Näytteenotto (tilastot)

Sisällä mitään tyyppisiä kehyksiä edellä mainitut, erilaisia näytteenottomenetelmiä voidaan käyttää erikseen tai yhdessä.,f-kehys

Saatavuus ylimääräisiä tietoja yksiköiden runko

Tarkkuutta koskevat vaatimukset, ja tarpeen mitata tarkkuus

Onko yksityiskohtainen analyysi näyte on odotettavissa

Kustannukset/operatiivinen koskee

Yksinkertainen satunnaisotanta Muokkaa

yksinkertaisella satunnaisotannalla (SRS) tietyn koon, kaikkien subsets, näytteenotto-runko on yhtä suuri todennäköisyys tulla valituksi., Jokaisella kehyksen elementillä on siten yhtäläinen valinnan todennäköisyys: kehystä ei jaotella eikä jaotella. Lisäksi, tahansa pari elementtejä on sama mahdollisuus valinta kuin mikä tahansa muu sellainen pari (ja vastaavasti kolminkertaistuu, ja niin edelleen). Tämä minimoi puolueellisuuden ja yksinkertaistaa tulosten analysointia. Erityisesti varianssi yksittäiset tulokset sisällä näyte on hyvä indikaattori varianssi koko väestöstä, mikä tekee siitä suhteellisen helppo arvioida tulosten tarkkuus.,

Yksinkertainen satunnaisotanta voi olla alttiita näytteenotto virhe, koska satunnaisuuden valinta voi johtaa näytteen, joka ei heijasta meikki väestöstä. Esimerkiksi yksinkertainen satunnaisotos kymmenen ihmistä tietyssä maassa keskimäärin tuottaa viisi miestä ja viisi naista, mutta minkä tahansa oikeudenkäynti on todennäköisesti overrepresent yksi sukupuoli ja underrepresent muut. Järjestelmällinen ja ositettu tekniikoita yrittää ratkaista tämän ongelman ”käyttäen tietoa väestön” valita enemmän ”edustava” otos.,

myös yksinkertainen satunnaisotanta voi olla hankalaa ja työlästä otettaessa näytteitä suuresta kohdepopulaatiosta. Joissakin tapauksissa, tutkijat ovat kiinnostuneita tutkimuksen kysymyksiä erityisiä alaryhmiä väestöstä. Esimerkiksi, tutkijat saattaisivat olla kiinnostuneita tutkimaan, onko kognitiivinen kyky kuin ennustaja työ suorituskyky on yhtä hyvin sovellettavissa eri etnisten ryhmien välillä., Yksinkertainen satunnaisotanta voi majoittaa tarpeisiin tutkijat tässä tilanteessa, koska se ei tarjoa osanäytettä väestöstä, ja muut näytteenotto-strategioita, kuten ositettu otanta, voidaan käyttää sen sijaan.,

Systemaattinen samplingEdit

Systemaattinen otanta (tunnetaan myös nimellä väli näytteenotto) vetoaa järjestämällä tutkimusjoukkoon mukaan jotkut tilaus järjestelmään ja valitsemalla sitten osat säännöllisin väliajoin läpi, että järjestetty lista. Systemaattiseen näytteenottoon kuuluu satunnaislähtö ja sen jälkeen se etenee jokaisen kth-elementin valinnalla siitä eteenpäin., Tässä tapauksessa k = (populaation koko / otoskoko). On tärkeää, että lähtöpiste ei ole automaattisesti listan ensimmäinen, vaan valitaan sen sijaan satunnaisesti ensimmäisestä kth-alkuaineeseen luettelossa. Yksinkertainen esimerkki olisi valita joka 10. nimi puhelinluettelosta (an ’joka 10’ näyte, myös nimitystä ’näytteenotto ohittaa 10’).

