6.3: רכיבי עיצוב- דגימה

Last updated
Save as PDF

Page ID: 207043

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

מטרות למידה

בסוף פרק זה תוכל:

להבין את ההיגיון של הדגימה
הבדילו בין דגימות לגודל האוכלוסייה
זהה את ההבדל בין דגימה הסתברותית ללא הסתברותית

למרות שסיפקנו לך עיצובים עיקריים, חשוב להיות מסוגל להבין מרכיבים נוספים של עיצוב מחקר. הבנת רכיבים אלה תעזור לך לבנות על עיצובים קיימים, כך שתוכל ליצור שרטוטים ספציפיים למחקר שלך. דגימה היא מרכיב חשוב שיש לקחת בחשבון מכיוון שיכול להיות קשה להשיג נתונים על כל מקרה ומקרה באוכלוסייה. לאופן יצירת המדגם שלך ומי חלק מהמדגם שלך יש השלכות על המסקנות שאתה יכול להסיק לגבי התוצאות שלך.

מרכיב חשוב בתכנון המחקר הוא קביעת מי יהיה חלק מהמחקר, מספר המקרים וכיצד ייבחרו מקרים במחקר. הצעד הראשון הוא לקבוע באיזו אוכלוסייה אתה מעוניין. האוכלוסייה מתייחסת לכל המקרים שיכולים להיות חלק מהמחקר. לדוגמה, אם אתה מעוניין מדוע אנשים מצביעים למועמדים מסוימים, אוכלוסיית העניין היא כולם מבוגרים בני 18 ומעלה ורשומים להצביע.

לא יהיה הגיוני שהאוכלוסייה שלך תכלול את אלה שאינם רשומים להצביע מכיוון ששאלתך ספציפית להתנהגות הבוחרים. מקרה יהיה יחידה אחת מהאוכלוסייה שזוהתה, או מבוגר בן 18 ומעלה ורשום להצביע. אם כל מי שהוא חלק מאוכלוסייה זו יכול להיות גם חלק מהמחקר, הראיות לתיאוריה שהועלו היו משכנעות למדי; עם זאת, זה יהיה קשה להשיג. לא רק שזה יהיה יקר מאוד, זה לא בהכרח אפשרי בגלל אילוצי זמן מכיוון שיש יותר מ -130 מיליון מצביעים בארצות הברית. אמנם יש פיתוי לנסות לכלול כל מקרה אפשרי, אך דבר אחד שיש לקחת בחשבון הוא שזו עדיין רק תמונת מצב בזמן. למה אנו מתכוונים בתמונת מצב בזמן? כל המקרים עשויים להיכלל לשנת בחירות אחת אך ישנן מספר בחירות בשנה יחד עם שנים רבות! בסופו של דבר, האוכלוסייה עשויה להיות באמת מדגם בהקשר של זמן.

השלב הבא יהיה לנסות להבין את מספר המקרים שיש לכלול שעדיין יספקו טיעון משכנע לתמיכה בתיאוריה. על פי חוק המספרים הגדולים, איננו בהכרח צריכים לכלול כל מקרה ומקרה בכדי לספק טיעון משכנע. במקום כלל האוכלוסייה, המחקר יתבסס ככל הנראה על מדגם. עלינו לספק מדגם, או מבחר מקרים מהאוכלוסייה, שהוא גדול מספיק כדי שנוכל להעריך את ערכי האוכלוסייה שאנו מחפשים. חוק המספרים הגדולים אומר לנו שכאשר אנו מספקים מדגם מספיק גדול המייצג גם את האוכלוסייה, הוא יוביל לתוצאות הקרובות לתוצאות אם נאסוף נתונים על כל המקרים באוכלוסייה.

