Systematische bemonstering en clusterbemonstering: een overzicht
Systematische bemonstering en clusterbemonstering zijn twee verschillende soorten statistische metingen die door onderzoekers, analisten en marketeers worden gebruikt om steekproeven van een populatie te bestuderen. De manier waarop zowel systematische als clusterbemonstering steekproefpunten uit de populatie halen, is verschillend.
Terwijl systematische bemonstering vaste intervallen van de grootste populatie gebruikt om de steekproef te maken, verdeelt clusterbemonstering de populatie in verschillende clusters. Systematische steekproef selecteert een willekeurig startpunt uit de populatie, waarna een steekproef wordt genomen uit vaste regelmatige intervallen van de populatie, afhankelijk van de grootte ervan. Clusterbemonstering verdeelt de populatie in clusters en neemt vervolgens een eenvoudige willekeurige steekproef van elk cluster. 1 2
KEY POINTS
Systematische bemonstering en
- clusterbemonstering zijn beide statistische metingen die door onderzoekers, analisten en marketeers worden gebruikt om steekproeven van een populatie te bestuderen.
- Systematische bemonstering omvat het selecteren van vaste bereiken uit de grootste populatie om de steekproef te creëren.
- Clustersteekproef verdeelt de populatie in groepen en neemt vervolgens een willekeurige steekproef van elk cluster.
Systemische bemonstering
Systematische bemonstering is een methode voor het nemen van willekeurige waarschijnlijkheden. Het is een van de meest populaire en meest voorkomende methoden die door onderzoekers en analisten worden gebruikt. Deze methode omvat het selecteren van monsters uit een grotere groep.
Hoewel het startpunt willekeurig kan zijn, omvat de bemonstering het gebruik van vaste intervallen tussen elk lid.
Hier werkt het. De onderzoeker begint met het kiezen van een startpunt uit een grotere populatie. Normaal gesproken is het in de vorm van een geheel getal dat kleiner moet zijn dan het aantal proefpersonen in de grotere populatie. De analist kiest vervolgens het interval tussen elk lid, dit is een consistent verschil dat tussen elk lid ligt.
Hier is een hypothetisch voorbeeld. Stel dat er een populatie van 100 mensen in het onderzoek zit. De onderzoeker begint met de persoon op de tiende plaats. Dan besluiten ze om elke zevende persoon te kiezen. Dit betekent dat in de steekproef mensen worden gekozen op de volgende punten: 10, 17, 24, 31, 38, 45, enzovoort.
Dit type statistische steekproef is vrij eenvoudig, daarom heeft het over het algemeen de voorkeur van onderzoekers.
Het is ook erg handig voor bepaalde doeleinden in de financiële wereld . Degenen die deze methode gebruiken, gaan ervan uit dat de resultaten de meerderheid van de normale populaties vertegenwoordigen. Dit proces zorgt er ook voor dat de hele populatie gelijkmatig wordt bemonsterd. 1 Er kunnen echter problemen zijn met dit type bemonstering. Het risico op het manipuleren van gegevens kan bijvoorbeeld groter zijn, omdat degenen die deze methode gebruiken onderwerpen en bereiken kunnen kiezen op basis van een gewenst resultaat.
Systematische en clusterbemonstering worden beide beschouwd als vormen van aselecte bemonstering.
Clusterbemonstering
Cluster sampling is een ander type willekeurige statistische meting. Deze methode wordt gebruikt wanneer er meerdere subsets van groepen in een grotere populatie zijn. Deze groepen worden clusters genoemd. Cluster sampling wordt vaak gebruikt door marketinggroepen en professionals.
Cluster sampling is een procedure in twee stappen. Eerst wordt de hele populatie geselecteerd en verdeeld in verschillende clusters. Uit deze subgroepen worden vervolgens willekeurige steekproeven gekozen.
Een onderzoeker kan bijvoorbeeld moeite hebben om de volledige klantenpopulatie van een supermarkt op te bouwen om te interviewen. Ze kunnen echter mogelijk een willekeurige subset van winkels maken – dit is de eerste stap in het proces. De tweede stap is het interviewen van een willekeurige steekproef van de klanten van die winkels.
Deze bemonsteringsmethode kan worden gebruikt wanneer het moeilijk is om een lijst van de gehele populatie in te vullen, zoals in het vorige voorbeeld is aangetoond. Maar om het te laten werken en zo nauwkeurig mogelijk te zijn, is het van groot belang dat de leden van elke subset of cluster zo veel mogelijk op elkaar lijken. Het aantal leden in elke groep moet ook redelijk consistent zijn, anders kunnen de resultaten worden vertekend.
Dit is een eenvoudig handmatig proces dat u tijd en geld kan besparen. 2 In feite kan het gebruik van clusterbemonstering vrij economisch zijn in vergelijking met andere methoden. Dit komt omdat er over het algemeen minder kosten en uitgaven verbonden zijn , vooral omdat leden van de bevolking gemakkelijk toegankelijk zijn en er ook rekening wordt gehouden met een grotere populatie. Maar er is een grotere steekproeffout geassocieerd met clusterbemonstering, waardoor deze minder nauwkeurig is dan andere bemonsteringsmethoden.
