14 Clusterbemonstering voor-en nadelen

Clusterbemonstering is een bemonsteringsmethode waarbij populaties in afzonderlijke groepen worden ingedeeld. Een willekeurige steekproef van deze groepen wordt dan geselecteerd om een specifieke populatie weer te geven. Het is een proces dat gewoonlijk voor marktonderzoek wordt gebruikt wanneer er geen haalbare manier is om informatie over een bevolking of demografische als geheel te vinden.

er zijn 3 eisen waaraan moet worden voldaan om clusterbemonstering een nauwkeurige vorm van informatieverzameling te kunnen zijn.

1. de groepen moeten zo heterogeen mogelijk zijn en verschillende subpopulaties binnen elk cluster bevatten.
2. elke groep moet een kleinere voorstelling geven van wat de gehele bevolking of Demografie is.
3. groepen moeten elkaar uitsluiten om overlappingen van gegevens te voorkomen. Het zou niet mogelijk moeten zijn dat twee clusters samen voorkomen.

zodra aan deze eisen is voldaan, kunnen twee soorten clusterbemonstering worden uitgevoerd. Bij éénfasige clusterbemonstering wordt elk element in elke geselecteerde cluster gebruikt. In clusterbemonstering in twee fasen, wordt een gerandomiseerde bemonsteringstechniek gebruikt voor geselecteerde clusters om informatie te produceren.

hier zijn de belangrijkste punten waarmee rekening moet worden gehouden bij het bekijken van de voor-en nadelen van clusterbemonstering.

lijst van voordelen van Clusterbemonstering

1. Het maakt het mogelijk om onderzoek uit te voeren met een verminderde economie.

indien u een specifieke demografische of gemeenschap zou onderzoeken, zouden de kosten van het interviewen van elk huishouden of individu binnen de groep zeer beperkt zijn. Door clusterbemonstering te gebruiken, wordt het mogelijk om informatie over bepaalde Demografie of gemeenschappen samen te stellen door het aantal te verminderen dat nodig is om nauwkeurige gegevens te genereren. Hoewel geen gegevens 100% nauwkeurig zijn zonder een volledig onderzoeksproces van elke betrokken persoon, krijgt clusterbemonstering resultaten binnen een zeer lage foutmarge.

2. Clusterbemonstering vermindert de variabiliteit.

alle vormen van bemonstering maken schattingen. Wat clusterbemonstering voorziet is een schattingsproces dat nauwkeuriger is wanneer de clusters op de juiste wijze zijn samengesteld. Ervan uitgaande dat elke cluster representatief is voor de algemene populatie die wordt onderzocht, bood de informatie die via deze methode werd verkregen een verminderde variabiliteit in de resultaten omdat het een nauwkeuriger weergave is van de groep als geheel.

3. Het is een meer haalbare aanpak.

het vermogen om grote gegevensinputs te beheren die nodig zouden zijn uit een volledige demografische of communautaire steekproef zou niet haalbaar zijn voor de gemiddelde onderzoeker. Het ontwerp van de cluster sampling approach is specifiek bedoeld om rekening te houden met grote populaties. Als u gegevens moet vinden die representatief zijn voor een grote bevolkingsgroep, maakt cluster sampling het mogelijk om verzamelde informatie te extrapoleren naar een bruikbaar formaat.

4. Clusterbemonstering kan uit meerdere gebieden worden genomen.

Clusters kunnen worden gedefinieerd binnen een enkele gemeenschap, meerdere gemeenschappen of meerdere Demografie. De procedures die worden gebruikt voor het verkrijgen van informatie volgen hetzelfde proces, ongeacht hoe groot het monster toevallig te zijn. Dat betekent dat onderzoekers bruikbare informatie over een buurt kunnen genereren door een willekeurige steekproef van bepaalde huizen te gebruiken. Zij kunnen ook op grote schaal informatie ontdekken door demografische gegevens op verschillende gebieden te benaderen om resultaten op nationaal niveau te genereren.

5. Het biedt de voordelen van aselecte bemonstering en gestratificeerde bemonstering.

wat clusterbemonstering zo ‘ n nuttige methode maakt, is het feit dat zij alle voordelen van gerandomiseerde bemonstering en gestratificeerde bemonstering in haar processen omvat. Dit helpt om het potentieel voor menselijke vooringenomenheid binnen de verzamelde informatie te verminderen. Het vereenvoudigt ook het informatieassemblageproces, waardoor het risico op negatieve invloeden door willekeurige variaties wordt verminderd. Wanneer gecombineerd, kunnen de resultaten die van de steekproef worden verkregen conclusies produceren die dan op de grotere bevolking kunnen worden toegepast.

6. Cluster sampling creëert grote data samples.

het is veel gemakkelijker om grotere gegevensmonsters te maken met behulp van clustermonsters vanwege de structuur ervan. Zodra de clusters zijn ontworpen en geplaatst, is de informatie die wordt verzameld gelijkaardig van elke cluster. Dat maakt het mogelijk om datapunten te vergelijken, conclusies te vinden binnen specifieke bevolkingsgroepen, en het genereren van tracking-informatie die kan kijken naar hoe verschillende clusters evolueren in de tijd.

lijst van de nadelen van Clusterbemonstering

1. Het is gemakkelijker om bevooroordeelde gegevens te maken binnen clusterbemonstering.

het ontwerp van elke cluster vormt de basis van de gegevens die uit het bemonsteringsproces zullen worden verzameld. De nauwkeurige clusters die de bevolking vertegenwoordigen die wordt bestudeerd zullen nauwkeurige resultaten produceren. Als een onderzoeker probeert om specifieke resultaten te creëren om een persoonlijke vooringenomenheid weer te geven, dan is het gemakkelijker om gegevens te genereren die de vooringenomenheid weerspiegelen door de structuur van de clusters op een specifieke manier. Zelfs als het een onbewuste vooringenomenheid is, zullen de gegevens een weerspiegeling zijn van de structurering, waardoor een valse indruk van nauwkeurigheid ontstaat.