niin kauan kuin lähtöpiste satunnaistetaan, systemaattinen näytteenotto on todennäköisyysnäytteen tyyppi., Se on helppo toteuttaa ja aiheuttama kerrostuneisuus voi tehdä sitä tehokkaasti, jos muuttuja johon lista on tilattu korreloi muuttuja korot. ”Joka kymmenes” otanta on erityisen hyödyllinen tehokkaaseen näytteenottoon tietokannoista.

esimerkiksi, oletetaan, että haluamme näyte ihmisiä pitkä katu, joka alkaa huono alue (talo Nro 1) ja päättyy kallis district (talo Nro 1000)., Yksinkertainen satunnainen valikoima osoitteita tämä katu voisi helposti päätyä liian monet high end ja liian vähän low end (tai päinvastoin), mikä on edustava näyte. Valitsemalla (esim.) joka 10. kadun numero, kadun varrella varmistaa, että näyte leviää tasaisesti pitkin katua, eli kaikki nämä piirit. (Huomaa, että jos me aina aloittaa talossa #1 ja päättyy #991, näyte on hieman puolueellinen kohti alhainen loppuun; satunnaisesti valitsemalla alku välillä #1 ja #10, tämä bias eliminoidaan.,

systemaattinen otanta on kuitenkin erityisen altis luettelossa esiintyville jaksollisille ominaisuuksille. Jos jaksotus on läsnä ja aika on useita tai tekijä väli käytetty otos on erityisen todennäköisesti edusta koko väestöä, jolloin järjestelmä vähemmän tarkka kuin yksinkertainen satunnaisotanta.

mieti esimerkiksi kadulla, jossa parittomat talot ovat kaikki pohjois – (kallis) puolella tietä, ja parilliset talot ovat kaikki etelä – (halpa) puolella., Alla otanta edellä, se on mahdotonta saada edustavaa näytettä; joko talot otokseen kaikki olla parittomat, kallis puolella, tai ne voivat kaikki olla peräisin parilliset, halpa puolella, ellei tutkijalla on aikaisempaa tietoa tästä puolueellisuudesta ja välttää se by käyttämällä ohita joka takaa hyppää välillä kaksi puolta (kaikki parittomat skip).

Toinen haittapuoli systemaattinen näytteenotto on, että jopa tilanteissa, joissa se on tarkempi kuin SRS, sen teoreettiset ominaisuudet tekevät siitä vaikea mitata, että tarkkuus., (Kaksi esimerkkiä systemaattista otantaa, joka on annettu edellä, paljon potentiaalia näytteenotto-virhe johtuu vaihtelu välillä naapurimaiden taloja, mutta koska tämä menetelmä ei ole koskaan valitsee kaksi naapurimaiden taloja, näyte ei anna meille mitään tietoa siitä, että vaihtelua.)

systemaattinen näytteenotto voidaan myös mukauttaa muuhun kuin EPS-lähestymistapaan; KS.esim.,

Ositettu samplingEdit

Kun väestö käsittää useita eri luokkia, runko voi olla järjestetty by nämä luokat erillisiin ”kerrostumissa.”Jokaisesta ositteesta otetaan sitten näyte itsenäisenä alipopulaationa, josta yksittäiset elementit voidaan satunnaisesti valita., Tämän satunnaisvalinnan (tai otoksen) koon suhdetta populaation kokoon kutsutaan otosfraktioksi. Ositetusta näytteenotosta on useita mahdollisia hyötyjä.

