Вибірка у психологічному дослідженні: генеральна сукупність, відбір і похибки
Автор: Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 р. · Редакційна політика
Вибірка у психологічному дослідженні — це конкретна сукупність учасників, спостережень або інших одиниць, дані яких фактично аналізують, щоб відповісти на дослідницьке питання. Вона має сенс лише разом із чітко визначеною генеральною сукупністю: ширшою множиною одиниць, про яку дослідник прагне зробити висновок. Якість вибірки визначається не самим числом учасників, а тим, кого саме вважають цільовою сукупністю, хто мав шанс потрапити до дослідження, хто реально погодився, кого виключили, хто вибув і для якої популяції зрештою сформульовано висновок.
Саме тому питання про вибірку стоїть між психологічним дослідженням як дизайном і статистичним висновком. Дані виникають у конкретній групі, а твердження часто виходять за її межі. Перехід від «ми спостерігали це серед цих людей» до «це характерно для ширшої популяції» потребує аргументації щодо відбору, охоплення, невідповідей, самовідбору, вибування та інших джерел систематичної помилки.
Сучасні стандарти звітності в психології вимагають прозоро описувати характеристики учасників, критерії включення й виключення, спосіб набору та інші суттєві деталі вибірки, щоб читач міг оцінити межі висновку — APA Journal Article Reporting Standards (JARS).
Коротко: що треба розрізняти
• Генеральна сукупність — множина одиниць, до якої стосується дослідницьке питання і на яку планують поширювати висновок.
• Цільова сукупність — конкретно сформульована генеральна сукупність для цього дослідження: наприклад, не «підлітки взагалі», а «учні 9–11 класів державних шкіл певного регіону у 2026 році».
• Основа вибірки — список, реєстр, панель, мережа закладів або інший практичний механізм, через який одиниці цільової сукупності можуть бути доступні для відбору.
• Одиниця відбору — одиниця, яку відбирають на певному етапі. Нею може бути людина, школа, клас, родина, команда, клініка або інший кластер.
• Вибірка — одиниці, що потрапили до дослідження.
• Аналітична вибірка — учасники або спостереження, дані яких реально увійшли до конкретного аналізу після невідповідей, вибування, пропусків і заздалегідь визначених виключень.
• Похибка вибірки у вузькому статистичному сенсі — випадкова мінливість оцінки, що виникає через спостереження лише частини сукупності.
• Зміщення відбору — систематична різниця між тими, хто потрапив до даних, і тими, щодо кого роблять висновок, якщо ця різниця пов’язана з досліджуваним показником.
Вибірка починається з генеральної сукупності, а не з набору учасників
У практичному дослідженні легко почати з того, кого можна швидко знайти: студентів власного університету, підписників у соціальній мережі, користувачів онлайн-платформи або клієнтів конкретної клініки. Методологічно послідовний порядок інший: спочатку формулюють, про кого саме має бути висновок, потім визначають реалістичний шлях до цих людей і лише після цього будують процедуру відбору та набору.
Наприклад, питання «чи пов’язане недосипання з тривожністю у студентів?» ще не задає генеральну сукупність повністю. Потрібно уточнити: студенти якого віку, якої форми навчання, яких закладів, у якій країні або регіоні, у який період? Якщо дані збирали лише серед добровольців одного факультету, це фактична вибірка. Вона не стає автоматично представником усіх студентів України лише тому, що учасників було багато.
Офіційні стандарти вибіркового дизайну також починають із опису цільової популяції та побудови адекватної основи вибірки — Statistical Quality Standard A3 Бюро перепису населення США. Це загальна статистична логіка, яка прямо переноситься на психологічні дослідження, коли метою є висновок від вибірки до популяції.
