Systematische steekproeven versus clustersteekproeven: wat is het verschil?
Systematische bemonstering versus clusterbemonstering: een overzicht
Systematische steekproeven en clustersteekproeven zijn twee verschillende soorten statistische metingen die door onderzoekers, analisten en marketeers worden gebruikt om steekproeven van een populatie te bestuderen.
De wijze waarop zowel systematisch als clustersteekproeven pull monster punten uit de populatie verschilt. Terwijl systematische steekproeven vaste intervallen van de grotere populatie gebruiken om de steekproef te maken, splitst clustersteekproef de populatie op in verschillende clusters.
Systematische steekproeven selecteren een willekeurig startpunt uit de populatie, en vervolgens wordt een steekproef genomen uit vaste intervallen van de populatie, afhankelijk van de grootte. Clusterbemonstering verdeelt de populatie in clusters en neemt vervolgens een eenvoudige willekeurige steekproef uit elk cluster.1 In dit artikel bespreken we de verschillen tussen beide soorten bemonsteringen, hun voor- en nadelen, wanneer u ze het beste boven elkaar kunt gebruiken, en voorbeelden van elk.
Belangrijkste leerpunten
- Systematische steekproeven en clustersteekproeven zijn beide statistische metingen die door onderzoekers, analisten en marketeers worden gebruikt om steekproeven van een populatie te bestuderen.
- Systematische steekproeven omvatten het selecteren van vaste intervallen uit de grotere populatie om de steekproef te maken.
- Clusterbemonstering verdeelt de populatie in groepen en neemt vervolgens een willekeurige steekproef uit elk cluster.
- Zowel systematische steekproeven als clustersteekproeven zijn vormen van willekeurige steekproeven, bekend als kanssteekproeven, die in tegenstelling tot niet-kanssteekproeven staan.
- Systematische bemonstering en clusterbemonstering hebben beide hun voor- en nadelen, maar beide kunnen tijd- en kostenefficiënt zijn.
Systematische bemonstering
Systematische steekproeftrekking is een willekeurige steekproefmethode. Het is een van de meest populaire en meest gebruikte methoden die worden gebruikt door onderzoekers en analisten. Bij deze methode worden monsters uit een grotere groep geselecteerd. Hoewel het startpunt willekeurig kan zijn, omvat de steekproef het gebruik van vaste intervallen tussen elk lid.
Dit is hoe het werkt. De onderzoeker begint door eerst een vertrekpunt te kiezen uit een grotere populatie. Dit heeft normaal gesproken 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; dat is een consistent verschil dat tussen elk lid ligt. Hier is een hypothetisch voorbeeld. Laten we zeggen dat er een populatie van 100 mensen in het onderzoek zit. De onderzoeker begint met de persoon op de 10e plek. Ze besluiten dan om daarna elke zevende persoon te kiezen. Dit betekent dat de mensen op de volgende plekken worden gekozen in de bemonstering: 10, 17, 24, 31, 38, 45, enzovoort.
Voordelen en nadelen van systematische steekproeven
Dit soort statistische steekproeven is vrij eenvoudig en daarom wordt het over het algemeen begunstigd door 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 garandeert ook dat de hele populatie gelijkmatig wordt bemonsterd. Maar er kunnen problemen zijn met dit soort steekproeven. Het risico van het manipuleren van gegevens kan bijvoorbeeld groter zijn omdat degenen die deze methode gebruiken, onderwerpen en intervallen kunnen kiezen op basis van een gewenst resultaat.
Systematische bemonstering is eenvoudig uit te voeren en gemakkelijk te begrijpen. Statistici, die wellicht een beperkt budget of tijd hebben, vinden het gebruik van systematische steekproeven voordelig bij het maken, vergelijken en begrijpen van hun steekproeven. Bovendien biedt systematische bemonstering vanwege het proces een grotere mate van controle in vergelijking met andere bemonsteringsmethoden.
