục tiêu khác với những gì mẫu của bạn là đại diện cho (người tự chọn); điều này đòi hỏi các giả định / một lập luận mà bạn có thể không có bằng chứng (chẳng hạn như giả sử rằng sự khác biệt trong điều trị sẽ phù hợp với tất cả các tập hợp con của dân số).

Đối với một tình huống tương tự, hãy tưởng tượng thử nghiệm một loại thuốc tăng huyết áp chỉ trên nam giới, so với điều trị tiêu chuẩn và giả dược. Giả sử những người đàn ông được chọn ngẫu nhiên vào nhóm điều trị. Một hiệu quả điều trị sẽ có thật theo nghĩa là nó thực sự mô tả một hiệu ứng ở nam giới. Khó khăn sẽ đến khi cố gắng mở rộng suy luận đó cho phụ nữ .

Vì vậy, nếu chúng được tiến hành đúng cách và ngẫu nhiên ngoài việc tuyển dụng, một hiệu ứng đáng kể được quan sát sẽ là những gì có vẻ như, nhưng nó sẽ áp dụng cho những gì bạn thực sự lấy mẫu, không nhất thiết là mục tiêu mong muốn của bạn là gì - vượt qua khoảng cách giữa hai người có thể đòi hỏi lập luận cẩn thận; lập luận như vậy thường không có.

Khi tôi còn là sinh viên, các thí nghiệm tâm lý học được thực hiện khá phổ biến đối với sinh viên tâm lý học, những người được cho là tình nguyện trong một số giờ nhất định của các thí nghiệm đó (điều này vẫn có thể xảy ra nhưng tôi không liên lạc thường xuyên với các nhà tâm lý học ai làm thí nghiệm nữa). Với ngẫu nhiên để điều trị, các kết luận có thể có giá trị (tùy thuộc vào những gì đã được thực hiện) nhưng sẽ áp dụng cho dân số địa phương của sinh viên đại học tâm lý tự chọn (trong đó họ thường chọn những thí nghiệm để đăng ký), những người ở rất xa một mẫu ngẫu nhiên của dân số rộng hơn.

Bởi vì được biết rằng ngẫu nhiên giải quyết vấn đề tự chọn, tôi đã tự hỏi nếu ngẫu nhiên của một mẫu không ngẫu nhiên thực sự thay đổi bất cứ điều gì.

Tóm lại, không. Hãy nghĩ về nó theo cách này: bạn có một chiếc bình với 100 quả bóng đen và 100 quả bóng trắng. Bạn lấy mẫu 90 quả bóng đen và 10 quả bóng trắng từ nó. Lấy mẫu ngẫu nhiên từ mẫu phụ này sẽ không cho phép bạn suy luận không thiên vị về chính chiếc bình.

Ngoài ra, chúng ta nên làm gì với tất cả những thí nghiệm tâm lý này dựa trên mẫu tự chọn rất nhiều?

Mọi người đồng ý rằng lấy mẫu không ngẫu nhiên là một vấn đề. Nhưng vấn đề là bao nhiêu cũng là một câu hỏi về "lý thuyết" của bạn về cơ chế mà bạn quan tâm. Nếu giả thuyết của bạn liên quan đến một cơ chế về cơ bản là giống nhau đối với tất cả mọi người (tức là trải qua cảm giác đóng băng khi nhúng vào băng giá nước), sau đó lựa chọn không ngẫu nhiên không quan trọng lắm. Thật không may, đó thường không phải là những điều chúng ta quan tâm.

Có một kỹ thuật được thiết kế để đối phó với các vấn đề bạn đề cập là Bootstrapping. Bootstrapping là một cách tiếp cận nơi bạn tạo các mẫu tổng hợp mới bằng cách vẽ từ nhóm mẫu thực tế của bạn với sự thay thế. Sau đó, bạn thực hiện thống kê trên từng nhóm mẫu tổng hợp đó và so sánh số liệu thống kê giữa các bộ.

Điều này có một lợi thế mạnh mẽ là cho phép bạn sử dụng rất nhiều công cụ bổ sung tuyệt vời trong số liệu thống kê của mình vì những mẫu tổng hợp này đến từ một bản phân phối đã biết. Sau đó, bạn có thể xác định mức độ tốt của người ước tính của bạn trong việc xử lý các trường hợp tổng hợp này. Nếu bạn thấy rằng các công cụ ước tính cho tất cả các mẫu tổng hợp của bạn hội tụ độc đáo vào cùng một kết quả, thì các giả định của bootstrapping cho phép bạn suy ra rằng các công cụ ước tính của bạn, khi áp dụng cho mẫu đầy đủ, cung cấp các ước tính tốt cho dân số chưa biết. Mặt khác, nếu bạn thấy các công cụ ước tính của bạn mang lại kết quả rất khác nhau từ tập hợp mẫu tổng hợp đến tập hợp mẫu tổng hợp, bạn nên suy luận rằng các công cụ ước tính của bạn, khi áp dụng cho toàn bộ mẫu, có thể không cung cấp ước tính rất tốt cho dân số chưa biết.

Cách tiếp cận bootstrapping này có thể được sử dụng để xác nhận xem liệu ngẫu nhiên của mẫu không ngẫu nhiên của bạn có đủ hay không. Tất nhiên, điều đó không thể chứng minh điều đó, nhưng nó đã được sử dụng như một công cụ để nâng cao độ tin cậy bằng cách kiểm tra lại giả định của bạn rằng việc lấy mẫu ngẫu nhiên của bạn là đủ ngẫu nhiên.