Цільова сукупність, основа вибірки та фактично доступна сукупність
Цільова сукупність
Цільова сукупність визначається змістом питання. Якщо дослідження стосується психологічного благополуччя українських підлітків 14–17 років, саме ці вікові та контекстні межі мають бути прописані. Якщо дослідника цікавлять лише підлітки, які навчаються очно в міських школах, це вже інша цільова сукупність і, відповідно, інше твердження, яке можна робити з даних.
Основа вибірки
Основа вибірки — практичне представлення сукупності, з якого можна здійснити відбір: список шкіл, реєстр пацієнтів, панель респондентів, перелік працівників організацій, база електронних адрес або сукупність користувачів певного сервісу. Вона може не збігатися з цільовою сукупністю. Якщо частини цільової популяції в основі немає, виникає похибка охоплення.
У психології основа вибірки часто прихована всередині способу рекрутингу. Оголошення в університетській системі фактично робить доступними лише тих, хто має доступ до цієї системи й помітив повідомлення. Реклама в соціальній мережі залежить від користування платформою, алгоритмічного показу, мови оголошення, пристрою та готовності перейти за посиланням. Ці механізми є частиною відбору, навіть якщо дослідник не називає їх «sampling frame».
Одиниця відбору і одиниця аналізу
Одиниця відбору не завжди дорівнює одиниці аналізу. Дослідник може спочатку випадково обрати школи, потім класи, а потім включити всіх учнів у вибраних класах. На першому етапі одиницею відбору є школа, на другому — клас, а аналітичними одиницями можуть бути окремі учні. Така кластерна структура впливає на незалежність спостережень і статистичну точність; просте число учасників не описує дизайн повністю.
Як вибірка формується насправді: ланцюг від популяції до даних
Фінальна аналітична вибірка виникає не в одну мить. Вона є результатом послідовних фільтрів. Корисно бачити весь ланцюг, тому що систематичне зміщення може з’явитися на будь-якому етапі.
• 1. Визначення цільової сукупності: про кого саме має бути висновок.
• 2. Формування основи вибірки або каналів рекрутингу: хто взагалі може бути досягнутий.
• 3. Відбір або показ запрошення: кому реально дали шанс взяти участь.
• 4. Відповідь і згода: хто побачив запрошення, відгукнувся та погодився.
• 5. Перевірка критеріїв включення і виключення: хто відповідає протоколу.
• 6. Участь у процедурі: хто завершив необхідні етапи.
• 7. Обробка даних: які спостереження вилучили за правилами якості, пропусків або порушення протоколу.
• 8. Аналітична вибірка: на чиїх даних базується конкретна оцінка, модель або тест.
Через це фраза «ми набрали 800 учасників» є лише початком опису. Для оцінки вибірки потрібні відповіді на запитання: звідки вони прийшли, хто не міг бути рекрутований, хто відмовився, хто вибув, кого виключили і чи пов’язані ці процеси з показником, який досліджують.
Ймовірнісний і неймовірнісний відбір
У ймовірнісному відборі для одиниць у визначеній основі вибірки задано відомі, ненульові ймовірності потрапляння до вибірки. Це створює дизайн-орієнтовану статистичну основу для оцінювання вибіркової мінливості й побудови висновків про популяцію за умов правильно реалізованого дизайну.
У неймовірнісному відборі ймовірності включення невідомі або не визначені дизайном. До цього широкого класу належать, зокрема, вибірки зручності, добровольчі онлайн-вибірки та багато панелей. Систематичний огляд теорії й емпіричних порівнянь показує, що висновки з неймовірнісних вибірок вимагають сильніших модельних припущень, а ймовірнісні вибірки в більшості розглянутих порівнянь давали точніші популяційні оцінки — Cornesse та співавт., 2020.
Це не означає, що неймовірнісна вибірка автоматично робить дослідження марним. Мета дослідження має значення. Для перевірки вузького механістичного ефекту, розробки парадигми або початкової перевірки теоретичного передбачення вибірка зручності може бути доречною, якщо межі узагальнення сформульовані чесно. Дискусію про роль таких вибірок у базовій психологічній науці добре ілюструє Sherman, 2025.
