Ve statistikách vzorkování klastru je technika vzorkování pravděpodobnosti, kdy vědci rozdělují populaci do výzkumu do několika skupin (klastrů). Vědci poté vybírají náhodné skupiny pomocí jednoduché nebo systematické techniky náhodného vzorkování pro sběr a analýzu dat.
Jinými slovy, vzorkování klastrů je a metoda odběru vzorků ve kterém je celá studovaná populace rozdělena na externě homogenní, ale interně heterogenní skupiny, nazývané klastry. Každá skupina je v zásadě mini reprezentací celé populace.
Reklamy
Po identifikaci skupin jsou některé vybrány pomocí a jednoduchý náhodný výběrzatímco ostatní nejsou ve studii zastoupeni. Také po výběru skupin musí výzkumný pracovník zvolit vhodnou metodu pro vzorkování položek z každé vybrané skupiny.
Reklamy
V tomto článku najdete:
Typy vzorkování klastru
Existují dva typy vzorkování klastrů, mezi nimi jsou:
- Jednostupňové vzorkování klastru: Tento typ vzorkování klastrů se zabývá tím, když výzkumník pracuje s celou populací skupiny náhodným výběrem.
- Dvoustupňový: Na druhou stranu se dvoustupňové vzorkování klastru zabývá tím, kdy výzkumník pracuje s určitým množství mezi celou populací pro každou vybranou skupinu prostřednictvím systematického náhodného výběru vzorků nebo jednoduchý.
V následujících situacích provádět vzorkování klastru, je třeba provést řadu kroků. Mezi nimi je:
Reklamy
- O vzorku: bude rozhodnuto cílové publikum a jeho velikost.
- Vývoj a vyhodnocení vzorkovacích rámců - Sampling frame is created using an existing one or by creating nový a poté je vyhodnotit na základě pokrytí a seskupení provedením úprav odpovídající.
- Určete skupiny: počet skupin bude určen zahrnutím stejného průměrného počtu členů do každé z nich. Každá skupina se musí od sebe lišit.
- Vyberte skupiny: skupiny budou vybrány náhodným výběrem.
- Vytvořit podtypy: Dvoustupňové a vícestupňové podtypy budou rozděleny podle počtu kroků, které výzkumníci provedou k vytvoření skupin.
Výhody a nevýhody vzorkování klastrů
Na straně výhody máte:
- Méně zdrojů, jako jsou náklady a čas
- Je to proveditelnější
- Pohodlný přístup
- Přesnější údaje
- Snadná implementace vzorkování
Pokud jde o nevýhody, má:
Reklamy
- Vysoká chyba vzorkování: Obecně jsou vzorky odebrané metodou sdružování náchylné k vyšší chybě vzorkování než vzorky odebrané jinými metodami vzorkování.
- Předpjaté vzorky: Metoda je náchylná k zaujatosti. Pokud by skupiny představující celou populaci byly vytvořeny na základě zaujatého názoru, byly by také zaujaté závěry o celé populaci.
Rozdíly mezi konglomerátním a stratifikovaným vzorkováním
Ve stratifikovaném výběru je populace rozdělena do vrstev podle některých proměnných, které jsou považovány za související s proměnnými, které nás zajímají. Z každé vrstvy je poté odebrán vzorek.
To je zamýšleno snížit chybu vzorkování protože, pokud vrstvy skutečně souvisejí se sledovanými proměnnými, je každá vrstva homogennější (má menší variace v cílových proměnných).
Reklamy
V klastrovém vzorkování je populace rozdělena do skupin a je z nich odebrán vzorek. Ale jsou brány pouze některé ze skupin. To má tendenci zvyšovat chybu vzorkování, protože skupiny mají tendenci být podobné.
Pokud by byly identické, nemělo by smysl provádět ve skupině více než jedno pozorování, protože by byly všechny identické. Ztráta přesnosti souvisí s variabilitou ve skupinách, která je známá až po odebrání vzorku.
Na první pohled jsou seskupení a stratifikace podobné: v obou je populace rozdělena do nepřekrývajících se skupin. Ale tam podobnost končí. Zatímco stratifikovaný vzorkování může snížit chybu vzorkování, vzorkování clusteru ji zvyšuje (pro stejnou velikost vzorku).
Vzorkování klastru však může povolit získejte větší vzorek za stejné náklady a pokud jde o náklady, stále doufáme, že chybu snížíme. V ideálním případě by variace ve vrstvách měla být co nejmenší, zatímco variace uvnitř skupin by mělo být nejlepší možné (ale nemůžeme to ovládat a musíme to brát jako tento).
Kdy zvolit vzorkování klastru?
Pokud nemůžete získat úplné informace o populaci, ale můžete získat informace o skupinách / klastrech, je vhodné zvolit vzorkování klastru.
Za předpokladu, že jste se rozhodli pro vzorkování klastrů, můžete být vystaveni rozpočtovým nebo časovým omezením. V takovém případě by mohlo být pohodlnější použít vzorkování klastrů výběrem lidí nebo položek, které jsou blíže, reagují rychleji nebo jsou levnější.
Cluster sampling je užitečné, když: nemáte seznam prvků z populace, ale je snadné získat seznam skupin. Když se náklady na získávání pozorování zvyšují, protože vzdálenost odděluje prvky.
