binnen elk van de hierboven genoemde typen frames kunnen verschillende bemonsteringsmethoden worden toegepast, afzonderlijk of in combinatie.,f het frame
enkelvoudige aselecte steekproef Bewerken
Een visuele representatie van het selecteren van een enkelvoudige aselecte steekproef
In een enkelvoudige aselecte steekproef (SRS) van een gegeven grootte, alle deelverzamelingen van een steekproefkader hebben een gelijke kans te worden geselecteerd., Elk element van het frame heeft dus een gelijke kans op Selectie: het frame is niet onderverdeeld of verdeeld. Bovendien heeft elk gegeven paar elementen dezelfde kans op Selectie als elk ander dergelijk paar (en op dezelfde manier voor triples, enzovoort). Dit minimaliseert bias en vereenvoudigt de analyse van de resultaten. Met name de variantie tussen individuele resultaten binnen de steekproef is een goede indicator van variantie in de totale populatie, waardoor het relatief gemakkelijk is om de nauwkeurigheid van de resultaten te schatten.,
eenvoudige aselecte bemonstering kan kwetsbaar zijn voor bemonsteringsfouten omdat de willekeur van de selectie kan resulteren in een steekproef die niet de samenstelling van de populatie weerspiegelt. Zo zal een eenvoudige steekproef van tien mensen uit een bepaald land gemiddeld vijf mannen en vijf vrouwen voortbrengen, maar een bepaald onderzoek zal waarschijnlijk het ene geslacht oververtegenwoordigen en het andere ondervertegenwoordigen. Systematische en gestratificeerde technieken proberen dit probleem op te lossen door “informatie over de bevolking te gebruiken” om een meer “representatieve” steekproef te kiezen.,
ook kan eenvoudige aselecte bemonstering omslachtig en vervelend zijn bij bemonstering van een grote doelpopulatie. In sommige gevallen zijn onderzoekers geïnteresseerd in onderzoeksvragen die specifiek zijn voor subgroepen van de bevolking. Onderzoekers zouden bijvoorbeeld geïnteresseerd kunnen zijn in het onderzoeken of cognitieve vaardigheden als voorspeller van werkprestaties ook van toepassing zijn op raciale groepen., Eenvoudige aselecte bemonstering kan niet tegemoet komen aan de behoeften van onderzoekers in deze situatie, omdat het geen subsamples van de populatie biedt, en andere bemonsteringsstrategieën, zoals gestratificeerde bemonstering, kunnen in plaats daarvan worden gebruikt.,
systematische bemonstering
een visuele representatie van het selecteren van een willekeurige steekproef met behulp van de systematische bemonstering techniek
systematische bemonstering (ook bekend als interval sampling) berust op het rangschikken van de onderzoekspopulatie volgens een orderschema en vervolgens het selecteren van elementen op regelmatige basis intervallen door die geordende lijst. Systematische bemonstering omvat een willekeurige start en gaat vervolgens verder met de selectie van elk KDE-element vanaf dat moment., In dit geval k=(populatiegrootte / steekproefgrootte). Het is belangrijk dat het startpunt niet automatisch het eerste in de lijst is, maar in plaats daarvan willekeurig wordt gekozen vanuit het eerste naar het KTH-element in de lijst. Een eenvoudig voorbeeld zou zijn om elke 10e naam uit het telefoonboek te selecteren (een “elke 10e” sample, ook wel “sampling with a skip of 10” genoemd).
zolang het beginpunt gerandomiseerd is, is systematische bemonstering een soort waarschijnlijkheidsbemonstering., Het is gemakkelijk te implementeren en de stratificatie geïnduceerd kan het efficiënt maken, als de variabele waarmee de lijst wordt geordend is gecorreleerd met de variabele van belang. ‘Elke 10e’ sampling is vooral nuttig voor efficiënte sampling uit databases.
