162. Próba reprezentatywna – co naprawdę oznacza?

W poprzedniej lekcji rozróżniliśmy populację docelową, dostępną i badaną. Teraz przechodzimy do pojęcia, które często bywa używane zbyt swobodnie: próba reprezentatywna. W języku potocznym oznacza ona zwykle „małą kopię całej populacji”. W metodologii sprawa jest bardziej złożona. Reprezentatywność nie jest pojedynczą cechą, którą próba albo ma, albo jej nie ma. Zależy od celu badania, sposobu doboru uczestników, populacji, zmiennych oraz planowanego wnioskowania.

Dobra próba nie musi mieć identycznego rozkładu wieku, płci czy wykształcenia jak populacja. Powinna natomiast dostarczać danych, na podstawie których można wiarygodnie odpowiadać na określone pytanie badawcze. W tej lekcji uporządkujemy to pojęcie, pokażemy jego ograniczenia i omówimy, dlaczego duża próba wygodnie zrekrutowanych osób może być mniej użyteczna niż mniejsza próba dobrana według przejrzystego planu.

Reprezentatywność: definicja funkcjonalna

Najprościej można powiedzieć, że próba jest reprezentatywna względem określonej populacji i określonego celu, jeżeli wyniki uzyskane w próbie mogą być rozsądnie wykorzystane do opisu tej populacji lub do oceny zależności występujących w populacji. Tak rozumiana reprezentatywność zawsze wymaga odpowiedzi na trzy pytania:

1. Reprezentatywna dla kogo? Dla wszystkich dorosłych mieszkańców Polski, pacjentów konkretnego szpitala, studentów jednej uczelni czy osób z rozpoznaną cukrzycą?
2. Reprezentatywna pod względem czego? Częstości depresji, średniego ciśnienia tętniczego, opinii o systemie ochrony zdrowia czy skuteczności interwencji?
3. Reprezentatywna w jakim sensie? Czy chodzi o możliwość szacowania parametrów populacyjnych, porównywania grup, czy raczej o przeniesienie wyników na podobne środowiska?

W badaniach sondażowych i epidemiologicznych reprezentatywność zwykle wiąże się z doborem probabilistycznym, czyli takim, w którym każda jednostka populacji ma znane, niezerowe prawdopodobieństwo znalezienia się w próbie. Nie oznacza to, że wszystkie osoby muszą mieć dokładnie takie samo prawdopodobieństwo wyboru. W losowaniu warstwowym lub wielostopniowym prawdopodobieństwa mogą się różnić, ale muszą być znane lub możliwe do wyznaczenia. WHO podkreśla, że poprawna rama doboru powinna obejmować jednostki populacji bez powtórzeń, wykluczać osoby spoza populacji i być aktualna (WHO, 2017). ([who.int](https://www.who.int/docs/default-source/ncds/ncd-surveillance/steps/steps-manual.pdf?sfvrsn=c281673d_5&utm_source=openai))

Próba reprezentatywna nie oznacza identycznej miniatury populacji

Załóżmy, że w populacji jest 52% kobiet i 48% mężczyzn. W próbie liczącej 100 osób może znaleźć się 49 kobiet i 51 mężczyzn, a próba nadal może być wynikiem prawidłowego losowania. Różnica nie musi oznaczać błędu systematycznego; może wynikać z losowej zmienności próby.

Warto odróżnić dwa pojęcia:

• zgodność opisowa – podobieństwo rozkładów wybranych cech w próbie i populacji;
• reprezentatywność inferencyjna – możliwość uzasadnionego wnioskowania o populacji na podstawie planu doboru, prawdopodobieństw wyboru, odpowiedzi uczestników i zastosowanej analizy.

Próba może dobrze odtwarzać strukturę populacji pod względem wieku i płci, ale być niereprezentatywna dla poziomu aktywności fizycznej, jeśli do badania chętniej zgłaszały się osoby zainteresowane zdrowiem. Z drugiej strony próba może różnić się od populacji w kilku cechach, lecz nadal umożliwiać poprawne oszacowanie interesującego parametru, jeżeli różnice są wyłącznie losowe i plan analizy uwzględnia schemat losowania.

Skąd bierze się reprezentatywność?

1. Jasno określona populacja docelowa

Nie można oceniać reprezentatywności bez zdefiniowania populacji. Zdanie „badanie obejmowało 500 pacjentów” nie wystarcza. Trzeba wiedzieć, czy byli to pacjenci jednego oddziału, wszystkich oddziałów danego szpitala, osób leczonych w regionie czy wszystkich osób z daną chorobą.

W raporcie należy określić co najmniej miejsce, okres, kryteria kwalifikacji, jednostkę badania oraz istotne wyłączenia. Inaczej ocenia się próbę osób dorosłych mieszkających w Polsce, a inaczej próbę dorosłych korzystających z poradni podstawowej opieki zdrowotnej w województwie mazowieckim w 2025 roku.