Ensimmäinen, jakamalla erillisiin, itsenäinen ositteiden avulla tutkijat voivat tehdä päätelmiä siitä, erityisiä alaryhmiä, jotka voivat olla menettänyt enemmän yleistynyt satunnainen näyte.,

Toiseksi, hyödyntämällä ositettu otanta menetelmä voi johtaa tehokkaampaan tilastollisiin arvioihin (edellyttäen, että kerrostumissa on valittu perustuu kannalta kriteeri kysymys, sen sijaan, saatavuus näytteet). Vaikka ositettu otanta lähestymistapa ei johda lisääntynyt tilastollinen tehokkuus, tällainen taktiikka ei johtaa pienempi hyötysuhde kuin olisi yksinkertainen satunnaisotanta, edellyttäen, että kunkin ositteen on suhteessa konsernin koko väestöstä.,

Kolmanneksi, se on joskus niin, että tiedot ovat helposti saatavilla yksittäisten, ennalta olemassa olevien ositteiden sisällä väestöstä kuin koko väestön; tällaisissa tapauksissa, käyttämällä ositettua otantaa lähestymistapa voi olla helpompaa kuin yhdistämällä tietoja eri ryhmien (vaikka tämä voi mahdollisesti olla ristiriidassa aiemmin huomattava merkitys hyödyntäen kriteeri-asiaa strata).,

Lopulta, koska jokainen kerrostuma on käsitelty itsenäisenä väestön, eri näytteenotto lähestymistapoja voidaan soveltaa eri kerrostumissa, mahdollisesti jonka avulla tutkijat voivat käyttää lähestymistapaa parhaiten (tai kustannustehokkain) kunkin tunnistetun alaryhmän väestöstä.

On kuitenkin joitakin mahdollisia haittoja käyttämällä ositettu otanta. Ensimmäinen, tunnistaa kerrostumissa ja toteuttaa tällainen lähestymistapa voi lisätä kustannuksia ja monimutkaisuutta otoksen valinta, sekä johtaa lisääntynyt monimutkaisuus väestön arviot., Toiseksi kun tarkastellaan useita kriteerejä, stratifioivat muuttujat voivat liittyä joihinkin, mutta eivät toisiin, mikä vaikeuttaa edelleen suunnittelua ja mahdollisesti vähentää ositteiden hyödyllisyyttä. Lopuksi, joissakin tapauksissa (kuten malleja, joilla on suuri määrä kerrostumissa, tai ne, joilla on tietyn otoksen vähimmäiskoko per ryhmä), ositettu otanta voi mahdollisesti vaatia suuremman otoksen kuin muut menetelmät (vaikka useimmissa tapauksissa, tarvittava otoskoko olisi suurempi kuin tarvittaisiin yksinkertainen satunnaisotanta).,

ositettu otanta lähestymistapa on tehokkain, kun kolme ehtoa täyttyvät

1. Vaihtelu sisällä kerrokset ovat minimoitu
2. Vaihtelu välillä kerrokset ovat maksimoitu
3. muuttujat, jolle väestö on kerrostunut ovat vahvasti korreloi halutun riippuva muuttuja.

edut muihin näytteenottomenetelmiin verrattuna

1. keskittyy tärkeisiin alapopulaatioihin ja sivuuttaa epäolennaiset.
2. mahdollistaa erilaisten näytteenottotekniikoiden käytön eri alapopulaatioissa.
3. parantaa estimoinnin tarkkuutta / tehokkuutta.,
4. Mahdollistaa suuremman tasapainotus tilastollinen voima testien välillä on eroja ositteiden näytteenoton tasa-numerot kerrostumissa vaihtelevat suuresti kooltaan.

Haitat

1. Vaatii valikoima asiaankuuluvat kerrostuneisuus muuttujat, joita voi olla vaikeaa.
2. ei ole hyödyllinen, jos homogeenisia alaryhmiä ei ole.
3. voi olla kallis toteuttaa.