bijvoorbeeld, stel dat we mensen willen testen uit een lange straat die begint in een arm gebied (huis nr. 1) en eindigt in een dure wijk (huis nr. 1000)., Een eenvoudige willekeurige selectie van adressen uit deze straat kan gemakkelijk eindigen met te veel van de high-end en te weinig van de low-end (of vice versa), wat leidt tot een niet-representatieve steekproef. Het selecteren van (bijvoorbeeld) elk 10e straatnummer langs de straat zorgt ervoor dat het monster gelijkmatig over de lengte van de straat wordt verdeeld, wat al deze districten vertegenwoordigt. (Merk op dat als we altijd beginnen bij huis # 1 en eindigen op #991, het monster enigszins bevooroordeeld is naar de lage kant; door willekeurig het begin tussen #1 en #10 te selecteren, wordt deze vooringenomenheid geëlimineerd.,
systematische bemonstering is echter bijzonder kwetsbaar voor periodiciteiten in de lijst. Indien de periodiciteit aanwezig is en de periode een veelvoud of een factor van het gebruikte interval is, is het zeer waarschijnlijk dat de steekproef niet representatief is voor de totale populatie, waardoor het schema minder nauwkeurig is dan eenvoudige aselecte bemonstering.
denk bijvoorbeeld aan een straat waar de oneven genummerde huizen allemaal aan de noordelijke (dure) kant van de weg liggen, en de even genummerde huizen allemaal aan de Zuidelijke (goedkope) kant., In het kader van de steekproefschema hierboven gegeven, is het onmogelijk om een representatieve steekproef te krijgen; ofwel de huizen bemonsterd zullen allemaal van de oneven-genummerde, dure kant, of ze zullen allemaal van de even-genummerde, goedkope kant, tenzij de onderzoeker heeft voorkennis van deze bias en vermijdt het door een gebruik van een skip die ervoor zorgt springen tussen de twee zijden (een oneven-genummerde skip).
een ander nadeel van systematische bemonstering is dat zelfs in scenario ‘ s waar deze nauwkeuriger is dan SRS, de theoretische eigenschappen ervan het moeilijk maken om die nauwkeurigheid te kwantificeren., (In de twee voorbeelden van systematische bemonstering die hierboven worden gegeven, is een groot deel van de potentiële fout in de bemonstering te wijten aan variatie tussen naburige huizen – maar omdat deze methode nooit twee naburige huizen selecteert, zal de steekproef ons geen informatie over die variatie geven.)
systematische bemonstering kan ook worden aangepast aan een niet-EPS-benadering; zie voor een voorbeeld de bespreking van PPS-monsters hieronder.,
Gelaagde samplingEdit
Een visuele representatie van het selecteren van een steekproef met behulp van de gestratificeerde bemonstering techniek
Wanneer de bevolking omvat een aantal verschillende categorieën, het frame kan worden georganiseerd door deze categorieën in aparte “lagen.”Elke laag wordt dan bemonsterd als een onafhankelijke subpopulatie, waaruit individuele elementen willekeurig kunnen worden geselecteerd., De verhouding tussen de grootte van deze willekeurige selectie (of steekproef) en de grootte van de populatie wordt een steekproeffractie genoemd. Er zijn verschillende potentiële voordelen aan gestratificeerde bemonstering.
ten eerste kan het verdelen van de populatie in afzonderlijke, onafhankelijke strata onderzoekers in staat stellen conclusies te trekken over specifieke subgroepen die verloren kunnen gaan in een meer gegeneraliseerde willekeurige steekproef.,
ten tweede kan het gebruik van een gestratificeerde bemonsteringsmethode leiden tot efficiëntere statistische schattingen (op voorwaarde dat strata worden geselecteerd op basis van relevantie voor het betrokken criterium, in plaats van de beschikbaarheid van de monsters). Zelfs als een gestratificeerde steekproefbenadering niet leidt tot een grotere statistische efficiëntie, zal een dergelijke tactiek niet leiden tot minder efficiëntie dan een eenvoudige aselecte steekproef, op voorwaarde dat elk stratum evenredig is aan de grootte van de groep in de populatie.,
ten derde is het soms het geval dat gegevens gemakkelijker beschikbaar zijn voor individuele, reeds bestaande strata binnen een populatie dan voor de totale populatie; in dergelijke gevallen kan het gebruik van een gestratificeerde steekproefbenadering gemakkelijker zijn dan het samenvoegen van gegevens over groepen (hoewel dit mogelijk in strijd kan zijn met het eerder genoemde belang van het gebruik van criterium-relevante strata).,
ten slotte kunnen, aangezien elk stratum als een onafhankelijke populatie wordt behandeld, verschillende bemonsteringsmethoden worden toegepast op verschillende strata, waardoor onderzoekers mogelijk de meest geschikte (Of meest kosteneffectieve) aanpak kunnen gebruiken voor elke geïdentificeerde subgroep binnen de populatie.
