14 eșantionarea în Cluster avantaje și dezavantaje

eșantionarea în Cluster este o metodă de eșantionare în care populațiile sunt plasate în grupuri separate. Un eșantion aleatoriu din aceste grupuri este apoi selectat pentru a reprezenta o anumită populație. Este un proces care este de obicei utilizat pentru cercetarea pieței atunci când nu există o modalitate fezabilă de a găsi informații despre o populație sau o populație demografică în ansamblu.

există 3 cerințe care trebuie îndeplinite pentru ca eșantionarea în cluster să fie o formă exactă de colectare a informațiilor.

1. grupurile trebuie să fie cât mai eterogene posibil, conținând subpopulații distincte și diferite în cadrul fiecărui grup.
2. fiecare grup ar trebui să ofere o reprezentare mai mică a ceea ce se întâmplă să fie întreaga populație sau demografică.
3. grupurile trebuie să se excludă reciproc pentru a preveni suprapunerile de date. Nu ar trebui să fie posibil ca două clustere să apară împreună.

odată ce aceste cerințe sunt îndeplinite, există două tipuri de eșantionare cluster care pot fi efectuate. În eșantionarea clusterului cu o singură etapă, se utilizează fiecare element din fiecare cluster selectat. În eșantionarea clusterului în două etape, o tehnică de eșantionare randomizată este utilizată pentru clusterele selectate pentru a genera informații.

iată punctele cheie de luat în considerare atunci când analizăm avantajele și dezavantajele eșantionării în cluster.

lista avantajelor eșantionării în Cluster

1. Aceasta permite cercetarea să se desfășoare cu o economie redusă.

dacă ar fi să cercetați o anumită populație sau comunitate, costul intervievării fiecărei gospodării sau persoane din cadrul grupului ar fi foarte limitat. Prin utilizarea eșantionării în cluster, devine posibilă compilarea informațiilor despre anumite date demografice sau comunități prin reducerea numărului necesar pentru a genera date exacte. Deși nu există date exacte 100% fără un proces complet de cercetare al fiecărei persoane implicate, eșantionarea în cluster obține rezultate într-o marjă de eroare foarte mică.

2. Eșantionarea clusterului reduce variabilitatea.

toate formele de eșantionare creează estimări. Ceea ce oferă eșantionarea clusterului este un proces de estimare care este mai precis atunci când clusterele au fost reunite în mod corespunzător. Presupunând că fiecare cluster este reprezentativ pentru populația generală cercetată, informațiile obținute prin această metodă au oferit o variabilitate redusă a rezultatelor sale, deoarece este o reflectare mai exactă a grupului în ansamblu.

3. Este o abordare mai fezabilă.

capacitatea de a gestiona intrări mari de date care ar fi necesare dintr-o eșantionare demografică sau comunitară completă nu ar fi fezabilă pentru cercetătorul mediu. Proiectarea abordării de eșantionare în cluster este destinată în mod special să ia în considerare populațiile mari. Dacă trebuie să găsiți date reprezentative pentru un grup mare de populație, eșantionarea în cluster face posibilă extrapolarea informațiilor colectate într-un format utilizabil.

4. Eșantionarea clusterului poate fi preluată din mai multe zone.

clusterele pot fi definite într-o singură comunitate, mai multe comunități sau mai multe date demografice. Procedurile utilizate pentru obținerea informațiilor urmează același proces, indiferent cât de mare este eșantionul. Asta înseamnă că cercetătorii pot genera informații utilizabile despre un cartier folosind un eșantion aleatoriu de anumite case. De asemenea, pot descoperi informații la scară largă prin abordarea demografică în diferite domenii pentru a genera rezultate la nivel național.

5. Oferă avantajele eșantionării aleatorii și eșantionării stratificate.

ceea ce face ca eșantionarea în cluster să fie o metodă atât de benefică este faptul că include toate beneficiile eșantionării randomizate și eșantionării stratificate în procesele sale. Acest lucru ajută la reducerea potențialului de părtinire umană în cadrul informațiilor colectate. De asemenea, simplifică procesul de asamblare a informațiilor, reducând riscurile influențelor negative cauzate de variații aleatorii. Atunci când sunt combinate, rezultatele obținute din eșantion pot genera concluzii care pot fi apoi aplicate populației mai mari.

6. Eșantionarea clusterului creează eșantioane mari de date.

este mult mai ușor să creați eșantioane mai mari de date folosind eșantioane de cluster datorită structurii sale. Odată ce clusterele au fost proiectate și plasate, informațiile colectate sunt similare din fiecare cluster. Acest lucru face posibilă compararea punctelor de date, găsirea concluziilor în cadrul anumitor grupuri de populație și generarea de informații de urmărire care pot analiza modul în care diferite clustere evoluează în timp.

lista dezavantajelor eșantionării în Cluster

1. Este mai ușor să creați date părtinitoare în cadrul eșantionării clusterului.

proiectarea fiecărui cluster este fundamentul datelor care vor fi colectate din procesul de eșantionare. Clusterele exacte care reprezintă populația studiată vor genera rezultate precise. Dacă un cercetător încearcă să creeze rezultate specifice pentru a reflecta o părtinire personală, atunci este mai ușor să generați date care reflectă părtinirea prin structurarea clusterelor într-un mod specific. Chiar dacă este o părtinire inconștientă, datele vor fi o reflectare a structurării, creând o impresie falsă de precizie.