בעת הדגימה, מאפיין נוסף שאנו מחפשים הוא ייצוגיות. ניתן לטעון כי ערך המדגם הוא משמעותי רק בכך שהוא יכול לעזור לנו להסיק מסקנות לגבי האוכלוסייה עליה אנו רוצים לדעת יותר. כדי להבין ייצוגיות, אנו זקוקים למסגרת דגימה. מסגרת הדגימה המלאה היא רשימה של כל האוכלוסייה. רשימה זו עשויה להכיל מידע על מאפייני האוכלוסייה בה אנו מעוניינים. כדי שהמדגם שלנו יספק לנו תוצאות שיכולות לספר לנו על האוכלוסייה, אנו זקוקים שהמדגם יהיה מייצג, או שיהיה דומה לזה של האוכלוסייה. אם אתה מעוניין ללמוד על מצביעים בארצות הברית, רק כולל מצביעים מקליפורניה לא יעזור במיוחד. מדגם זה יכול לספק לך מידע על מצביעים בקליפורניה, אך לאו דווקא על מצביעים בארצות הברית. כדי להבטיח ייצוגיות, אתה יכול לבחור מתוך מסגרת הדגימה מי זה צריך להיכלל במדגם שלך.

ישנן שתי דרכים לדגום מקרים, אחת מהן, אם תעשה כראוי, תייצר דגימות מייצגות ואחת שלא תשקף ייצוגיות. דגימת הסתברות תייצר דגימות שסביר יותר שייצגו את האוכלוסייה בניגוד לדגימת אי-הסתברות. דגימת הסתברות דורשת שימוש בבחירה אקראית כדי להכניס מקרים למדגם. דוגמאות לדגימת הסתברות הן דגימה אקראית פשוטה, דגימה מרובדת ודגימה מקובצת. דגימת אי-הסתברות משתמשת בתהליכים לא אקראיים כדי לבחור מקרים שיהיו חלק מהמדגם. דוגמאות לדגימת אי-הסתברות כוללות דגימת נוחות, דגימת מכסות ודגימת כדור שלג.

דגימת הסתברות

דגימה אקראית פשוטה נטענת כגישה הטובה ביותר בבחירת מדגם. במדגם אקראי פשוט, לכל מקרה יש סיכוי שווה להיבחר להיות חלק מהמחקר. באמצעות דגימה אקראית פשוטה, סביר להניח שהמדגם שלך ישקף את האוכלוסייה שלך. דרך פשוטה לחשוב על דגימה אקראית היא לשים שמות בכובע ולצייר שמות מתוך כובע. המשמעות היא שאם היית מעוניין ללמוד סטודנטים למדעי המדינה והיו 1,000 סטודנטים למדעי המדינה, לכל סטודנט יהיה סיכוי של 1 ל -1,000 להיבחר להשתתף במחקר שלך.

דגימה מרובדת דומה לדגימה אקראית אך ייתכן שקיים חשש כיצד נראה המדגם. ייתכן שיש חשש לגבי הכללה או אי הכללה של מאפיינים מסוימים. כדי להבטיח ייצוג פרופורציונלי, או להבטיח שלמדגם יש מאפיינים דומים לאלה באוכלוסייה, דגימה מרובדת תביא בחשבון מאפיינים כאלה ותבטיח שהמדגם נראה כמו האוכלוסייה. לכן, עלינו לדעת מאפיינים אלה ביחס לאוכלוסייה לפני בחירת המדגם.

לדוגמה, אם אין מספיק אנשים המייצגים את האוכלוסייה מבחינה גזעית מהווה דאגה, בעת הדגימה תבטיח שעשרים אחוזים מהמדגם הם אפרו -אמריקאים ועשרים אחוז מהמדגם מזדהים כלטינקס כי זה הפרופורציה שהם מהווים באוכלוסיית העניין. זה ידוע כמדגם מרובד פרופורציונלי. מדגם מרובד לא פרופורציונלי מדגם יתר על המידה קבוצות מסוימות שאחרת מהוות חלק קטן יותר מהמדגם. דגימת יתר מאפשרת לחוקרים לספק תובנה רבה יותר לגבי קבוצות אלה ואולי לא יוכלו לעשות זאת אם מעטים הם חלק מהמדגם.