Er zijn echter enkele mogelijke nadelen aan het gebruik van gestratificeerde steekproeven. Ten eerste kan het identificeren van lagen en het implementeren van een dergelijke aanpak de kosten en complexiteit van de steekproefselectie verhogen, evenals leiden tot een grotere complexiteit van de populatieschattingen., Ten tweede, wanneer meerdere criteria worden onderzocht, kunnen stratificatievariabelen aan sommige worden gerelateerd, maar niet aan andere, wat het ontwerp verder compliceert en mogelijk het nut van de strata vermindert. Ten slotte kan in sommige gevallen (zoals ontwerpen met een groot aantal strata of ontwerpen met een gespecificeerde minimale steekproefgrootte per groep) voor gestratificeerde bemonstering mogelijk een grotere steekproef nodig zijn dan voor andere methoden (hoewel in de meeste gevallen de vereiste steekproefgrootte niet groter zou zijn dan voor eenvoudige aselecte bemonstering).,
een gestratificeerde steekproefbenadering is het meest effectief wanneer aan drie voorwaarden wordt voldaan
- variabiliteit binnen strata wordt geminimaliseerd
- variabiliteit tussen strata wordt gemaximaliseerd
- de variabelen waarop de populatie wordt gestratificeerd zijn sterk gecorreleerd met de gewenste afhankelijke variabele.
voordelen ten opzichte van andere bemonsteringsmethoden
- richt zich op belangrijke subpopulaties en negeert irrelevante.
- maakt het gebruik van verschillende bemonsteringstechnieken voor verschillende subpopulaties mogelijk.
- verbetert de nauwkeurigheid / efficiëntie van de schatting.,
- maakt een betere balancering van het statistische vermogen van tests van verschillen tussen strata mogelijk door bemonstering van gelijke aantallen uit strata die sterk in grootte verschillen.
nadelen
- vereist selectie van relevante stratificatievariabelen die moeilijk kunnen zijn.
- Is niet nuttig als er geen homogene subgroepen zijn.
- kan duur zijn om te implementeren.
Poststratificatie
stratificatie wordt soms ingevoerd na de bemonsteringsfase in een proces dat “poststratificatie”wordt genoemd., Deze aanpak wordt meestal toegepast als gevolg van een gebrek aan voorkennis van een geschikte stratificatievariabele of wanneer de experimentator de nodige informatie mist om een stratificatievariabele te creëren tijdens de bemonsteringsfase. Hoewel de methode gevoelig is voor de valkuilen van post-hocbenaderingen, kan het verschillende voordelen bieden in de juiste situatie. De implementatie volgt meestal een eenvoudige aselecte steekproef. Naast het toestaan van stratificatie op een nevenvariabele, kan poststratificatie worden gebruikt om weging uit te voeren, die de precisie van de schattingen van een steekproef kan verbeteren.,
Overbemonstering
keuze-gebaseerde bemonstering is een van de gestratificeerde bemonsteringsstrategieën. In keuze-gebaseerde bemonstering, worden de gegevens gestratificeerd op het doel en een steekproef wordt genomen uit elke stratum zodat de zeldzame doelklasse meer vertegenwoordigd in de steekproef zal zijn. Het model wordt dan gebouwd op dit bevooroordeelde Monster. De effecten van de inputvariabelen op het doel worden vaak nauwkeuriger geschat met de op keuze gebaseerde steekproef, zelfs wanneer een kleinere totale steekproefgrootte wordt genomen, vergeleken met een willekeurige steekproef. De resultaten moeten meestal worden aangepast om te corrigeren voor de overbemonstering.,
Probability-proportional-to-size samplingEdit
in sommige gevallen heeft de ontwerper van de steekproef toegang tot een “hulpvariabele” of “size measure”, waarvan wordt aangenomen dat deze gecorreleerd is met de variabele van belang, voor elk element in de populatie. Deze gegevens kunnen worden gebruikt om de nauwkeurigheid van het monsterontwerp te verbeteren. Een optie is om de hulpvariabele te gebruiken als basis voor stratificatie, zoals hierboven besproken.
