Vse o stratificiranem naključnem vzorčenju
Kaj je stratificirano naključno vzorčenje?
Vzorec je mini predstavitev večje populacije.
Vzorce je mogoče določiti neformalno ali formalno. Toda vzorci, ki se sistematično razvijajo v skladu z določenimi znanstvenimi metodami, se na splošno štejejo za bolj uporabne za posploševanje večje populacije.
Kaj pomeni stratificirano?
Stratificirani vzorci so sestavljeni iz homogenih podskupin, za katere se šteje, da so ločeni na pomemben način. Zbirka teh homogenih podskupin se imenuje stratum. Ta metoda vzorčenja omogoča populaciji, da se deli v homogene podskupine, iz katerih se lahko izberejo preprosti naključni vzorci.
Zakaj je stratificiran vzorec koristen?
Namen stratificiranega naključnega vzorčenja je izbrati udeležence iz različnih podskupin, za katere se verjame, da so pomembni za raziskave, ki se bodo izvajale. Na primer na rezultate študije lahko vplivajo atributi subjektov , kot so njihova starost, spol, raven delovne izkušnje, rasna in etnična skupina, gospodarski položaj, dosežena raven izobrazbe itd.
Stratificiran vzorec je konstruiran tako, da se lahko razumno domneva, da so te potencialno vplivne značilnosti odražajo vzorec teh značilnosti v celotni populaciji. Na ta način vzorec odraža populacijo, iz katere je bilo odvzeto, vendar vzorca ni mogoče reči, da je reprezentativen za večjo populacijo .
Ne pozabite, da izbira članov stratificiranega vzorca ni naključen proces. To je dejalo, da se po vzpostavitvi sloja uporabi enostavno naključno vzorčenje za izbiro članov vzorcev za vsak sloj .
Kaj pomeni verjetnost?
Stratificiran naključni vzorec je verjeten, ker vsaka metoda, ki se uporablja za izbiro vzorčne populacije, zagotavlja razumno zanesljiv način ocenjevanja, kako reprezentativna je vzorčna populacija za večje (vesolje) populacijo, iz katere je bil izbran vzorec. Z drugimi besedami, verjetnostni vzorec omogoča raziskovalcu, da oceni verjetnost, da izbrani vzorec predstavlja ali ne predstavlja večje populacije, iz katere je bil odvzet vzorec.
Primeri
Uporabite stratificirane metode naključnega vzorčenja, kadar obstaja zanimanje za razlike med homogenimi podskupinami in populacijo večje populacije vzorcev.
Recimo, da lahko populacijo poslovnih strank razdelimo na tri skupine: Gen-Xers, Gen-Yers (Millennial) in Baby Boomers. Poleg tega imamo razlog za prepričanje, da sta Gen-Xers in Gen-Yers relativno manjša manjšina celotne poslovne stranke. Gen-Xers predstavljajo približno 5 odstotkov celotne populacije strank in Gen-Yers predstavljajo približno 10 odstotkov strank.
Preprost naključni vzorec s 100 člani (n = 100) bi lahko ustvaril 5 Gen-Xers in 10 Gen-Yers, če bi uporabili 10-odstotni delež vzorčenja. Bilo bi mogoče dobiti še manj Gen-Xers in manj Gen-Yers kot v vzorcu - samo naključno. Stratifikacija bo verjetno ustvarila bolj reprezentativne rezultate. Recimo, da v vsaki skupini želimo imeti vsaj 25 ljudi. Če še vedno vzamemo vzorec 100 (n = 100), potem lahko preizkusimo 25 Gen-Xers, 25 Gen-Yers in 50 Baby Boomers.
Vemo, da je 10 odstotkov prebivalstva Millennials ali Gen-Yers (ali približno 100 naših strank). Naključni vzorec 25 strank bo v vzorcu vzorčenja znotraj stratuma dobil 25/100 ali 25 odstotkov. Prav tako vemo, da je 5 odstotkov od 50 strank, ki niso, so Baby Boomers Gen-Xers. To pomeni, da bo delež znotraj stratuma 25/50 ali 50 odstotkov.
Torej, 50 Gen-Xers plus 100 Gen-Yers je skupaj 150 naših vzorcev strank. Ker je celotna populacija odjemalcev 1000, odštejemo Gen-Xers in Gen-Yers (skupno 150 strank), ki zapusti 850 strank, ki so Baby Boomers. Frakcija vzorčenja znotraj stratuma za Baby Boomers je 50/850 ali približno 5,88 odstotka.
Očitno sta dve stvari: (1) Tri skupine so bolj homogene v skupini kot v celotni populaciji. To pomeni, da je manj variance, kar daje priložnost za večjo statistično natančnost . (2) Ker je bil vzorec stratificiran, bodo imeli dovolj članov iz vsake skupine, da bi lahko naredili pomembne sklepne podskupine .
Stratificirano vzorčenje bi bilo morda prednost pred preprostim naključnim vzorčenjem, če je pomembno zastopati celotno populacijo in predstavljati ključne podskupine prebivalstva, še posebej, če so podskupine precej majhne, vendar se pomembno razlikujejo. Z uporabo stratificiranih metod vzorčenja lahko raziskovalec učinkovito zagotovi, da se lahko podskupine razlikujejo pri razpravi o rezultatih raziskav.