Окрема канонічна сторінка ХАБу розбиратиме способи формування вибірок — простий випадковий, стратифікований, кластерний і неймовірнісні методи — детально. Тут головне розрізнення полягає в тому, що метод відбору визначає логіку переходу від доступних одиниць до популяційного висновку.
Репрезентативність: відповідність конкретному висновку, а не ярлик «хороша вибірка»
Репрезентативність має сенс лише щодо певної цільової сукупності, певних змінних і певного висновку. Свіжий методологічний огляд у психології наголошує: представництво не можна зводити до поверхневої демографічної схожості; потрібно аналізувати механізми, через які вибірка відрізняється від популяції саме за характеристиками, релевантними для оцінюваного параметра — Alsalti, Rohrer & Arslan, 2026.
Наприклад, якщо досліджують середній рівень використання певного цифрового сервісу серед усіх дорослих, рекрутинг лише через цей сервіс створює очевидний зв’язок між шансом потрапити до вибірки й самим показником. Якщо ж вивчають базовий психофізичний ефект, вік, освіта або тип зайнятості можуть бути менш важливими для конкретного ефекту — але це потрібно обґрунтовувати, а не припускати.
Тому «вибірка має стільки ж жінок і чоловіків, як у популяції» ще не доводить репрезентативності. Вона може відрізнятися за віком, здоров’ям, доступом до технологій, мотивацією, досвідом, регіоном, мовою, тяжкістю симптомів або будь-якою іншою ознакою, що пов’язана з досліджуваною змінною. І навпаки, неточний збіг за неважливою для конкретного оцінюваного параметра ознакою не обов’язково створює суттєве зміщення.
Похибка вибірки і систематичне зміщення — різні проблеми
Випадкова похибка вибірки
Навіть ідеально проведений випадковий відбір дає різні результати від вибірки до вибірки. Це природна вибіркова мінливість. Якщо з тієї самої популяції багато разів відбирати незалежні випадкові вибірки однакового розміру, оцінки середнього або частки трохи коливатимуться.
Для простої випадкової вибірки незалежних одиниць стандартна похибка вибіркової частки приблизно дорівнює SE(p̂) = √[p̂(1 − p̂) / n]. За p̂ = 0,50 і n = 400 вона становить приблизно 0,025, а груба 95-відсоткова межа випадкової похибки — близько ±4,9 процентного пункту. За n = 1600 вона зменшується приблизно вдвічі — до ±2,45 пункту. Це ілюструє правило √n: щоб приблизно вдвічі звузити випадкову похибку, за інших рівних умов потрібна приблизно вчетверо більша вибірка.
Ця проста формула не є універсальною «похибкою дослідження». Вона передбачає конкретний дизайн. Стратифікація, кластеризація, нерівні ваги, залежні спостереження та складні схеми відбору змінюють дисперсію. Для вибірки без повернення з невеликої кінцевої сукупності іноді застосовують поправку на кінцеву сукупність. А для неймовірнісної вибірки класична «похибка ±3%» не виникає автоматично лише з її розміру.
Саме тому стандарти AAPOR вимагають для ймовірнісних опитувань повідомляти, як оцінено вибіркову похибку і чи враховано дизайн-ефект; для неймовірнісних вибірок міри точності потребують описаної моделі, її припущень і способу перевірки.
Систематичне зміщення
Систематичне зміщення виникає, коли механізм появи даних пов’язаний із самим показником або з чинниками, що його визначають. Воно не зникає простим збільшенням n. Можна отримати дуже вузький інтервал навколо систематично зміщеної оцінки.
Цю проблему особливо виразно показує «парадокс великих даних»: великий обсяг даних не компенсує кореляцію між шансом потрапити до даних і змінною, яку оцінюють. Формалізація цього принципу в роботі Meng, 2018 демонструє, чому величезна, але систематично відібрана база може бути гіршою для популяційної оцінки, ніж значно менша, але краще спроєктована вибірка.
