14 Clusteru Vzorkování Výhody a Nevýhody

Cluster sampling je metoda odběru vzorků, kde populace jsou umístěny do samostatných skupin. Náhodný vzorek těchto skupin je pak vybrán tak, aby reprezentoval konkrétní populaci. Je to proces, který se obvykle používá pro průzkum trhu, když neexistuje žádný proveditelný způsob, jak najít informace o populaci nebo demografické jako celek.

existují 3 požadavky, které musí být splněny, aby vzorkování clusteru bylo přesnou formou shromažďování informací.

1. skupiny musí být co nejvíce heterogenní a musí obsahovat odlišné a odlišné subpopulace v každé skupině.
2. každá skupina by měla nabídnout menší zastoupení toho, jaká je celá populace nebo demografická situace.
3. skupiny se musí vzájemně vylučovat, aby se zabránilo překrývání dat. Nemělo by být možné, aby se dva shluky vyskytovaly společně.

jakmile jsou tyto požadavky splněny, existují dva typy vzorkování clusteru, které lze provést. V jednostupňovém vzorkování clusteru se používá každý prvek v každém vybraném clusteru. Ve dvoustupňovém vzorkování klastrů se pro vybrané klastry používá randomizovaná technika vzorkování pro generování informací.

zde jsou klíčové body, které je třeba zvážit při pohledu na výhody a nevýhody vzorkování klastrů.

seznam výhod clusteru vzorkování

1. Umožňuje provádět výzkum se sníženou ekonomikou.

pokud byste měli zkoumat konkrétní demografickou skupinu nebo komunitu, náklady na rozhovory s každou domácností nebo jednotlivcem ve skupině by byly velmi omezující. Pomocí vzorkování clusteru je možné shromažďovat informace o určitých demografických údajích nebo komunitách snížením počtu potřebného pro generování přesných dat. Ačkoli žádná data nejsou 100% přesná bez úplného výzkumného procesu každé zúčastněné osoby, vzorkování klastrů získává výsledky ve velmi malém rozpětí chyb.

2. Vzorkování clusteru snižuje variabilitu.

všechny formy vzorkování vytvářejí odhady. Vzorkování clusteru poskytuje proces odhadu, který je přesnější, když byly klastry vhodně sestaveny. Za předpokladu, že každý cluster je reprezentativní pro populaci být prozkoumány, informace získané prostřednictvím této metody nabídl snížena variabilita v jeho výsledků, protože to je přesnější odraz skupiny jako celku.

3. Je to proveditelnější přístup.

schopnost spravovat velké datové vstupy, které by byly vyžadovány z úplného demografického nebo komunitního odběru vzorků, by pro průměrného výzkumníka nebyla proveditelná. Návrh přístupu k odběru vzorků klastrů je konkrétně určen k zohlednění velkých populací. Pokud potřebujete najít data, která jsou reprezentativní pro velkou skupinu obyvatel, vzorkování klastrů umožňuje extrapolovat shromážděné informace do použitelného formátu.

4. Vzorkování clusteru lze odebrat z více oblastí.

klastry lze definovat v rámci jedné komunity, více komunit nebo více demografických skupin. Postupy používané pro získávání informací se řídí stejným procesem, bez ohledu na to, jak velký je vzorek. To znamená, že vědci mohou generovat použitelné informace o sousedství pomocí náhodného vzorku určitých domů. Mohou také objevovat informace ve velkém měřítku tím, že přistupují k demografii v různých oblastech a vytvářejí výsledky na národní úrovni.

5. Nabízí výhody náhodného odběru vzorků a stratifikovaného odběru vzorků.

Co dělá clusteru vzorkování tak prospěšné metody je skutečnost, že zahrnuje všechny výhody randomizovaných vzorků a stratifikované vzorkování v jeho procesy. To pomáhá snížit potenciál lidské zaujatosti v rámci shromážděných informací. Zjednodušuje také proces shromažďování informací a snižuje riziko negativních vlivů způsobených náhodnými odchylkami. Při kombinaci mohou výsledky získané ze vzorku generovat závěry, které pak mohou být aplikovány na větší populaci.

6. Vzorkování clusteru vytváří velké vzorky dat.

díky své struktuře je mnohem snazší vytvářet větší vzorky dat pomocí shlukových vzorků. Jakmile jsou clustery navrženy a umístěny, shromážděné informace jsou z každého clusteru podobné. To umožňuje porovnat datové body, najít závěry v rámci konkrétních skupin obyvatelstva, a generovat informace o sledování, které mohou sledovat, jak se různé klastry v průběhu času vyvíjejí.

seznam nevýhod vzorkování clusteru

1. Je snazší vytvářet zkreslená data v rámci vzorkování clusteru.

návrh každého clusteru je základem dat, která budou shromážděna z procesu vzorkování. Přesné shluky, které představují studovanou populaci, přinesou přesné výsledky. Pokud se výzkumník pokouší vytvořit konkrétní výsledky, aby odrážel osobní zaujatost, pak je snazší generovat data, která odrážejí zaujatost strukturou klastrů konkrétním způsobem. I když se jedná o nevědomé zkreslení, data budou odrazem strukturování a vytvoří falešný dojem přesnosti.