een andere optie is kansproportioneel met grootte (“PPS”) bemonstering, waarbij de selectiekans voor elk element is ingesteld op proportioneel met de maat van de grootte, tot een maximum van 1., In een eenvoudig PPS-ontwerp kunnen deze selectiekansen vervolgens worden gebruikt als basis voor Poisson-bemonstering. Dit heeft echter het nadeel van een variabele steekproefgrootte, en verschillende delen van de populatie kunnen nog steeds over – of ondervertegenwoordigd zijn als gevolg van toevallige variatie in selecties.
systematische bemonsteringstheorie kan worden gebruikt om een waarschijnlijkheid te creëren die evenredig is aan de grootte van het monster. Dit wordt gedaan door elke telling binnen de groottevariabele te behandelen als een enkele bemonsteringseenheid. De steekproeven worden dan geà dentificeerd door zelfs intervallen onder deze tellingen binnen de groottevariabele te selecteren., Deze methode wordt soms PPS-sequentiële of monetaire eenheid bemonstering in het geval van audits of forensische bemonstering.
voorbeeld: Stel dat we zes scholen hebben met populaties van 150, 180, 200, 220, 260, en respectievelijk 490 studenten (in totaal 1500 studenten), en we willen studentenpopulatie gebruiken als basis voor een PPS-steekproef van grootte drie. Om dit te doen, kunnen we de eerste school nummers 1 tot 150, de tweede school 151 tot 330 (= 150 + 180), de derde school 331 tot 530, en ga zo maar door naar de laatste school (1011 tot 1500)., We genereren dan een willekeurige start tussen 1 en 500 (gelijk aan 1500/3) en tellen door de schoolpopulaties met veelvouden van 500. Als onze willekeurige start 137 was, zouden we de scholen selecteren die de nummers 137, 637 en 1137 hebben gekregen, dat wil zeggen de eerste, vierde en zesde school.
de PPS-benadering kan de nauwkeurigheid voor een bepaalde steekproefgrootte verbeteren door de steekproef te concentreren op grote elementen die het grootste effect hebben op de populatieschattingen., PPS-steekproeven worden vaak gebruikt voor enquêtes onder bedrijven, waar de grootte van de elementen sterk varieert en er vaak aanvullende informatie beschikbaar is – bijvoorbeeld, een enquête die probeert het aantal overnachtingen in hotels te meten, kan het aantal kamers van elk hotel als hulpvariabele gebruiken. In sommige gevallen kan een oudere meting van de variabele van belang worden gebruikt als een hulpvariabele wanneer wordt geprobeerd om meer actuele schattingen te produceren.,
Cluster samplingEdit
een visuele representatie van het selecteren van een willekeurige steekproef met behulp van de cluster sampling techniek
soms is het kosteneffectiever om respondenten in groepen (‘clusters’) te selecteren. De steekproef wordt vaak geclusterd door geografie, of door tijdsperioden. (Bijna alle monsters zijn in zekere zin ‘geclusterd’ in de tijd – hoewel dit zelden in aanmerking wordt genomen in de analyse.,) Als we bijvoorbeeld huishoudens in een stad onder de loep nemen, kunnen we ervoor kiezen om 100 Stadsblokken te selecteren en vervolgens elk huishouden binnen de geselecteerde blokken te interviewen.
Clustering kan reis-en administratiekosten verminderen. In het bovenstaande voorbeeld kan een interviewer een enkele reis maken om meerdere huishoudens in één blok te bezoeken, in plaats van naar een ander blok voor elk huishouden te rijden.
het betekent ook dat men geen steekproefkader nodig heeft met alle elementen in de doelpopulatie., In plaats daarvan kunnen clusters worden gekozen uit een frame op clusterniveau, waarbij een frame op elementniveau alleen voor de geselecteerde clusters wordt gemaakt. In het bovenstaande voorbeeld vereist de steekproef alleen een stadsplattegrond op blokniveau voor de eerste selecties, en vervolgens een kaart op huishoudniveau van de 100 geselecteerde blokken, in plaats van een kaart op huishoudniveau van de hele stad.
