STRATIFICĒTA PARAUGU ŅEMŠANA: KAS TAS IR, VEIDI, PRIEKŠROCĪBAS UN TRŪKUMI - EKONOMIKA - 2025

Stratificētu izlases vai noslāņošanās, ir izlases metode, kas ietver sadalot iedzīvotāju mazākos apakšgrupās, kas pazīstams kā slāņos. Šie slāņi savukārt tiek veidoti, pamatojoties uz dalībnieku kopīgajām īpašībām vai īpašībām, piemēram, ienākumiem vai izglītības līmeni.

To izmanto, lai izceltu atšķirības starp iedzīvotāju grupām, atšķirībā no vienkāršas paraugu ņemšanas, kurā visi populācijas locekļi tiek uzskatīti par vienlīdzīgiem, ar tādu pašu varbūtību, ka tiks ņemti paraugi.

Avots: needpix.com

Mērķis ir uzlabot izlases precizitāti, samazinot izlases kļūdu. Tas var radīt svērto vidējo ar mazāku mainīgumu nekā vienkārša populācijas parauga vidējais aritmētiskais.

Stratifikācija ir process, kurā pirms paraugu ņemšanas sabiedrības locekļi tiek sadalīti viendabīgās apakšgrupās. Izmantojot slāņus, tiek noteikts iedzīvotāju sadalījums.

Tas ir, tai jābūt kolektīvi izsmeļošai un savstarpēji izslēdzošai, tāpēc katram iedzīvotāju elementam jāpiešķir viens slānis. Pēc tam katrā slānī tiek piemērota sistemātiska vai vienkārša paraugu ņemšana.

Svarīgi apsvērumi

Ir svarīgi ņemt vērā, ka slāņus nedrīkst salīdzināt. Ja apakšgrupas pārklājas, dažiem cilvēkiem būs lielākas iespējas tikt izraudzītām par mācību priekšmetiem. Tas pilnīgi izslāpē jēdzienu par stratificētu paraugu ņemšanu kā paraugu ņemšanas prototipu.

Tikpat svarīgi ir, lai pētnieks izmantotu vienkāršu paraugu ņemšanu dažādos slāņos.

Visizplatītākie slāņi, ko izmanto stratificētā paraugu ņemšanā, ir vecums, dzimums, sociālekonomiskais statuss, reliģija, tautība un izglītības līmenis.

Kas ir stratificēta paraugu ņemšana?

Pabeidzot analīzi par vienību grupu ar līdzīgām īpašībām, izmeklētājs var secināt, ka populācijas lielums ir pārāk liels, lai pabeigtu izmeklēšanu.

Lai ietaupītu laiku un naudu, reālistiskāku perspektīvu var izvēlēties, izvēloties nelielu grupu no iedzīvotājiem. Šo mazo grupu sauc par izlases lielumu, kas ir populācijas apakškopa, ko izmanto, lai pārstāvētu visu populāciju.

Paraugu no populācijas var atlasīt vairākos veidos, viens no tiem ir ar stratificētu paraugu ņemšanu. Tas nozīmē kopējo iedzīvotāju sadalīšanu viendabīgās grupās, ko sauc par slāņiem. Pēc tam no katra slāņa tiek atlasīti izlases paraugi.

Stratificētas paraugu ņemšanas process

- Sadaliet iedzīvotājus apakšgrupās vai mazākos slāņos saskaņā ar atribūtiem un īpašībām, kuras dalās dalībniekiem.

- Ņem izlases paraugu no katra strata ar skaitli, kas ir proporcionāls strata lielumam.

- Grupējiet slāņu apakškopas, lai veidotu nejaušu izlasi.

- Veiciet analīzi.

Piemēram, apsveriet pētnieku, kurš vēlējās uzzināt to uzņēmējdarbības studentu skaitu, kuri saņēma darba piedāvājumu trīs mēnešu laikā pēc 2018. gada absolvēšanas. Viņi drīz atklās, ka tajā gadā bija gandrīz 200 000 biznesa absolventu.

Jūs varētu izlemt vienkārši ņemt izlases veidā no 5000 absolventiem un veikt aptauju. Vēl labāk, ja jūs varētu sadalīt populāciju slāņos un no šiem slāņiem ņemt izlases paraugu.

Lai to izdarītu, jūs izveidojat iedzīvotāju grupas, pamatojoties uz vecumu, rasi, tautību vai profesionālo izcelsmi.