Poststratifikaatio

ositus otetaan joskus käyttöön näytteenottovaiheen jälkeen prosessissa, jota kutsutaan ”poststratifikaatioksi”., Tämä lähestymistapa on tyypillisesti toteutettu puutteen vuoksi aiempaa tietoa asianmukaisen ositella muuttuja tai kun kokeen puuttuu tarvittavat tiedot luoda ositella muuttuja näytteenoton aikana vaiheeseen. Vaikka menetelmä on altis karikot post hoc lähestymistapoja, se voi tarjota useita etuja oikeassa tilanteessa. Toteutus seuraa yleensä yksinkertaista satunnaisotosta. Sen lisäksi, että kerrostuneisuus on liitännäinen muuttuja, poststratification voidaan toteuttaa painotus, joka voi parantaa tarkkuutta näyte arviot.,

Oversampling

Valinta perustuva näytteenotto on yksi ositettu otanta strategioita. Valinta perustuva näytteenotto, tiedot ovat kerrostunut tavoite ja näyte otetaan kustakin ositteesta siten, että harvinainen kohde-luokan tulee olla edustettuna otoksessa. Tämän jälkeen malli rakennetaan tämän puolueellisen otoksen varaan. Vaikutukset input muuttujia kohde on usein arvioitu tarkemmin valinta-perustuu otokseen, vaikka pienempi yleinen näyte on otettu, verrattuna satunnainen näyte. Tulokset on yleensä säädettävä oikein ylikorostuksen.,

Probability-proportional-to-size samplingEdit

joissakin tapauksissa näyte suunnittelija on pääsy ”ylimääräiset muuttuja” tai ”koko toimenpide”, uskotaan olevan korreloi muuttuja korko, kunkin osa väestöstä. Näitä tietoja voidaan käyttää parantamaan tarkkuutta näytteen suunnittelussa. Yksi vaihtoehto on käyttää oheismuuttujaa osituksen pohjana, kuten edellä on esitetty.

Toinen vaihtoehto on probability proportional to size (’PPS’) otantaa, jossa valinta todennäköisyys jokainen elementti on asetettu verrannollinen sen kokoon toimenpide, enintään 1., Yksinkertaisessa PPS-suunnittelussa näitä valintatodennäköisyyksiä voidaan sitten käyttää Poisson-näytteenoton perustana. Tässä on kuitenkin haittapuolena vaihteleva otoskoko, ja eri populaation osat voivat silti olla yli – tai aliedustettuja valikoimien sattumanvaraisuuden vuoksi.

systemaattista näytteenottoteoriaa voidaan käyttää kokonäytteeseen suhteutetun todennäköisyyden luomiseen. Tämä tapahtuu käsittelemällä jokainen kokomuuttujan sisällä oleva määrä yhtenä näytteenottoyksikkönä. Näytteet tunnistetaan valitsemalla tasaisin väliajoin näiden määrien joukosta kokomuuttujan sisällä., Tätä menetelmää kutsutaan joskus PPS-sekventiaaliseksi tai rahayksikön otantamenetelmäksi tarkastusten tai oikeuslääketieteellisen otannan yhteydessä.

Esimerkki: Oletetaan, että meillä on kuusi koulua, joissa populaatiot 150, 180, 200, 220, 260, ja 490 opiskelijaa, vastaavasti (yhteensä 1500 opiskelijaa), ja haluamme käyttää opiskelijoista pohjana PPS otoksen koko kolme. Voit tehdä tämän, voisimme jakaa ensimmäinen koulu numerot 1 150, toinen koulun 151 330 (= 150 + 180), kolmas koulu 331 530, ja niin edelleen viimeiseen koulu (1011 1500)., Sitten luodaan satunnainen alku 1-500 (yhtä suuri kuin 1500/3) ja lasketaan läpi koulun väestön kerrannaisilla 500. Jos meidän satunnainen alku oli 137, olisimme valita kouluja, jotka on myönnetty numerot 137, 637, ja 1137, eli ensimmäinen, neljäs ja kuudes kouluissa.