2. Odpowiednia rama doboru

Rama doboru to operacyjna lista lub system, z którego wybiera się jednostki do próby. Może nią być rejestr mieszkańców, lista gospodarstw domowych, wykaz szkół, baza pacjentów albo lista numerów telefonicznych. Rama może być niepełna, przestarzała lub zawierać duplikaty. Wtedy nawet losowanie nie zapewni pełnego pokrycia populacji.

Jeżeli badacz chce oszacować częstość nadciśnienia w całej populacji, ale korzysta wyłącznie z listy pacjentów poradni kardiologicznej, to otrzymuje próbę z populacji osób korzystających z określonego rodzaju opieki, a nie z całej populacji mieszkańców. Problem ten nazywa się błędem pokrycia.

3. Losowy lub kontrolowany sposób selekcji

W prostym losowaniu każda osoba z ramy ma takie samo prawdopodobieństwo wyboru. W doborze warstwowym populację dzieli się na warstwy, na przykład według województwa, wieku lub płci, a następnie losuje się osoby w każdej warstwie. W doborze klastrowym losuje się najpierw większe jednostki, takie jak szkoły, gminy lub oddziały, a potem osoby wewnątrz nich.

Dobór warstwowy może zapewnić odpowiednią liczbę osób z małych, ale ważnych podgrup. Dobór klastrowy obniża koszty, lecz osoby z tego samego klastra bywają do siebie podobne. Zwiększa to wariancję oszacowań i wymaga uwzględnienia w analizie, na przykład przez zastosowanie wag oraz korekty dla złożonego planu próby.

4. Ograniczenie braku odpowiedzi

Losowanie określa, kto powinien zostać zaproszony, ale nie gwarantuje, że te osoby odpowiedzą. Jeżeli osoby nieuczestniczące różnią się od uczestników pod względem badanej cechy, pojawia się błąd braku odpowiedzi. Sam odsetek odpowiedzi jest ważny, ale nie wystarcza do oceny skali problemu. Wysoki odsetek odpowiedzi nie wyklucza błędu, a niższy nie dowodzi automatycznie, że wyniki są bezużyteczne.

Przykładowo, w badaniu stresu zawodowego pielęgniarek osoby szczególnie przeciążone mogą nie mieć czasu na wypełnienie ankiety. Wtedy uzyskana średnia może zaniżać rzeczywisty poziom stresu, nawet jeśli początkowa lista zaproszonych osób została utworzona losowo.

Wzór i intuicja: prawdopodobieństwo włączenia do próby

W badaniach złożonych często każda osoba ma inne prawdopodobieństwo znalezienia się w próbie. Dla osoby i oznaczmy je jako:

πᵢ = P(i zostanie wybrana do próby)

gdzie:

• πᵢ oznacza prawdopodobieństwo włączenia osoby i do próby;
• P oznacza prawdopodobieństwo;
• i oznacza konkretną jednostkę populacji.

Podstawowa waga projektowa jest odwrotnością tego prawdopodobieństwa:

wᵢ = 1 / πᵢ

Jeżeli osoba miała prawdopodobieństwo wyboru równe 0,10, jej podstawowa waga wynosi 10. Intuicyjnie reprezentuje ona około dziesięć podobnych jednostek populacji. W praktyce wagę można następnie korygować z powodu braku odpowiedzi lub kalibrować do znanych rozkładów populacji, na przykład wieku i płci. Wagi nie „naprawiają” każdego problemu. Nie usuną błędu, jeśli ważna grupa w ogóle nie znalazła się w ramie doboru albo jeśli nie znamy zmiennych związanych z prawdopodobieństwem odpowiedzi.

Przykład 1: badanie częstości otyłości

Badacz chce oszacować częstość otyłości wśród dorosłych mieszkańców województwa. Rekrutuje 1200 osób z jednego centrum medycznego. Próba jest liczna, a wśród uczestników 30% ma otyłość.

Czy można powiedzieć, że otyłość dotyczy 30% dorosłych mieszkańców województwa? Nie bez dodatkowych założeń. Do centrum medycznego mogą częściej trafiać osoby starsze, przewlekle chore lub bardziej zainteresowane zdrowiem. Ponadto osoby z odległych miejscowości mogą być niedostatecznie reprezentowane.

Lepszy projekt mógłby obejmować losowanie gmin, następnie gospodarstw domowych, a potem jednej lub kilku osób z każdego gospodarstwa. Należałoby zaplanować wizyty dla osób pracujących, dokumentować odmowy, uwzględnić różne prawdopodobieństwa wyboru i zastosować wagi. Jeżeli badanie ma służyć jedynie opisowi pacjentów tego centrum, wcześniejsza próba może być odpowiednia, ale populacją wnioskowania są wtedy pacjenci centrum, a nie wszyscy mieszkańcy województwa.