Systematische steekproeven maken ook een einde aan geclusterde selectie, waarbij willekeurig geselecteerde steekproeven in een populatie onnatuurlijk dicht bij elkaar liggen. Willekeurige steekproeven, in tegenstelling tot systematische steekproeven, kunnen dit voorval alleen verwijderen door meerdere onderzoeken uit te voeren of het aantal steekproeven te vergroten; beide kunnen tijdrovend en kostbaar zijn. Systematische steekproeven hebben ook een lage risicofactor omdat de kans klein is dat de gegevens besmet kunnen raken.
Ondanks de vele voordelen heeft systematische bemonstering ook nadelen. De belangrijkste beperking van systematische steekproeven is dat de omvang van de populatie nodig is. Zonder het specifieke aantal deelnemers in een populatie werkt systematische steekproeven niet goed. Als een statisticus bijvoorbeeld de leeftijd van daklozen in een bepaalde regio wil onderzoeken, maar niet nauwkeurig kan achterhalen hoeveel daklozen er zijn, dan hebben ze geen populatiegrootte of een startpunt.
Een ander nadeel is dat de populatie een natuurlijke hoeveelheid willekeur moet hebben. Als dit niet het geval is, wordt het risico om vergelijkbare gevallen te kiezen groter, waardoor het doel van de steekproef teniet wordt gedaan.
Voorbeeld van systematische bemonstering
Het doel van systematische steekproeven is om een onbevooroordeelde steekproef te verkrijgen. De methode om dit te bereiken is door aan elke deelnemer in de populatie een nummer toe te kennen en vervolgens hetzelfde aangewezen interval in de populatie te selecteren om de steekproef te maken.
U kunt bijvoorbeeld elke 5e deelnemer of elke 20e deelnemer kiezen, maar u moet dezelfde kiezen in elke populatie. Het proces van het selecteren van dit n-de nummer is een systematische steekproef.
Een tandpastabedrijf maakt bijvoorbeeld een nieuwe smaak tandpasta en wil deze graag testen op een steekproef voordat deze aan het publiek wordt verkocht. De test is om te bepalen of de nieuwe smaak goed wordt ontvangen door het monster. Het bedrijf stelt een populatie van 50 mensen samen en besluit om systematische steekproeven te gebruiken om een steekproef samen te stellen van 10 mensen wier mening over de tandpasta ze in overweging zullen nemen.
Ten eerste wijst het marketingteam een nummer toe aan elke deelnemer in de populatie. In dit geval heeft het een populatie van 50 in de groep, dus het zal aan elke deelnemer een nummer toewijzen tussen één en 50. Vervolgens moet het bepalen hoe groot de steekproef is die het wil hebben en heeft het een steekproefomvang bepaald van 10. Daarom 50/10 = 5. Vijf is het steekproefcijfer; wat betekent dat het elke vijfde deelnemer in de populatie zal selecteren om tot zijn steekproef te komen. Dit wordt weergegeven in de onderstaande tabel, waar elke vijfde deelnemer vetgedrukt is en degene die voor de steekproef is gekozen.
Clusterbemonstering
Clusterbemonstering is een ander type willekeurige statistische maat. Deze methode wordt gebruikt wanneer er verschillende subsets van groepen aanwezig zijn in een grotere populatie. Deze groepen staan bekend als clusters. Clustermonsters worden vaak gebruikt door marketinggroepen en professionals.
Als u de demografie van een stad, stad of wijk probeert te bestuderen, kunt u het beste clusterbemonstering gebruiken, vanwege de grote populatiegrootte.
Clusterbemonstering is een procedure in twee stappen. Eerst wordt de hele populatie geselecteerd en opgedeeld in verschillende clusters. Uit deze subgroepen worden vervolgens willekeurige steekproeven gekozen. Een onderzoeker kan het bijvoorbeeld moeilijk vinden om de volledige populatie klanten van een supermarkt samen te stellen 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.
Soorten clusterbemonstering
Er zijn twee soorten clusterbemonstering: eentraps clusterbemonstering en tweetraps clusterbemonstering.