2. Steekproeffouten kunnen een groot probleem vormen.

informatie die door middel van clustersteekproeven wordt verzameld, is sterk afhankelijk van de vaardigheden van de onderzoeker. Als de informatie of het verzamelen methoden zijn subpar, dan zijn de verzamelde gegevens niet zo gunstig als het zou kunnen zijn. De fouten die in dergelijke gegevens worden aangetroffen, lijken legitieme punten te zijn, terwijl ze in werkelijkheid een onnauwkeurige weergave van de algemene bevolking kunnen zijn. Om die reden wordt iedereen die nieuw is op het gebied van onderzoek ontmoedigd om cluster sampling als hun eerste methode te gebruiken.

3. Veel clusters worden geplaatst op basis van zelf-identificerende informatie.

onderzoekers bepalen vaak clusterplaatsing van individuen of huishoudens op basis van zelfidentificerende informatie. Dat betekent dat individuen de kwaliteit van de gegevens kunnen beïnvloeden door zich op een of andere manier verkeerd voor te stellen. Het enige wat nodig is om een negatieve invloed te creëren is een onjuiste weergave van inkomen, etniciteit of politieke voorkeur. Onvoldoende structurering in het plaatsingsproces door onderzoekers kan verwarring toevoegen aan het plaatsingsproces ook. Er kunnen ook individuen zijn die opzettelijk als een andere cluster identificeren om onderzoek voor hun eigen doeleinden te scheef te trekken.

4. Elk cluster kan een aantal overlappende datapunten hebben.

het doel van clusterbemonstering is het verminderen van overlappingen in gegevens, die van invloed kunnen zijn op de integriteit van de conclusies die kunnen worden gevonden. Bij het maken van een cluster, echter, elke demografische, gemeenschap, of bevolkingsgroep zal een zekere mate van overlap op een individueel niveau. Dat zorgt voor een mate van variabiliteit binnen de gegevens die sampling fouten op een regelmatige basis creëert. In sommige gevallen kan de steekproeffout groot genoeg zijn om het representatieve karakter van de gegevens te verminderen, waardoor de conclusies ongeldig worden.

5. Het vereist gelijkheid van grootte om effectief te zijn.

een van de belangrijkste nadelen van clusterbemonstering is dat gelijke grootte vereist is om tot nauwkeurige conclusies te kunnen leiden. Als één cluster een representatieve steekproef van 2.000 mensen heeft, terwijl de tweede cluster 1.000 heeft, en de rest 500, dan zullen de eerste twee clusters ondervertegenwoordigd zijn in de conclusies, terwijl de kleinere clusters oververtegenwoordigd zullen zijn. Dat proces kan leiden tot een gegevensongelijkheid, waardoor een grote steekproeffout ontstaat die moeilijk te identificeren kan zijn.

6. De bevindingen van clusterbemonstering gelden alleen voor die bevolkingsgroepen.

de kwestie die bij clusterbemonstering aan de orde komt, is het feit dat de populaties die zij bevatten alleen representatief zijn voor die specifieke groep. Als men steden in North Carolina zou onderzoeken, bijvoorbeeld, dan zou de informatie verkregen uit dat onderzoek niet nauwkeurig kunnen worden toegepast op de algemene bevolking van de Verenigde Staten. Het zou alleen accuraat zijn voor de bevolking van de staat, en zelfs dan is het misschien niet mogelijk om bevindingen op basis van regionale verschillen toe te passen. Daarom moeten er voor elke cluster sterke definities zijn om het onderzoek accuraat te laten zijn.

7. Het vereist een minimum aantal gevallen voor nauwkeurigheid.

Clusterbemonstering vereist meerdere onderzoekspunten om de bemonsteringsfouten die het onderzoek oplevert, te verminderen. Zonder veel onderzoek neemt het potentieel voor overlappingen van gegevens toe. Er is ook een groter risico op het verkrijgen van eenzijdige gegevens door middel van dit proces als er minder voorbeelden worden genomen uit elk cluster.

8. Clusterbemonstering werkt alleen goed als mensen als eenheden kunnen worden geclassificeerd.

de processen die betrokken zijn bij clusterbemonstering vereisen dat mensen worden geclassificeerd als een eenheid in plaats van een individu. Dat zou betekenen dat ze zouden moeten worden geïdentificeerd met een specifieke groep, zoals “Republikeinen” of ” Democraten.”Als individuele datapunten moeten worden verzameld, dan is een andere vorm van onderzoek nodig.

deze voor-en nadelen van clusterbemonstering kunnen ons helpen specifieke informatie over een grote populatie te vinden zonder dat andere bemonsteringsmethoden tijd of kosten investeren. Tegelijkertijd, zonder strakke controles en sterke onderzoeker vaardigheden, kunnen er meer fouten worden gevonden in deze informatie die onderzoekers kunnen leiden tot valse resultaten. Om die reden, alleen ervaren onderzoekers die bekend zijn met Gebied bemonstering moeten deze vorm van onderzoek op een regelmatige basis te gebruiken.