PPS lähestymistapa voi parantaa tarkkuutta tietyn otoksen koko keskittämällä näyte suuria elementtejä, joilla on suurin vaikutus väestön arviot., PPS-otanta on yleisesti käytetty kyselytutkimuksia yrityksille, jossa elementin koko vaihtelee suuresti ja ylimääräiset tiedot on usein saatavilla – esimerkiksi kyselyn yrittää mitata määrä vieras-yöpymiset hotelleissa voi käyttää jokaisessa hotellissa on useita huoneita, kuten apu-muuttuja. Joissakin tapauksissa korkomuuttujan vanhempaa mittausta voidaan käyttää apumuuttujana pyrittäessä tuottamaan nykyistä enemmän arvioita.,

Klusterin samplingEdit

Joskus se on kustannustehokkaampaa valitse vastaajat ryhmien (klustereiden). Näytteenotto painottuu usein maantieteeseen tai ajanjaksoihin. (Lähes kaikki näytteet ovat jossain mielessä ’aihekokonaisuuksien’ ajoissa – vaikka tämä on harvoin otettu huomioon analyysissä.,) Esimerkiksi, jos kartoitetaan kotitalouksia kaupungin sisällä, voisimme valita 100 korttelin ja sitten haastatella jokaisen kotitalouden valittujen korttelien sisällä.

ryhmittyminen voi vähentää matka-ja hallintokuluja. Yllä olevassa esimerkissä haastattelija voi tehdä yhden matkan voit vierailla useissa kotitalouksissa yksi lohko, pikemminkin kuin ottaa ajaa eri lohko jokaisen kotitalouden.

Se tarkoittaa myös sitä, että yksi ei tarvitse otantakehikko, jossa luetellaan kaikki elementit kohderyhmässä., Sen sijaan, klusterit voidaan valita klusteri-tason runko, elementti-tason runko on luotu ainoastaan valitut klusterit. Yllä olevassa esimerkissä, näyte vaatii vain lohko-tason kaupungin kartta alustavia valintoja, ja sitten kotitalous-tason kartta 100 valittujen lohkojen, pikemminkin kuin kotitalouksien-tason kartan koko kaupungin.

ryväsotanta (tunnetaan myös nimellä aihekokonaisuuksien näytteenotto) yleensä lisää vaihtelua näyte arviot edellä, että yksinkertainen satunnaisotanta, riippuen siitä, miten klusterit eroavat keskenään verrattuna rypään vaihtelua., Tästä syystä klusterin näytteenotto vaatii suuremman otoksen kuin SRS saavuttaa sama taso, tarkkuus – mutta kustannussäästöjä klusterointi saattaa vielä halvempi vaihtoehto.

klusterin näytteenotto toteutetaan yleisesti monivaiheisena näytteenottona. Tämä on monimutkainen klusterinäytteenoton muoto, jossa kaksi tai useampia yksikkötasoja on upotettu toiseen. Ensimmäisessä vaiheessa rakennetaan klusterit, joista otetaan näyte., Toisessa vaiheessa valitaan satunnaisesti kustakin klusterista otos primaariyksiköistä (sen sijaan, että käytetään kaikkia valikoituihin klustereihin sisältyviä yksiköitä). Seuraavissa vaiheissa valitaan kuhunkin valittuun klusteriin lisää yksikkönäytteitä ja niin edelleen. Tämän jälkeen kartoitetaan kaikki lopulliset yksiköt (esimerkiksi henkilöt), jotka on valittu tämän menettelyn viimeisessä vaiheessa. Tämä tekniikka on siis pohjimmiltaan prosessi, jossa otetaan satunnaisia osamittauksia edeltävistä satunnaisnäytteistä.,

Monivaiheinen otanta voi merkittävästi vähentää näytteenoton kustannukset, jos koko väestö lista olisi rakennettu (ennen muita näytteenottomenetelmiä voidaan soveltaa). Monivaiheinen näytteenotto voi vähentää perinteiseen klusterinäytteeseen liittyviä suuria kustannuksia poistamalla työtä, joka liittyy sellaisten klusterien kuvaamiseen, joita ei ole valittu. Jokainen otos ei kuitenkaan välttämättä edusta koko populaatiota.,

Kiintiö samplingEdit

Vuonna kiintiö näytteenotto -, väestö on ensin segmentoitu toisiaan poissulkevia alaryhmiä, kuten ositettu otanta. Tämän jälkeen harkintaa käytetään valitsemaan koehenkilöt tai yksiköt kustakin segmentistä tietyn osuuden perusteella. Esimerkiksi haastattelijaa voidaan kehottaa ottamaan näytteitä 200 naaraasta ja 300 45-60-vuotiaasta koiraasta.