Katrā slānī tiek ņemts izlases paraugs proporcionāli strata lielumam attiecībā pret kopējo iedzīvotāju skaitu. Šīs apakšgrupas tiks grupētas kopā, lai veidotu paraugu.

Veidi

Proporcionāla stratificēta paraugu ņemšana

Šajā tipā katra strata izlases lielums ir proporcionāls strata populācijas lielumam, salīdzinot ar kopējo populāciju. Tas nozīmē, ka katram stratam ir vienāds izlases ātrums.

Ja slāņu noteikšanai tiek izvēlēts indivīdu raksturojums, iegūtās apakšgrupas bieži ir dažāda lieluma.

Piemēram, jūs vēlaties izpētīt Meksikas iedzīvotāju procentuālo daļu, kas smēķē, un jūs nolemjat, ka vecums būtu labs stratificēšanas kritērijs, jo tiek uzskatīts, ka smēķēšanas paradumi var ievērojami atšķirties atkarībā no vecuma. Ir definēti trīs slāņi:

- jaunāki par 20 gadiem.

- Laikā no 20 līdz 44.

- virs 44 gadiem.

Kad Meksikas iedzīvotāji tiek sadalīti šajos trīs slāņos, nav paredzams, ka trīs grupas būs vienādas. Faktiski faktiskie dati to apstiprina:

- Stratum 1: 42,4 miljoni (41,0%).

- Stratum 2: 37,6 miljoni (36,3%).

- Stratum 3: 23,5 miljoni (22,7%).

Ja izmanto proporcionālu stratificētu paraugu ņemšanu, paraugam jāsastāv no slāņiem, kas saglabā tādas pašas proporcijas kā populācija. Ja vēlaties izveidot paraugu no 1000 indivīdiem, tiem jābūt šādiem izmēriem:

Tas ir ļoti līdzīgs mazāka iedzīvotāju skaita apkopošanai, ko nosaka slāņu relatīvās proporcijas populācijā.

Vienota stratificēta paraugu ņemšana

Šim tipam visiem definētajiem slāņiem tiek piešķirts vienāds parauga lielums neatkarīgi no šo slāņu svara populācijā.

Vienota stratificēta paraugu ņemšana, izmantojot iepriekšējo piemēru, iegūtu katru slāni ar šādu paraugu:

Šī metode dod priekšroku slāņiem, kuriem ir mazāks svars sabiedrībā, piešķirot tiem tādu pašu nozīmīguma līmeni kā atbilstošākiem slāņiem.

Tas samazina parauga kopējo efektivitāti, bet ļauj precīzāk izpētīt katra strata individuālās īpašības.

Šajā piemērā, ja vēlaties izteikt īpašu paziņojumu par 3. slāņa (virs 44) populāciju, varat samazināt izlases kļūdas, izmantojot 333 vienību paraugu, nevis 227 vienību paraugu, kas iegūts no proporcionāla stratificēta paraugu ņemšana.

Priekšrocības un trūkumi

Stratificēta paraugu ņemšana labi darbojas populācijās, kurām ir dažādi atribūti, bet citādi tā nebūs efektīva, ja apakšgrupas nevar izveidot.

- Priekšrocība

Apkopojiet galvenās funkcijas

Galvenā stratificētās izlases priekšrocība ir tā, ka tā apkopo izlases populācijas galvenās īpašības.

Līdzīgi kā svērtais vidējais, arī šī izlases metode paraugā iegūst raksturlielumus, kas ir proporcionāli kopējam skaitam.

Augstāka statistiskā precizitāte

Stratifikācija rada mazāk kļūdu novērtējumā nekā vienkāršā paraugu ņemšanas metode. Jo lielāka ir atšķirība starp slāņiem, jo ​​lielāks ir precizitātes pieaugums.

Ir augstāka statistiskā precizitāte, salīdzinot ar vienkāršu paraugu ņemšanu. Tas ir saistīts ar faktu, ka apakšgrupās mainīgums ir mazāks, salīdzinot ar variācijām, kas notiek ar kopējo iedzīvotāju skaitu.

Mazāks parauga lielums

Tā kā šai metodei ir augsta statistiskā precizitāte, tas arī nozīmē, ka tai nepieciešams mazāks izlases lielums, kas pētniekiem var ietaupīt daudz pūļu, naudas un laika.

- Trūkumi

Diemžēl šo pētījumu metodi nevar izmantot visos pētījumos. Metodes trūkums ir tāds, ka, lai to pareizi izmantotu, ir jāizpilda vairāki nosacījumi.