Przykład 2: ankieta internetowa o zdrowiu psychicznym studentów

Uniwersytet publikuje w mediach społecznościowych link do ankiety dotyczącej objawów depresji. Wypełnia ją 2400 osób. Wynik wskazuje, że 42% respondentów ma wynik sugerujący podwyższone nasilenie objawów.

Duża liczba odpowiedzi nie oznacza automatycznie reprezentatywności. Do ankiety mogły częściej przystępować osoby, które interesują się zdrowiem psychicznym, doświadczają trudności albo chcą wyrazić swoją opinię. Studenci bez aktywnych kont w danym medium, przebywający na urlopie dziekańskim lub mniej skłonni do udziału mogli zostać pominięci.

Badania internetowe są szczególnie narażone na błąd pokrycia i samoselekcji. Bethlehem wskazuje, że zarówno niedostateczne pokrycie populacji, jak i dobrowolne zgłaszanie się mogą prowadzić do obciążonych wyników, a sama korekta wag nie zawsze wystarcza (Bethlehem, 2010). ([onlinelibrary.wiley.com])

W takim projekcie ostrożny wniosek brzmiałby: „Wśród studentów, którzy dobrowolnie odpowiedzieli na internetową ankietę, 42% uzyskało wynik sugerujący podwyższone objawy”. Nie należy bez dodatkowych danych pisać: „42% studentów uniwersytetu ma depresję”. Po pierwsze, narzędzie przesiewowe nie jest równoznaczne z diagnozą. Po drugie, próba ochotnicza może nie reprezentować całej populacji studentów.

Reprezentatywność a trafność zewnętrzna

Trafność zewnętrzna dotyczy możliwości przeniesienia wyników poza badaną próbę. Jest pojęciem szerszym niż reprezentatywność w badaniach sondażowych. W randomizowanym badaniu klinicznym uczestnicy mogą być starannie wybrani według kryteriów, które zwiększają bezpieczeństwo i jednorodność grupy. Taka próba nie musi reprezentować wszystkich pacjentów, ale wyniki mogą być przenoszone na osoby podobne do uczestników, jeśli uzasadniają to mechanizm interwencji, kontekst kliniczny i zgodność charakterystyk.

Nie należy więc oceniać każdej próby wyłącznie według tego, czy odtwarza strukturę społeczeństwa. W badaniu etiologicznym lub eksperymentalnym ważniejsze może być uzyskanie poprawnego porównania grup niż oszacowanie częstości zjawiska w całej populacji. W badaniu rozpowszechnienia choroby priorytetem jest natomiast pokrycie populacji i poprawne uwzględnienie schematu doboru.

Jak oceniać reprezentatywność w artykule naukowym?

Opis próby powinien pozwolić czytelnikowi samodzielnie ocenić, dla jakiej populacji wynik jest wiarygodny. Warto sprawdzić:

• czy zdefiniowano populację docelową i populację, z której faktycznie rekrutowano osoby;
• czy podano źródło i zakres ramy doboru;
• czy opisano metodę selekcji, w tym losowanie, warstwy i klastry;
• czy podano liczbę osób zaproszonych, zakwalifikowanych, uczestniczących i przeanalizowanych;
• czy przedstawiono przyczyny odmów oraz utraty uczestników;
• czy zastosowano i opisano wagi, jeśli schemat doboru nie był prosty;
• czy autorzy ograniczyli wnioski do populacji, którą rzeczywiście obejmuje projekt.

W badaniach obserwacyjnych pomocna jest deklaracja STROBE. Zaleca ona między innymi jasne przedstawienie sposobu wyboru uczestników, kryteriów kwalifikacji oraz przepływu osób przez kolejne etapy badania (von Elm et al., 2007; Vandenbroucke et al., 2007). ([pubmed.ncbi.nlm.nih.gov])