Основні джерела помилок відбору
1. Похибка охоплення
Похибка охоплення виникає, коли основа вибірки не включає частину цільової сукупності або включає одиниці, які до неї не належать. Онлайн-рекрутинг може недоохоплювати людей із низьким доступом до інтернету; список однієї клініки не охоплює людей із тим самим станом, які не звертаються по допомогу; університетський пул учасників не охоплює студентів інших закладів.
Проблема полягає не просто в тому, що когось «мало». Зміщення виникає тоді, коли недоохоплені люди систематично відрізняються за релевантним показником. Якщо різниці не пов’язані з досліджуваним параметром, наслідок може бути малим; якщо пов’язані — суттєвим.
2. Самовідбір і добровільна участь
У багатьох психологічних дослідженнях люди самі вирішують, чи брати участь. На рішення можуть впливати інтерес до теми, наявність вільного часу, винагорода, ставлення до науки, рівень симптомів, цифрова грамотність або досвід, безпосередньо пов’язаний із предметом дослідження. Тоді добровольці можуть систематично відрізнятися від тих, хто не відгукнувся.
Самовідбір не означає автоматичне сильне зміщення в кожному дослідженні. Його ризик визначає зв’язок між механізмом участі та оцінюваною змінною. Тому коректне запитання звучить так: які фактори робили участь імовірнішою, і чи можуть вони бути пов’язані з результатом?
3. Невідповідь
У ймовірнісній вибірці сам факт того, що частина відібраних людей не відповіла, може порушити початкову випадковість фактичної вибірки. Водночас низький відсоток відповіді не тотожний великому зміщенню: воно залежить від того, чи пов’язана схильність відповісти з досліджуваною величиною. Класичний огляд Groves, 2006 показує, що між часткою невідповідей і величиною зміщення немає простої механічної відповідності.
4. Критерії включення і виключення
Критерії можуть бути науково необхідними: наприклад, для безпеки, контролю важливих умов або точного визначення популяції. Але вони одночасно змінюють те, для кого справедливий висновок. Дослідження, що виключає людей із супутніми станами, не повинно без додаткових підстав трактуватися як прямий опис усіх людей із головним діагнозом у реальній практиці.
Особливо важливо розрізняти заздалегідь визначені виключення і рішення, прийняті після перегляду результатів. Другі можуть створювати додаткове аналітичне зміщення, якщо правила залежать від бажаного результату.
5. Вибування під час дослідження
У лонгітюдних дослідженнях, втручаннях і багатосесійних експериментах початкова вибірка й фінальна аналітична вибірка можуть сильно відрізнятися. Якщо вибування випадкове відносно досліджуваного результату, наслідки одні; якщо частіше вибувають люди з певними симптомами, небажаними реакціями, нижчою мотивацією або гіршим результатом — може виникнути систематичне зміщення.
6. Післязбірні виключення та пропущені дані
Видалення спостережень через технічні збої, неуважні відповіді, пропуски або невиконання інструкції іноді необхідне. Але кожне правило змінює аналітичну вибірку. Тому критерії якості даних, обробку пропусків і число виключених одиниць потрібно повідомляти прозоро.
Чому велика вибірка не виправляє поганий відбір
Розмір вибірки і якість відбору відповідають на різні питання. Великий n зазвичай зменшує випадкову статистичну невизначеність і за відповідного дизайну підвищує точність та статистичну потужність. Але він не усуває похибку охоплення, самовідбір, систематичну невідповідь або неправильно визначену цільову сукупність.
Уявімо дві вибірки для оцінки частки людей, які регулярно користуються певним застосунком. Перша — 100 000 добровольців, яких рекрутували всередині самого застосунку. Друга — 2000 людей, відібраних з добре визначеної популяційної основи із відомими ймовірностями включення та корекцією невідповідей. Перша має значно меншу випадкову похибку всередині власної бази, але її механізм відбору майже гарантовано пов’язаний з оцінюваною поведінкою. Число 100 000 не робить її автоматично кращим описом усієї популяції.