Tämä toinen vaihe tekee tekniikasta yhden ei-todennäköisyysnäytteen. Kiintiönotossa otoksen valinta ei ole satunnaista., Haastattelijat saattavat esimerkiksi haluta haastatella niitä, jotka näyttävät kaikkein avuliaimmilta. Ongelmana on, että nämä näytteet voivat olla puolueellisia, koska kaikki eivät saa mahdollisuutta valinta. Tämä satunnainen elementti on sen suurin heikkous ja kiintiö vs. todennäköisyys on ollut kiistanalainen jo useita vuosia.

Minimax samplingEdit

epätasapainoinen aineistot, joissa näytteenotto-suhde ei seuraa, että väestö, tilastot, yksi voi resample aineisto varovaisella tavalla kutsutaan minimax näytteenotto., Minimax näytteenotto on peräisin Anderson minimax-suhde, jonka arvo on osoittautunut 0.5: binary luokitus, luokka-otoskoko tulisi valita tasapuolisesti. Tämä suhde voidaan osoittaa minimax-suhteeksi vain olettamalla, että LDA-luokittaja on Gaussin jakaumien kanssa. Käsite minimax näytteenotto on äskettäin kehitetty yleinen luokka luokituksen sääntöjä, joita kutsutaan luokkaviisas smart luokittelijat., Tässä tapauksessa, näytteenotto-suhde luokat on valittu niin, että pahimmassa tapauksessa luokittimen virhe yli kaikkien mahdollisten väestö tilastot-luokan ennen todennäköisyydet, olisi paras.

Vahingossa samplingEdit

Vahingossa näytteenotto (joskus tunnetaan napata, mukavuutta tai mahdollisuus näytteenotto) on eräänlainen nonprobability otantaa, joka tarkoittaa, että näyte on peräisin, että osa väestöstä, joka on lähellä käsillä. Toisin sanoen väestö valitaan, koska se on helposti saatavilla ja kätevä., Se voi olla läpi kokouksessa henkilö, tai kuten henkilön otokseen, kun tapaa heitä tai valittu etsimällä niitä teknisiä keinoja, kuten internet tai puhelin. Tutkija käyttää tällaista näytettä ei tieteellisesti tehdä yleistyksiä koko väestöstä tästä näytteestä, koska se ei olisi edustava, tarpeeksi., Esimerkiksi, jos haastattelija oli tehdä tällaisen kyselyn ostoskeskus aikaisin aamulla tiettynä päivänä, ihmiset, jotka hän/hän voisi haastatella olisi rajoitettava niille annetaan siellä, että kun otetaan huomioon aika, joka ei edusta muiden yhteiskunnan jäsenten tällaisella alueella, jos tutkimus olisi suoritettu eri aikoina päivä ja useita kertoja viikossa. Tämäntyyppisestä näytteenotosta on eniten hyötyä pilottitesteissä., Useita tärkeitä näkökohtia, tutkijoille, käyttämällä kätevää näytteitä ovat:

1. Ovat siellä valvontaa sisällä tutkimus -, suunnittelu-tai kokeilu, joka voi palvella vähentää vaikutusta ei-satunnaisia mukavuutta näyte, jolloin varmistetaan, että tulokset ovat enemmän edustava otos?
2. On hyvä syy uskoa, että tiettyä mukavuutta näyte olisi tai pitäisi reagoida tai käyttäytyä eri tavalla kuin satunnaisotannalla samasta väestöstä?
3. On, on kysymys, jonka tutkimus voi riittävästi vastata käyttämällä mukavuutta näyte?,

tutkimukseen, lumipallo-otantaa on samanlainen tekniikka, jossa olemassa olevien oppiaineiden käytetään rekrytoida lisää aiheita otokseen. Jotkin Snowball-näytteenoton muunnokset, kuten vastaajavetoinen näytteenotto, mahdollistavat valintatodennäköisyyksien laskemisen ja ovat todennäköisyysnäytteenottomenetelmiä tietyissä olosuhteissa.