Najczęstsze błędy

1. „Duża próba jest reprezentatywna”. Liczebność zmniejsza losowy błąd oszacowania, ale nie usuwa błędu systematycznego. Tysiące ochotników nadal mogą nie reprezentować populacji.
2. „Losowo wybraliśmy osoby, więc wszystko jest w porządku”. Losowanie z niepełnej ramy nie obejmuje osób pominiętych w tej ramie.
3. Mylenie struktury próby z reprezentatywnością. Dopasowanie wieku i płci nie gwarantuje podobieństwa pod względem zdrowia, dochodu, stylu życia czy skłonności do odpowiedzi.
4. Ignorowanie odmów. Uczestnicy nie są automatycznie równoważni osobom zaproszonym.
5. Używanie kwot jako dowodu losowości. Próba kwotowa może odtwarzać wybrane proporcje, lecz osoby wewnątrz kwot mogą być dobierane wygodnie.
6. Nieprawidłowe stosowanie wag. Waga nie zastępuje dobrej ramy doboru i nie naprawia niezmierzonych różnic między respondentami a nieuczestniczącymi.
7. Uogólnianie poza populację badania. Wyniki pacjentów jednego szpitala nie muszą opisywać wszystkich pacjentów w kraju.
8. Język nadmiernej pewności. Lepiej napisać „wyniki mogą być odnoszone do…” niż „wyniki reprezentują wszystkich…”, jeśli ograniczenia są istotne.

Przykład praktyczny: ocena badania nad szczepieniami

Zespół chce oszacować odsetek osób starszych, które przyjęły sezonową szczepionkę przeciw grypie. Najpierw definiuje populację jako osoby w wieku co najmniej 65 lat mieszkające w określonym województwie w sezonie 2025/2026. Następnie uzyskuje aktualny wykaz gmin i gospodarstw domowych, losuje gminy proporcjonalnie do liczby mieszkańców, a w nich gospodarstwa. W każdym gospodarstwie losuje jedną osobę spełniającą kryterium wieku.

W analizie badacze uwzględniają prawdopodobieństwo wyboru, liczbę osób w gospodarstwie, gminę oraz brak odpowiedzi. Sprawdzają również, czy struktura próby pod względem wieku, płci i miejsca zamieszkania odbiega od danych populacyjnych. Jeżeli osoby mieszkające samotnie odpowiadają rzadziej, można rozważyć odpowiednią korektę, ale trzeba opisać jej założenia.

Wynik należy interpretować jako oszacowanie dla zdefiniowanej populacji i sezonu, a nie jako uniwersalną właściwość wszystkich osób starszych. Jeżeli badanie przeprowadzono tylko w jednym województwie, nie można bezpośrednio przenosić odsetka na cały kraj. Raport powinien także wskazać, czy potwierdzano szczepienie dokumentacją, czy opierano się na deklaracji uczestnika, ponieważ reprezentatywny dobór nie eliminuje błędu pomiaru.

Co warto zapamiętać?

• Reprezentatywność jest relacyjna: zawsze dotyczy określonej populacji, zmiennej i celu wnioskowania.
• Najsilniejszą podstawą uogólniania są przejrzyste procedury doboru probabilistycznego oraz dobrze zdefiniowana rama doboru.
• Duża próba nie kompensuje błędu pokrycia, samoselekcji ani systematycznego braku odpowiedzi.
• Podobieństwo próby do populacji w kilku cechach opisowych jest pomocne, ale nie stanowi pełnego dowodu reprezentatywności.
• Wagi mogą korygować różne prawdopodobieństwa wyboru i część problemów braku odpowiedzi, lecz wymagają wiarygodnych informacji pomocniczych.
• Próba reprezentatywna dla częstości zjawiska nie musi być konieczna ani wystarczająca do każdego pytania przyczynowego lub eksperymentalnego.
• W raporcie należy jasno opisać, dla kogo wyniki są uzasadnione, a dla kogo pozostają niepewne.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować reprezentatywność nie jako etykietę przypinaną do próby, lecz jako wniosek wynikający z całego łańcucha decyzji: od definicji populacji, przez ramę i sposób doboru, po udział uczestników, ważenie oraz analizę. To właśnie ten łańcuch, a nie sama liczba zebranych ankiet, decyduje o jakości uogólnienia.

Źródła i dalsza lektura

1. Bethlehem, J. (2010). Selection Bias in Web Surveys. International Statistical Review, 78(2), 161–188. DOI: 10.1111/j.1751-5823.2010.00112.x.
2. Tyrer, S., & Heyman, B. (2016). Sampling in epidemiological research: issues, hazards and pitfalls. BJPsych Bulletin, 40(2), 57–60. DOI: 10.1192/pb.bp.114.050203.
3. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., et al.; STROBE Initiative (2007). The STROBE statement: guidelines for reporting observational studies. The Lancet, 370(9596), 1453–1457. DOI: 10.1016/S0140-6736(07)61602-X.
4. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., & Egger, M.; STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): explanation and elaboration. Annals of Internal Medicine, 147(8), W163–W194. DOI: 10.7326/0003-4819-147-8-200710160-00010-w1.
5. World Health Organization (2017). WHO STEPS Surveillance Manual: The WHO STEPwise approach to noncommunicable disease risk factor surveillance. World Health Organization. Źródło.
6. Lohr, S. L. (2021). Sampling: Design and Analysis. 3rd edition. Chapman and Hall/CRC. Informacja wydawcy / źródło.