Отже, «чим більше, тим краще» є неповним правилом. Правильніше: за однакової якості дизайну більша вибірка зазвичай дає точнішу оцінку; за різної якості відбору величина n не визначає, яка оцінка ближча до популяційної.
Випадковий відбір і рандомізація учасників — різні операції
Випадковий відбір відповідає на запитання «хто з популяції потрапляє до дослідження?». Рандомізація в експерименті відповідає на інше запитання: «до якої умови потрапить уже включений учасник?». Перша процедура переважно стосується обґрунтованості узагальнення до популяції; друга — балансу умов і причинної інтерпретації експериментального порівняння.
Можливі всі чотири комбінації. Дослідження може мати випадкову популяційну вибірку без експериментальної рандомізації; може рандомізувати добровольців між умовами, хоча сама вибірка є зручною; може використовувати обидві процедури; або не використовувати жодної. Тому фраза «учасників рандомізували» не доводить, що вони випадково відібрані з населення.
Вибірка і причинність
Якість вибірки впливає на те, для кого можна узагальнювати результат, але сама репрезентативна вибірка не перетворює асоціацію на причинний ефект. Якщо дослідження спостережне, причинна інтерпретація все одно потребує окремого обґрунтування щодо часової послідовності, змішування, селекції, вимірювання та припущень конкретного методу.
Так само рандомізований експеримент може мати сильну внутрішню валідність для причинного ефекту в досліджуваній вибірці й водночас обмежену переносимість на інші групи. Причинність усередині дизайну й узагальнення назовні — пов’язані, але різні задачі.
Вибірка в психології: типові джерела вузького охоплення
Психологічна наука історично часто спиралася на студентські та інші доступні вибірки. Відомий огляд показав, що широкі твердження про людську психологію нерідко будувалися на учасниках із західних, освічених, індустріалізованих, багатих і демократичних суспільств, хоча психологічні ефекти можуть змінюватися між популяціями — Henrich, Heine & Norenzayan, 2010.
Сьогодні до студентських вибірок додалися онлайн-панелі, краудсорсингові платформи, рекрутинг через соціальні мережі та цифрові сервіси. Вони різко розширюють географію й швидкість набору, але кожен канал створює власний механізм доступності та самовідбору. Учасники онлайн-панелі — це не «випадкові люди з інтернету», а люди, які знають про платформу, мають технічний доступ, погодилися зареєструватися і готові виконувати дослідницькі завдання за певних умов.
Клінічні вибірки також потребують точного опису. Люди, які звернулися до спеціалізованого центру, можуть відрізнятися від людей із тим самим станом у громаді за тяжкістю симптомів, доступом до допомоги, мотивацією лікуватися, супутніми проблемами й багатьма соціальними чинниками. Висновок має відповідати реальній популяції, з якої виникли дані.
Що означає «репрезентативна вибірка» в конкретному дослідженні
Корисніше не ставити бінарне питання «репрезентативна чи ні», а послідовно оцінити представництво за конкретним ланцюгом інференції.
• Для якої цільової сукупності робиться висновок?
• Які одиниці фактично могли потрапити до основи вибірки?
• Хто мав ненульовий шанс бути запрошеним?
• Хто погодився і хто відмовився?
• Які характеристики впливали на участь, завершення та включення в аналіз?
• Чи пов’язані ці характеристики з основним результатом?
• Які підгрупи недоохоплені або переохоплені?
• Чи є зовнішні дані, з якими можна порівняти склад вибірки?
• Чи використовували ваги або модельні поправки, які припущення вони роблять і чи можуть ці припущення бути перевірені?
Цей підхід сильніший за ритуальну фразу «вибірка нерепрезентативна, тому потрібні подальші дослідження». Він показує, де саме може виникнути помилка і в якому напрямку вона здатна змінити оцінку.