Vapaaehtoinen SamplingEdit

vapaaehtoinen näytteenotto menetelmä on eräänlainen ei-todennäköisyys otantaa. Vapaaehtoiset päättävät suorittaa kyselyn loppuun.,

vapaaehtoisia voi kutsua sosiaalisessa mediassa julkaistujen mainosten kautta. Kohderyhmä mainoksia voidaan valita ominaisuudet, kuten sijainti, ikä, sukupuoli, tulot, ammatti, koulutus tai etuja käyttämällä tarjoamien työkalujen sosiaalinen väline. Mainoksessa voi olla viesti tutkimuksesta ja linkki kyselyyn. Linkin seuraamisen ja kyselyn suorittamisen jälkeen vapaaehtoinen toimittaa otokseen sisällytettävät tiedot. Menetelmä voi tavoittaa koko maailman väestön, mutta sitä rajoittaa kampanjabudjetti., Otokseen voidaan ottaa mukaan myös kutsuväestön ulkopuolisia vapaaehtoisia.

Se on vaikea tehdä yleistyksiä tästä näytteestä, koska se ei välttämättä edusta koko väestöä. Usein vapaaehtoiset ovat vahvasti kiinnostuneita kyselyn pääaiheesta.

Linja-intercept samplingEdit

Linja-intercept otanta on menetelmä näytteenotto elementtejä alueella, jossa elementti on näytteitä, jos valitun rivin segmentin, nimeltään ”laivamatkalla”, leikkaa elementti.,

Paneeli samplingEdit

Panel otanta on menetelmä ensin valita ryhmän osallistujat läpi satunnaisotannalla, ja sitten kysyy, että ryhmä (mahdollisesti sama) tietoja useita kertoja yli ajan. Siksi jokaista osallistujaa haastatellaan kahdessa tai useammassa aikapisteessä; jokaista tiedonkeruujaksoa kutsutaan ”aalloksi”. Menetelmän kehitti sosiologi Paul Lazarsfeld vuonna 1938 keinona opiskelu poliittisiin kampanjoihin., Tämä pitkittäinen näytteenotto-menetelmän avulla arviot väestön muutokset, esimerkiksi mitä krooninen sairaus työpaikkojen stressi viikoittainen ruokabudjetti. Paneeli näytteenotto voidaan käyttää myös ilmoittamaan tutkijat muun henkilön terveyden muutokset iän tai auttaa selittämään muutoksia jatkuvasti riippuvainen muuttujia, kuten puolison vuorovaikutusta. On ollut ehdotettu useita menetelmiä analysoimalla panel data, myös MANOVA, kasvukäyrät, ja rakenteellinen yhtälö mallinnus viivästyneet vaikutukset.,

Lumipallo samplingEdit

Lumipallo-otantaa liittyy löytää pieni ryhmä alkuperäisen vastaajista ja käyttää niitä palkata enemmän vastaajista. Se on erityisen hyödyllinen tapauksissa, joissa väestö on piilotettu tai vaikea luetella.

Teoreettinen samplingEdit

Teoreettinen otanta tapahtuu, kun näytteet valitaan tulosten perusteella kerätyt tiedot toistaiseksi tavoitteena on kehittää syvempää ymmärrystä alueen tai kehitetään teorioita., Äärimmäiset tai hyvin erityiset tapaukset voidaan valita, jotta voidaan maksimoida todennäköisyys, että ilmiö todella on havaittavissa.