Clusterbemonstering (ook bekend als clusterbemonstering) verhoogt in het algemeen de variabiliteit van monsterschattingen boven die van eenvoudige aselecte bemonstering, afhankelijk van hoe de clusters onderling verschillen ten opzichte van de variatie binnen de cluster., Om deze reden vereist clusterbemonstering een grotere steekproef dan SRS om hetzelfde niveau van nauwkeurigheid te bereiken – maar kostenbesparingen door clustering kunnen dit nog steeds een goedkopere optie maken.
Clusterbemonstering wordt gewoonlijk uitgevoerd als meertrapsbemonstering. Dit is een complexe vorm van clusterbemonstering waarin twee of meer niveaus van eenheden in elkaar zijn ingebed. De eerste fase bestaat uit het construeren van de clusters die zullen worden gebruikt om te bemonsteren van., In de tweede fase wordt een steekproef van primaire eenheden willekeurig geselecteerd uit elke cluster (in plaats van alle eenheden in alle geselecteerde clusters te gebruiken). In de volgende stadia, in elk van die geselecteerde clusters, worden extra steekproeven van eenheden geselecteerd, enzovoort. Alle ultimate eenheden (individuen, bijvoorbeeld) die bij de laatste stap van deze procedure zijn geselecteerd, worden vervolgens onderzocht. Deze techniek, dus, is hoofdzakelijk het proces van het nemen van willekeurige subsamples van voorafgaande willekeurige steekproeven.,
meerfasige bemonstering kan de bemonsteringskosten aanzienlijk verlagen, waarbij de volledige bevolkingslijst moet worden samengesteld (voordat andere bemonsteringsmethoden kunnen worden toegepast). Door het elimineren van het werk dat betrokken is bij het beschrijven van clusters die niet zijn geselecteerd, kan meertraps sampling de grote kosten in verband met traditionele cluster sampling verminderen. Het is echter mogelijk dat elke steekproef niet volledig representatief is voor de gehele populatie.,
Quota samplingdit
bij quota sampling wordt de populatie eerst gesegmenteerd in onderling exclusieve subgroepen, net als bij gestratificeerde sampling. Vervolgens wordt het oordeel gebruikt om de proefpersonen of eenheden uit elk segment te selecteren op basis van een bepaalde verhouding. Bijvoorbeeld, een interviewer kan worden verteld om 200 vrouwen en 300 mannen Monster tussen de leeftijd van 45 en 60.
het is deze tweede stap die de techniek een van niet-kanssteekproeven maakt. Bij de steekproef van quota is de steekproef niet willekeurig gekozen., Interviewers zouden bijvoorbeeld geneigd kunnen zijn om degenen te interviewen die er het meest behulpzaam uitzien. Het probleem is dat deze monsters kunnen worden bevooroordeeld omdat niet iedereen een kans op Selectie krijgt. Dit willekeurige element is zijn grootste zwakte en quota versus waarschijnlijkheid is een kwestie van controverse voor meerdere jaren.
Minimax samplingdit
In onevenwichtige datasets, waar de sampling ratio niet de populatiestatistieken volgt, kan men de dataset opnieuw sampleen op een conservatieve manier genaamd minimax sampling., De minimax sampling heeft zijn oorsprong in Anderson minimax ratio waarvan de waarde is bewezen 0.5: in een binaire classificatie, de klasse-steekproefgrootte moet gelijkelijk worden gekozen. Deze verhouding kan alleen worden aangetoond minimax ratio onder de aanname van LDA classifier met Gaussiaanse verdelingen. De notie van minimax sampling is onlangs ontwikkeld voor een algemene klasse van classificatieregels, genaamd klasse-wise smart classifiers., In dit geval wordt de bemonsteringsverhouding van de klassen zo gekozen dat de slechtste classificatiefout over alle mogelijke populatiestatistieken voor klasse eerdere waarschijnlijkheden, de beste zou zijn.