Вагування може допомогти, але не створює відсутні дані
Якщо відома структура цільової популяції, даним іноді надають ваги, щоб скоригувати нерівні ймовірності відбору, невідповіді або дисбаланс за відомими змінними. Наприклад, якщо певна вікова група недопредставлена, її спостереження можуть отримати більшу вагу.
Проте вагування працює лише через інформацію, яка реально доступна, і потребує припущень про механізм відбору. Якщо невиміряна характеристика одночасно сильно впливає на участь і на досліджуваний результат, корекція за віком і статтю сама по собі її не усуне. Огляд Cornesse та співавт., 2020 показує, що постстратифікація та інші корекції не гарантовано усувають зміщення неймовірнісних вибірок.
Що змінюється в якісному дослідженні
У якісних дослідженнях логіка вибірки може бути іншою. Якщо мета — глибоко описати досвід певної групи, розвинути теоретичну категорію або зіставити інформаційно насичені випадки, навмисний добір учасників може бути методологічно правильним. Вимога випадкового популяційного відбору тут не є універсальним критерієм якості.
Якість оцінюють відповідно до конкретної якісної методології: чи відповідає стратегія добору дослідницькому питанню, чи прозоро описано, хто і чому був включений, як визначали достатність матеріалу, як працювали з різноманітністю випадків і негативними прикладами. APA JARS містять окремі стандарти для кількісних, якісних і змішаних досліджень, що прямо запобігає механічному перенесенню критеріїв одного підходу на інший.
Навіть у якісній роботі важливо розуміти межі перенесення висновків, але «репрезентативність» у статистичному сенсі не має автоматично підміняти критерії, властиві обраній методології. Насичення даних, теоретичне насичення, максимальна варіативність та інші принципи також мають різний зміст у різних підходах і не є взаємозамінними універсальними правилами.
Вибірка і вимірювання — окремі джерела якості
Добре відібрана вибірка не компенсує погане вимірювання, а надійний тест не компенсує систематично зміщений відбір. Це дві різні осі якості. Похибка вимірювання стосується того, наскільки дані відображають потрібний конструкт; похибка представництва — того, як одиниці в даних співвідносяться з цільовою сукупністю.
Психометрична надійність, валідність тестів, факторна структура, інваріантність вимірювання та інші питання психологічного вимірювання належать до окремої методологічної гілки. У статті про вибірку вони важливі як сусідній ризик, але не як частина самого відбору.
Як правильно описати вибірку в науковій статті
Оновлені стандарти кількісної звітності в психології наголошують на достатній інформації про учасників, критерії включення й виключення, спосіб визначення розміру вибірки, дизайн і аналітичні рішення — Appelbaum та співавт., 2018. Для читача це не формальність: без опису набору й потоку учасників неможливо оцінити, для кого справедливий результат.
Для більшості кількісних досліджень варто повідомляти щонайменше таке:
• цільову популяцію або достатньо чіткий опис того, на кого спрямовано висновок;
• місце, канали та період рекрутингу;
• основу вибірки або джерело, з якого набирали учасників;
• метод відбору та, для ймовірнісного дизайну, логіку ймовірностей включення;
• критерії включення і виключення та момент, коли їх застосовували;
• число запрошених, тих, хто відповів, погодився, почав, завершив і ввійшов до аналізу, якщо ці величини доступні й релевантні;
• ключові характеристики учасників, потрібні для оцінки перенесення результатів;
• винагороду або інші стимули, здатні впливати на участь;
• правила обробки пропущених даних і післязбірних виключень;
• вибування між хвилями або етапами дослідження;
• ваги, калібрування або інші поправки та їхні припущення;
• розбіжності між запланованою і фактичною вибіркою;
• межі узагальнення, які випливають саме з механізму відбору.
Як читачеві оцінити вибірку за кілька хвилин
Під час читання психологічного дослідження корисно пройти п’ять послідовних запитань.