Grūtības atrast slāņus

Galvenais trūkums ir tas, ka var būt grūti noteikt piemērotus pētījuma slāņus. Turklāt pilnīgu un galīgu visu iedzīvotāju sarakstu atrašana var būt izaicinājums.

Organizēšanas sarežģītība

Otrs trūkums ir tas, ka rezultātus ir sarežģītāk organizēt un analizēt, salīdzinot ar vienkāršu paraugu ņemšanu.

Pētniekiem jāidentificē katrs pētījuma populācijas loceklis un tas jāklasificē tikai vienā apakšpopulācijā. Rezultātā stratificēta paraugu ņemšana ir neizdevīga, ja pētnieki nevar pārliecinoši klasificēt katru populācijas locekli apakšgrupā.

Ja ir subjekti, kas ietilpst vairākās apakšgrupās, tad problēmas var radīt problēmas. Veicot vienkāršu paraugu ņemšanu, biežāk tiek izvēlēti tie, kas atrodas vairākās apakšgrupās. Rezultāts varētu būt nepareizs iedzīvotāju atspoguļojums vai kļūdains atspoguļojums.

To atvieglo piemēri, piemēram, koledžas studenti, absolventi, vīrieši un sievietes, jo viņi ir skaidri noteiktas grupas.

Tomēr citās situācijās tas varētu būt daudz grūtāk. Jūs varat iedomāties iekļaut tādas pazīmes kā rase, etniskā piederība vai reliģija. Klasifikācijas process kļūtu grūtāks, stratificētu paraugu ņemšanu padarot par neefektīvu.

Piemērs

Pieņemsim, ka pētniecības grupa vēlas noteikt vidējo atzīmes punktu koledžas studentiem Amerikas Savienotajās Valstīs.

Pētnieku komandai ir acīmredzamas grūtības savākt šos datus no 21 miljona koledžas studentu. Tāpēc jūs nolemjat ņemt paraugu no iedzīvotājiem, izmantojot tikai 4000 studentus.

Komanda izskata atšķirīgos izlases dalībnieku atribūtus un jautā, vai ir atšķirība starp atzīmes vidējo punktu un studentu specializāciju.

Paraugā atklāts, ka 560 studenti ir angļu valodas studenti, 1135 zinātnes, 800 datorzinātnes, 1090 inženierzinātnes un 415 matemātikas studenti.

Komanda vēlas izmantot proporcionālu stratificētu izlasi, kur izlases slāņi ir proporcionāli populācijas paraugam.

Slāņu izveidošana

Lai to izdarītu, komanda pēta statistiku par universitāšu studentiem ASV un atrod oficiālo studentu procentuālo daļu, kuri specializējas: 12% angļu valodā, 28% zinātnē, 24% datorzinātnēs, 21% inženierzinātnēs un 15% matemātikā.

Tāpēc no stratificētās paraugu ņemšanas procesa tiek izveidoti pieci slāņi. Komandai ir jāapstiprina, ka populācijas kārta ir proporcionāla parauga stratam. Tomēr viņš atklāj, ka proporcijas nav vienādas.

Līdz ar to komandai jāveic atkārtota 4000 studentu populācijas pārbaude, taču šoreiz pēc nejaušības principa izvēloties 480 (12%) angļu valodas apguvējus, 1120 (28%) zinātni, 960 (24%) datorzinātnes, 840 ( 21%) inženierzinātnēs un 600 (15%) matemātikā.

Līdz ar to mums ir proporcionāli stratificēta universitāšu studentu izlase, kas nodrošina labāku universitāšu studentu pārstāvību ASV.

Pētnieki varēs izcelt noteiktu slāni, novērot dažādus ASV koledžu studentu pētījumus un novērot dažādus atzīmju punktus.

Atsauces

1. Ādams Hajess (2019). Stratificēta nejauša paraugu ņemšana. Paņemts no: investpedia.com.
2. Wikipedia, bezmaksas enciklopēdija (2019). Stratificēta paraugu ņemšana. Iegūts no: en.wikipedia.org.
3. Izpētāmi (2019). Stratificēta paraugu ņemšanas metode. Paņemts no: explorable.com.
4. Aptauja Gizmo (2019). Kas ir stratificēta paraugu ņemšana un kad to izmanto? Paņemts no: surveygizmo.com.
5. Ešlija Krosmena (2019). Izpratne par stratificētiem paraugiem un to veidošanu. Domas Co. Pārņemts no: domaco.com.
6. Karloss Očoa (2017). Nejauša paraugu ņemšana: stratificēta paraugu ņemšana. Paņemts no: netquest.com.