2. Chyby vzorkování mohou být velkým problémem.

informace shromážděné vzorkováním klastrů jsou silně závislé na dovednostech výzkumného pracovníka. Pokud jsou informace nebo metody sběru dílčí, nebudou shromážděná data tak prospěšná, jak by mohla být. Chyby zjištěné v těchto údajích se zdají být legitimními body, i když ve skutečnosti mohou být nepřesným odrazem obecné populace. Z tohoto důvodu je každý, kdo je v oblasti výzkumu nový, odrazován od používání vzorkování klastrů jako své počáteční metody.

3. Mnoho klastrů je umístěno na základě sebeidentifikačních informací.

výzkumníci často určují umístění klastrů jednotlivců nebo domácností na základě sebeidentifikačních informací. To znamená, že jednotlivci mohou ovlivnit kvalitu údajů tím, že se nějakým způsobem zkreslují. K vytvoření negativního vlivu může stačit pouze nesprávné vyjádření příjmu, etnicita, nebo politické preference. Nedostatečné strukturování v procesu umisťování výzkumnými pracovníky může také způsobit zmatek v procesu umisťování. Mohou také existovat jednotlivci, kteří se úmyslně identifikují jako jiný klastr, aby zkreslili výzkum pro své vlastní účely.

4. Každý cluster může mít nějaké překrývající se datové body.

cílem vzorkování klastrů je omezit překrývání dat, což může ovlivnit integritu závěrů, které lze nalézt. Při vytváření klastru však každá demografická, komunitní nebo populační skupina bude mít určitou úroveň překrývání na individuální úrovni. To vytváří úroveň variability v datech, která pravidelně vytváří chyby vzorkování. V některých případech by chyba vzorkování mohla být dostatečně velká, aby snížila reprezentativní povahu údajů, což by zneplatnilo závěry.

5. Aby byla účinná, vyžaduje rovnost velikosti.

jednou z hlavních nevýhod vzorkování klastrů je to, že vyžaduje rovnost ve velikosti, aby vedla k přesným závěrům. Pokud jeden cluster má reprezentativní vzorek 2000 lidí, zatímco druhý shluk má 1000, a všechny ostatní mají 500, pak první dvě uskupení bude pod-zastoupena v závěrech, zatímco menší clustery budou více zastoupeny. Tento proces může vést k nerovnosti dat, což vytváří velkou chybu vzorkování, kterou může být obtížné identifikovat.

6. Zjištění z odběru vzorků klastrů se vztahují pouze na tyto skupiny obyvatelstva.

problém, který přichází s clusteru vzorkování je skutečnost, že populace, které obsahují, jsou pouze zástupce, které konkrétní skupiny. Jestliže jeden byl k průzkumu měst v Severní Karolíně, například, pak informace získané z tohoto výzkumu nelze přesně aplikovat na obecné populaci Spojených Států. Bylo by to přesné pouze pro obyvatelstvo státu, a ani tehdy nemusí být možné použít zjištění založená na regionálních nesrovnalostech. Proto musí být pro každý klastr zavedeny silné definice, aby byl výzkum přesný.

7. Pro přesnost vyžaduje minimální počet případů.

odběr vzorků clusteru vyžaduje více výzkumných bodů, aby se snížily chyby vzorkování, které výzkum produkuje. Bez vysoké úrovně výzkumu se zvyšuje potenciál překrývání dat. Existuje také vyšší riziko získání jednostranných dat tímto procesem, pokud je z každého klastru odebráno méně příkladů.

8. Vzorkování clusteru funguje dobře pouze tehdy, když lze lidi klasifikovat jako jednotky.

procesy s clusteru vzorků vyžadují, aby lidé zařazují jako jednotky namísto jednotlivce. To by znamenalo, že by museli být identifikováni s konkrétní skupinou, jako “republikáni” nebo “demokraté”.”Pokud je třeba shromáždit jednotlivé datové body, je nutná jiná forma výzkumu.

Tyto clusteru vzorkování výhody a nevýhody nám může pomoci najít konkrétní informace o velké populaci, bez času nebo náklady na investice jiných metod odběru vzorků. Současně, bez přísných kontrol a silných dovedností výzkumných pracovníků, může být v těchto informacích nalezeno více chyb, které mohou vést vědce k falešným výsledkům. Z tohoto důvodu by tuto formu výzkumu měli pravidelně používat pouze zkušení výzkumní pracovníci, kteří jsou obeznámeni s vzorkováním oblastí.