1. Про кого автори говорять у висновку?
Знайдіть формулювання популяції. «Учасники нашого дослідження» — вузький рівень. «Студенти», «підлітки», «люди з депресією» або «люди загалом» — ширші рівні, які потребують дедалі сильнішого обґрунтування.
2. Звідки реально прийшли дані?
Один університет, одна клініка, одна платформа, одна країна, один тип школи чи відкрите онлайн-оголошення створюють конкретні межі. Географія й канал рекрутингу є частиною методології.
3. Хто не міг або не захотів потрапити до вибірки?
Подумайте про доступ, мову, технології, мотивацію, тяжкість стану, графік, винагороду, довіру до дослідників, вимоги протоколу. Саме тут часто прихований механізм систематичного відбору.
4. Чи виправляє великий n проблему?
Великий n добре бореться з випадковою мінливістю, але не гарантує правильного представництва. Якщо механізм включення пов’язаний із результатом, зростання вибірки може лише зробити зміщену оцінку дуже стабільною.
5. Чи відповідає сила висновку дизайну?
Висновок має бути не ширшим за підтримку, яку дає вибірка. Якщо дослідження проведено серед добровольців конкретного контексту, автори можуть описувати надійний ефект у цій вибірці й обережно обговорювати переносимість. Універсальне твердження про «людину» потребує значно ширшої доказової бази.
Поширені помилки інтерпретації
«Велика вибірка автоматично репрезентативна»
Ні. Розмір регулює переважно випадкову статистичну невизначеність. Репрезентативність залежить від механізму відбору й від того, для якого параметра та популяції робиться висновок.
«Випадкова вибірка означає, що групи в експерименті рандомізовані»
Ні. Це різні процедури. Випадкова вибірка стосується потрапляння з популяції до дослідження; рандомізація — розподілу вже включених учасників між умовами.
«Низька відповідь завжди робить вибірку непридатною»
Ні. Невідповідь створює ризик систематичного зміщення, але його величина залежить від того, чи відрізняються респонденти і нереспонденти за релевантними змінними. Groves, 2006 показує, що відсоток відповіді сам по собі не є прямою мірою невідповідного зміщення.
«Якщо демографічні пропорції збігаються, вибірка репрезентативна»
Ні. Вибірка може збігатися за віком і статтю, але відрізнятися за змінною, що визначає участь і одночасно пов’язана з результатом. Представництво потрібно оцінювати щодо цільового висновку, а не за універсальним набором ознак.
«Неймовірнісна вибірка не має наукової цінності»
Ні. Вона може бути цілком придатною для певних теоретичних, механістичних, пілотних або методичних задач. Проблема виникає, коли з такого дизайну без достатніх припущень роблять популяційні оцінки або широкі узагальнення.
«Похибка вибірки ±3% описує всю невизначеність дослідження»
Ні. Навіть коректно обчислена межа вибіркової похибки стосується конкретної випадкової складової за конкретним дизайном. Вона не включає автоматично похибку охоплення, самовідбір, невідповіді, вимірювання, обробки даних або модельну помилку.
Практичний приклад: від питання до аналітичної вибірки
Уявімо дослідження зв’язку між якістю сну й симптомами тривоги серед студентів українських університетів. Цільова сукупність — студенти визначених типів закладів і форм навчання в конкретний період. Якщо дослідники розсилають запрошення через десять університетів, фактична основа охоплює лише студентів цих закладів і лише тих, кого досягає канал комунікації.
Далі частина студентів не відкриє повідомлення. Частина відкриє, але не погодиться. Люди, які мають проблеми зі сном або цікавляться психічним здоров’ям, можуть бути мотивовані відповісти частіше. Частина погоджених не завершить анкету. Якщо довга анкета особливо складна для людей із високою тривогою або вираженим недосипанням, фінальна аналітична вибірка може зміститися ще раз.