מדגם מקובץ לוקח בחשבון שייתכן שמדגם אקראי פשוט אינו אפשרי מכיוון שהאוכלוסייה עשויה להיות מפוזרת למדי. אם האוכלוסייה שלך היא כל המבוגרים בארה"ב הרשומים להצביע, ייתכן שיהיה קשה לרכוש רשימה של כל בוחר רשום ולאחר מכן לבחור באופן אקראי אנשים להיות חלק מהסקר שלך. אם מנוהל באופן אישי, דמיין כמה קשה יהיה לטוס מחלק אחד של המדינה למשנהו לראיון! במקום זאת, החוקר יצמצם אותו על ידי בחירת אזורים או אשכולות ולאחר מכן דגימה אקראית מאזורים אלה. לדוגמה, חוקר יכול לבחור באופן אקראי מדינות ומתוך מדינות אלה, לבחור מחוזות, אחר כך ערים ולאחר מכן מתחמים. לאחר שנבחרו אזורים באופן אקראי, כל אלה שנמצאים באזורים אלה יימדדו.

מדגם אי-הסתברות

בעוד שדגימה אקראית צוינה קודם לכן כדרך האידיאלית ליצור מדגם, דגימות אי-סבירות משרתות גם מטרה. ניתן לבחור דגימת אי-הסתברות בשל מספר המקרים המצומצם הקיים. דגימת אי-הסתברות כוללת נוחות, מכסה ודגימת כדור שלג. דגימת נוחות מתייחסת לבחירת מקרים זמינים. זה כמעט כמו לא לדגום כלל כי אין קריטריונים להיות חלק מהמדגם מלבד להיות חלק מהאוכלוסייה שנבחרה ונכונות להיות חלק מהמדגם. דוגמה לבחירת מקרים שיהיו חלק ממדגם נוחות היא לשאול אנשים שיוצאים ממקום הקלפי לענות על שאלות.

דגימת מכסות מתייחסת לבחירת מקרים לפי מכסה או מספר מוגדר של מקרים. חוקרים עשויים לקבוע מספר קבוע ולהמשיך ליצור מדגם שיעמוד במספר זה. דגימת מכסות יכולה להיות דומה גם לדגימה מרובדת כאשר החוקר מנסה להבטיח שהמדגם נראה דומה לאוכלוסייה, כלומר אלה במדגם דומים במאפיינים לאוכלוסייה.

במדגם כדור שלג מזוהים מקרים ראשוניים כחלק מהמדגם. זה יכול להיות מקרה אחד, או שזה יכול להיות יותר. אנשים ראשוניים אלה יספקו לך הפניות של אנשים אחרים שיכולים להיות חלק מהמדגם. בסופו של דבר, מספר המקרים שיש לך יגדל באמצעות הפניות של אנשים שאתה יכול לקבל כדי להיות חלק מהמדגם. גודל המדגם יתפוס תאוצה ככל שתצליחו לצבור יותר הפניות, לצבור יותר מסה ולאסוף מקרים נוספים בדרך. שימוש בשיטת דגימה זו שימושי במיוחד כאשר עובדים עם אוכלוסייה שקשה להגיע אליה. לדוגמה, אם היית מבין את הנסיבות שבהן אנשים הופכים לחסרי בית, מדגם כדור שלג יעזור במיוחד מכיוון שרשימה של אנשים חסרי בית אינה קיימת.

דגימת הסתברות ואי הסתברות הן שיטות לבחירת מקרים להיות חלק ממחקר. בדרך כלל אנו משתמשים בדגימות מכיוון שניסיון לאסוף מידע מהאוכלוסייה יכול להיות קשה. חוק המספרים הגדולים אומר לנו שאנחנו לא בהכרח צריכים לכלול כל מקרה כדי לספק לנו את הנתונים שאנו מחפשים כאשר גודל המדגם שלנו גדול מספיק. ביצירת המדגם שלנו, ישנם כללי אצבע נוספים שיש לעקוב אחריהם. כלל כללי אחד הוא שאם האוכלוסייה הנחקרת קטנה - שווה או פחות מ -100 - האסטרטגיה הטובה ביותר היא לכלול את כל המקרים. כלל כללי נוסף הוא תמיד לשאוף למדגם גדול יותר מכיוון שאי-תגובה, או אי קבלת תשובה ממקרה, היא אפשרות סבירה.