2. Erorile de eșantionare pot fi o problemă majoră.

informațiile colectate prin eșantionarea clusterului depind în mare măsură de abilitățile cercetătorului. Dacă informațiile sau metodele de colectare sunt subpar, atunci datele colectate nu vor fi atât de benefice pe cât ar putea fi. Erorile constatate în astfel de date ar părea a fi puncte legitime, atunci când, în realitate, acestea pot fi o reflectare inexactă a populației generale. Din acest motiv, oricine este nou în domeniul cercetării este descurajat să utilizeze eșantionarea clusterului ca metodă inițială.

3. Multe clustere sunt plasate pe baza informațiilor de auto-identificare.

cercetătorii determină adesea plasarea în cluster a indivizilor sau a gospodăriilor pe baza informațiilor de auto-identificare. Asta înseamnă că indivizii pot influența calitatea datelor prin denaturarea lor într-un fel. Tot ce poate fi necesar pentru a crea o influență negativă este o denaturare a veniturilor, a etniei sau a preferințelor politice. Structurarea inadecvată a procesului de plasare de către cercetători poate adăuga confuzie și procesului de plasare. Pot exista, de asemenea, persoane care se identifică în mod intenționat ca un grup diferit pentru a înclina cercetarea în scopuri proprii.

4. Fiecare cluster poate avea unele puncte de date care se suprapun.

scopul eșantionării în cluster este de a reduce suprapunerile de date, care pot afecta integritatea concluziilor care pot fi găsite. Cu toate acestea, atunci când creați un cluster, fiecare grup demografic, comunitate sau populație va avea un anumit nivel de suprapunere La nivel individual. Acest lucru creează un nivel de variabilitate în cadrul datelor care creează erori de eșantionare în mod regulat. În unele cazuri, eroarea de eșantionare ar putea fi suficient de mare pentru a reduce caracterul reprezentativ al datelor, invalidând concluziile.

5. Este nevoie de egalitatea dimensiunii pentru a fi eficientă.

unul dintre dezavantajele principale ale eșantionării în cluster este că necesită egalitate în dimensiune pentru ca aceasta să conducă la concluzii exacte. Dacă un cluster are un eșantion reprezentativ de 2.000 de persoane, în timp ce al doilea cluster are 1.000, iar restul au 500, atunci primele două clustere vor fi subreprezentate în concluzii, în timp ce clusterele mai mici vor fi suprareprezentate. Acest proces poate duce la o disparitate a datelor, ceea ce creează o eroare mare de eșantionare care poate fi dificil de identificat.

6. Constatările din eșantionarea în cluster se aplică numai acelor grupuri de populație.

problema care vine cu eșantionarea clusterului este faptul că populațiile pe care le conțin sunt reprezentative numai pentru acel grup specific. Dacă s-ar studia orașele din Carolina de nord, de exemplu, atunci informațiile obținute din acea cercetare nu ar putea fi aplicate cu exactitate populației generale a Statelor Unite. Ar fi corect doar pentru populația statului și, chiar și atunci, este posibil să nu fie posibil să se aplice constatări bazate pe discrepanțe regionale. De aceea, trebuie să existe definiții puternice pentru fiecare cluster pentru ca cercetarea să fie exactă.

7. Este nevoie de un număr minim de cazuri pentru acuratețe.

eșantionarea în Cluster necesită mai multe puncte de cercetare pentru a reduce erorile de eșantionare pe care le produce cercetarea. Fără niveluri ridicate de cercetare, potențialul de suprapunere a datelor crește. Există, de asemenea, un risc mai mare de a obține date unilaterale prin acest proces dacă sunt luate mai puține exemple din fiecare cluster.

8. Eșantionarea clusterului funcționează bine numai atunci când oamenii pot fi clasificați ca unități.

procesele implicate în eșantionarea clusterului necesită clasificarea oamenilor ca unitate în loc de individ. Asta ar însemna că ar trebui să fie identificați cu un anumit grup, cum ar fi “republicanii” sau “democrații”.”Dacă trebuie colectate puncte de date individuale, atunci este necesară o altă formă de cercetare.

aceste avantaje și dezavantaje ale eșantionării în cluster ne pot ajuta să găsim informații specifice despre o populație mare, fără investiția în timp sau Costuri a altor metode de eșantionare. În același timp, fără controale strânse și abilități puternice de cercetător, pot exista mai multe erori găsite în aceste informații care pot duce cercetătorii la rezultate false. Din acest motiv, numai cercetătorii cu experiență care sunt familiarizați cu eșantionarea zonei ar trebui să utilizeze această formă de cercetare în mod regulat.