Після цього дослідники можуть мати 5000 завершених відповідей і дуже вузькі довірчі інтервали для асоціації всередині цих даних. Але точність не відповідає автоматично на питання, наскільки оцінка переноситься на студентів, яких не охопив рекрутинг або які систематично не брали участі. Саме тому вибірка — це не лише число n.
Поширені запитання
Що таке вибірка у психологічному дослідженні?
Це сукупність учасників, спостережень або інших одиниць, дані яких реально збирають і аналізують. Вибірка використовується для відповіді на дослідницьке питання, а її зв’язок із ширшою генеральною сукупністю визначає межі узагальнення.
Що таке генеральна сукупність?
Це вся множина одиниць, до якої стосується запитання або на яку планують поширювати результат. Її потрібно визначати змістовно й конкретно: через людей або інші одиниці, контекст, час і релевантні критерії.
Чим одиниця відбору відрізняється від учасника?
Одиниця відбору — те, що відбирають на певному етапі. У багатоступеневій схемі спочатку можна відбирати школи, потім класи, а вже всередині класів — учнів. Тому одиниця відбору може бути кластером, тоді як учасником і одиницею аналізу є окрема людина.
Чим випадкова вибірка відрізняється від рандомізації?
Випадкова вибірка визначає, хто потрапляє з популяції до дослідження. Рандомізація визначає, як уже включених учасників розподіляють між експериментальними умовами. Це різні операції з різними цілями.
Чи робить велика вибірка дослідження репрезентативним?
Ні. Велика вибірка за інших рівних умов дає вищу точність і часто більшу статистичну потужність, але систематичне зміщення відбору може залишитися. Детальніше про планування n — у статті «Розмір вибірки».
Як порахувати похибку вибірки?
Для простої випадкової вибірки існують стандартні формули для стандартної похибки середнього або частки, але складні дизайни потребують урахування стратифікації, кластеризації, ваг та інших особливостей. Для неймовірнісної вибірки не можна чесно отримати класичну «похибку ±X%» лише підставивши n у формулу без додаткової моделі й припущень.
Чи можна узагальнювати результати з вибірки зручності?
Можна робити лише ті узагальнення, для яких є обґрунтування. Вибірка зручності може добре відповідати вузькому теоретичному питанню, але широкий популяційний висновок потребує аналізу механізму відбору, можливих модераторів і додаткових даних. Сучасна дискусія в психології саме тому відходить від ярлика «добра/погана вибірка» до конкретного аналізу цільової популяції та інференції — Alsalti, Rohrer & Arslan, 2026; Sherman, 2025.
Чи є репрезентативність тим самим, що зовнішня валідність?
Ні. Репрезентативність стосується відповідності вибірки певній популяції за релевантними для висновку властивостями й механізмом відбору. Зовнішня валідність ширша: вона охоплює переносимість результатів між популяціями, ситуаціями, умовами, способами реалізації втручань і часом.
Чи є похибка вимірювання похибкою вибірки?
Ні. Похибка вимірювання стосується того, як інструмент або процедура відображає потрібну властивість. Похибка вибірки та інші помилки представництва стосуються того, як одиниці, що дали дані, співвідносяться з цільовою популяцією. Обидва джерела можуть діяти одночасно.
Головний висновок
Вибірка — це міст між конкретними даними і ширшим твердженням. Її якість визначається тим, наскільки прозоро й обґрунтовано пройдено шлях від цільової сукупності до фактичної аналітичної групи. Розмір n важливий, але описує лише частину задачі. Метод відбору, охоплення, самовідбір, невідповіді, вибування, критерії виключення й релевантність відмінностей між вибіркою та популяцією визначають, що саме можна сказати за результатами дослідження.
Коректний висновок формулюється на тому самому рівні, який підтримує дизайн: спочатку про досліджувану вибірку, потім — за наявності підстав — про визначену популяцію. Саме ця дисципліна відрізняє статистичну точність від наукової узагальнюваності.