Accidental samplingdit
Accidental sampling (ook wel grijpbemonstering, convenience of opportunity sampling genoemd) is een soort niet-problematische bemonstering waarbij het monster wordt genomen uit dat deel van de populatie dat dicht bij de hand ligt. Dat wil zeggen, een bevolking wordt geselecteerd omdat het gemakkelijk beschikbaar en handig is., Het kan zijn door het ontmoeten van de persoon of het opnemen van een persoon in de steekproef wanneer men hen ontmoet of gekozen door het vinden van hen door middel van technologische middelen zoals het internet of via de telefoon. De onderzoeker die zulk een steekproef gebruikt kan wetenschappelijk geen generalisaties over de totale bevolking van deze steekproef maken omdat het niet representatief genoeg zou zijn., Bijvoorbeeld, als de interviewer een dergelijk onderzoek zou uitvoeren in een winkelcentrum vroeg in de ochtend op een bepaalde dag, de mensen die hij/zij kon interviewen zou worden beperkt tot degenen die er op dat bepaalde moment, die niet de standpunten van andere leden van de samenleving in een dergelijk gebied zou vertegenwoordigen, als de enquête zou worden uitgevoerd op verschillende tijdstippen van de dag en meerdere keren per week. Dit type bemonstering is het nuttigst voor proeftests., Verschillende belangrijke overwegingen voor onderzoekers die gebruik maken van convenience samples zijn onder meer: zijn er controles binnen de onderzoeksopzet of het experiment die kunnen dienen om het effect van een niet-willekeurige convenience sample te verminderen, waardoor de resultaten representatiever voor de populatie zullen zijn?
vrijwillige SamplingEdit
de vrijwillige bemonsteringsmethode is een type niet-waarschijnlijkheidsbemonstering. Vrijwilligers kiezen ervoor om een enquête in te vullen.,
vrijwilligers kunnen worden uitgenodigd via advertenties op sociale media. De doelgroep voor advertenties kan worden geselecteerd op basis van kenmerken zoals locatie, leeftijd, geslacht, inkomen, beroep, opleiding of interesses met behulp van instrumenten die door het sociale medium. De advertentie kan een bericht bevatten over het onderzoek en een link naar een enquête. Na het volgen van de link en het invullen van de enquête dient de vrijwilliger de gegevens in die in de steekproefpopulatie moeten worden opgenomen. Deze methode kan een wereldbevolking bereiken, maar wordt beperkt door het campagnebudget., Vrijwilligers buiten de uitgenodigde populatie kunnen ook in de steekproef worden opgenomen.
Het is moeilijk om generalisaties uit deze steekproef te maken omdat het niet de totale populatie vertegenwoordigt. Vaak hebben vrijwilligers een sterke interesse in het hoofdonderwerp van de enquête.
line-intercept samplingdit
Line-intercept sampling is een methode voor het bemonsteren van elementen in een gebied waarbij een element wordt bemonsterd als een gekozen lijnsegment, een “transect” genoemd, het element snijdt.,
Panel samplingdit
Panel sampling is de methode om eerst een groep deelnemers te selecteren door middel van een aselecte steekproefmethode en vervolgens die groep meerdere keren over een periode om (mogelijk dezelfde) informatie te vragen. Daarom wordt elke deelnemer op twee of meer tijdstippen geïnterviewd; elke periode van gegevensverzameling wordt een “golf”genoemd. De methode werd ontwikkeld door socioloog Paul Lazarsfeld in 1938 als een middel om politieke campagnes te bestuderen., Deze longitudinale steekproefmethode maakt schattingen van veranderingen in de bevolking mogelijk, bijvoorbeeld met betrekking tot chronische ziekte, werkstress en wekelijkse voedseluitgaven. Panel sampling kan ook worden gebruikt om onderzoekers te informeren over binnen-persoon gezondheid veranderingen toe te schrijven aan leeftijd of om veranderingen in continue afhankelijke variabelen zoals echtelijke interactie te helpen verklaren. Er zijn verscheidene voorgestelde methodes geweest om paneelgegevens te analyseren, met inbegrip van MANOVA, de krommen van de groei, en structurele vergelijking modellering met vertraagde gevolgen.,
Snowball samplingEdit
Snowball sampling omvat het vinden van een kleine groep initiële respondenten en het gebruik ervan om meer respondenten te werven. Het is met name nuttig in gevallen waar de populatie verborgen is of moeilijk op te sommen.
theoretische samplingdit
theoretische bemonstering vindt plaats wanneer monsters worden geselecteerd op basis van de resultaten van de tot nu toe verzamelde gegevens met als doel een dieper begrip van het gebied te ontwikkelen of theorieën te ontwikkelen., Extreme of zeer specifieke gevallen kunnen worden geselecteerd om de kans te maximaliseren dat een fenomeen daadwerkelijk waarneembaar is.