Stratifikovaný náhodný výběr vzorků prospívá vědcům tím, že jim umožňuje získat vzorek populace, která nejlépe reprezentuje celou studovanou populaci. Tento způsob výzkumu však není bez jeho nevýhod.
Stratifikovaný náhodný výběr vzorků: Přehled
Stratifikovaný náhodný výběr zahrnuje nejprve rozdělení populace do subpopulací a poté použití náhodných metod odběru vzorků pro každou subpopulaci za vytvoření testovací skupiny. Nevýhodou je, když vědci nemohou klasifikovat každého člena populace do podskupiny.
Vrstvený náhodný výběr je odlišný od jednoduchého náhodného vzorkování, což zahrnuje náhodný výběr dat z celé populace, takže je pravděpodobný výskyt každého možného vzorku. Naproti tomu stratifikovaný náhodný výběr rozděluje populaci do menších skupin nebo vrstev na základě sdílených charakteristik. Z každé vrstvy se odebere náhodný vzorek v přímém poměru k velikosti vrstvy ve srovnání s populací.
Příklad stratifikovaného náhodného vzorkování
Následuje příklad stratifikovaného náhodného vzorkování:
Vědci provádějí studii určenou k hodnocení politického sklonu studentů ekonomie na hlavní univerzitě. Vědci chtějí zajistit, aby náhodný vzorek nejlépe aproximoval studentskou populaci, včetně pohlaví, vysokoškoláků a postgraduálních studentů. Celková populace ve studii je 1 000 studentů a odtud jsou vytvořeny podskupiny, jak je ukázáno níže.
Celková populace = 1 000
Vědci by přiřadili každého studenta ekonomie na univerzitu k jedné ze čtyř subpopulací: mužský vysokoškolský student, vysokoškolský student, absolventský program a absolventka. Vědci by dále spočítali, kolik studentů z každé podskupiny tvoří celkový počet 1 000 studentů. Odtud vědci vypočítávají procentuální zastoupení každé podskupiny z celkové populace.
Podskupiny:
- Muži vysokoškoláci = 450 studentů (ze 100) nebo 45% populaceŽeny vysokoškoláků = 200 studentů nebo 20% Postgraduální muži = 200 studentů nebo 20% Postgraduální ženy = 150 studentů nebo 15%
Náhodné vzorkování každé subpopulace se provádí na základě jeho zastoupení v populaci jako celku. Protože mužští vysokoškoláci tvoří 45% populace, 45 mužů je náhodně vybráno z této podskupiny. Protože mužští absolventi tvoří pouze 20% populace, 20 je vybráno do vzorku a tak dále.
Zatímco stratifikovaný náhodný výběr vzorků přesně odráží studovanou populaci, podmínky, které je třeba splnit, znamenají, že tuto metodu nelze použít v každé studii.
Výhody stratifikovaného náhodného vzorkování
Vrstvený náhodný výběr má výhody ve srovnání s jednoduchým náhodným vzorkováním.
Přesně odráží studium populace
Stratifikovaný náhodný výběr vzorků přesně odráží studovanou populaci, protože vědci před použitím metod náhodného výběru stratifikují celou populaci. Stručně řečeno, zajišťuje to, že každá podskupina v rámci populace obdrží řádné zastoupení ve vzorku. Výsledkem je, že stratifikovaný náhodný výběr vzorků poskytuje lepší pokrytí populace, protože vědci mají kontrolu nad podskupinami, aby se zajistilo, že všechny budou ve vzorku zastoupeny.
S jednoduchým náhodným vzorkováním neexistuje žádná záruka, že je vybrána jakákoli konkrétní podskupina nebo typ osoby. V našem dřívějším příkladu studentů vysokých škol by použití jednoduchého náhodného výběru vzorků k získání vzorku 100 z populace mohlo vést k výběru pouze 25 vysokoškolských studentů mužského pohlaví nebo pouze 25% z celkové populace. Rovněž může být vybráno 35 absolventek (35% populace), což má za následek nedostatečné zastoupení vysokoškolských studentů a nadměrné zastoupení absolventek. Jakékoli chyby v zastoupení populace mají potenciál snížit přesnost studie.
Nevýhody stratifikovaného náhodného vzorkování
Stratifikovaný náhodný výběr vzorků také představuje nevýhodu pro výzkumné pracovníky.
Nelze použít ve všech studiích
Tuto metodu výzkumu bohužel nelze použít v každé studii. Nevýhodou metody je, že pro správné použití musí být splněno několik podmínek. Vědci musí identifikovat každého člena studované populace a klasifikovat každou z nich do jedné a pouze jedné subpopulace. Výsledkem je, že stratifikovaný náhodný výběr vzorků je nevýhodný, pokud vědci nemohou s jistotou klasifikovat každého člena populace do podskupiny. Také nalezení vyčerpávajícího a definitivního seznamu celé populace může být náročné.
Překrývání může být problémem, pokud existují předměty, které spadají do více podskupin. Když se provádí jednoduchý náhodný výběr, je pravděpodobnější, že budou vybráni ti, kteří jsou ve více podskupinách. Výsledkem by mohlo být zkreslení nebo nepřesný odraz populace.
Výše uvedený příklad usnadňuje: Vysokoškoláci, absolventi, muži a ženy jsou jasně definované skupiny. V jiných situacích však může být mnohem obtížnější. Představte si, že zahrnují vlastnosti, jako je rasa, etnika nebo náboženství. Proces třídění se stává obtížnějším, což činí stratifikovaný náhodný výběr vzorků neúčinnou a méně než ideální metodou.
Klíč s sebou
- Stratifikovaný náhodný výběr umožňuje vědcům získat vzorek populace, který nejlépe reprezentuje celou sledovanou populaci. Tuto metodu výzkumu nelze použít v každé studii.Rozdělený náhodný výběr se liší od jednoduchého náhodného výběru, což zahrnuje náhodný výběr dat z celá populace, takže je pravděpodobné, že se objeví každý možný vzorek.