Eenfasige clusterbemonstering omvat het kiezen van een willekeurige steekproef van clusters en het verzamelen van gegevens van elk onderwerp binnen dat cluster. Tweetraps clusterbemonstering omvat het willekeurig selecteren van meerdere clusters en het willekeurig kiezen van bepaalde onderwerpen binnen elk cluster om de uiteindelijke steekproef te vormen. Tweetraps bemonstering kan worden gezien als een subset van eenfasige bemonstering: bemonstering van bepaalde elementen uit de gecreëerde clusters.
Voordelen en nadelen van clusterbemonstering
Deze steekproefmethode kan worden gebruikt wanneer het invullen van een lijst van de gehele populatie moeilijk is, zoals aangetoond in het bovenstaande voorbeeld. Dit is een eenvoudig, handmatig proces dat tijd en geld kan besparen.
In feite kan het gebruik van clusterbemonstering redelijk goedkoop zijn in vergelijking met andere methoden. Dat komt omdat er over het algemeen minder bijbehorende kosten en uitgaven zijn, omdat voor clusterbemonstering het willekeurig kiezen van geselecteerde clusters vereist is in plaats van het evalueren van hele populaties. Ditzelfde proces maakt het ook mogelijk om de steekproefomvang te vergroten. Omdat een statisticus alleen uit een selecte groep clusters kiest, kan hij het aantal proefpersonen binnen dat cluster vergroten.
Het belangrijkste nadeel van clusterbemonstering is dat er een grotere steekproeffout aan verbonden is, waardoor deze minder nauwkeurig is dan bij andere steekproeven. Dit komt doordat proefpersonen binnen een cluster over het algemeen vergelijkbare kenmerken hebben, wat betekent dat bij clusterbemonstering geen gevarieerde demografische gegevens van de populatie zijn betrokken. Dit resulteert vaak in een oververtegenwoordiging of ondervertegenwoordiging binnen een cluster en kan daarom een vertekende steekproef zijn.
Voorbeeld van clusterbemonstering
Stel bijvoorbeeld dat een wetenschappelijk onderzoek wordt uitgevoerd om te bepalen hoe veel werknemers bij zakenbanken houden MBA’s, en van die MBA’s, hoeveel er van Ivy League scholen. Het zou voor de statisticus moeilijk zijn om naar elke investeringsbank te gaan en elke medewerker hun opleidingsachtergrond te vragen. Om het doel te bereiken, kan een statisticus gebruik maken van clustermonsters.
De eerste stap zou zijn om een cluster van investeringsbanken te vormen. In plaats van elke investeringsbank te bestuderen, kan de statisticus ervoor kiezen om de top drie van grootste investeringsbanken te bestuderen op basis van inkomsten, die het eerste cluster vormen. Van daaruit zou een statisticus, in plaats van elke werknemer in alle drie de investeringsbanken te interviewen, een ander cluster kunnen vormen, dat alleen werknemers van bepaalde afdelingen zou omvatten, bijvoorbeeld verkoop en handel of fusies en overnames.
Met deze methode kan de statisticus de steekproefomvang verkleinen, waardoor deze efficiënter en kosteneffectiever wordt, maar toch een voldoende gevarieerde steekproef heeft om de gezochte informatie te peilen.
Speciale overwegingen
Hoewel zowel systematische steekproeven als clustersteekproeven vormen van willekeurige steekproeven zijn, komen ze op totaal verschillende manieren tot hun steekproefomvang. Systematische steekproeven kiezen een steekproef op basis van vaste intervallen in een populatie, terwijl clustersteekproeven een cluster creëren uit een populatie.
Clustersteekproeven zijn beter geschikt als er verschillende subsets zijn binnen een specifieke populatie, terwijl systematische steekproeven beter kunnen worden gebruikt als de volledige lijst of het volledige populatie-nummer bekend is. Beiden splitsen de populatie echter op in kleinere eenheden om te bemonsteren.
Voor systematische steekproeven is het belangrijk ervoor te zorgen dat er geen patronen in de groep zijn, anders riskeert u vergelijkbare onderwerpen te kiezen zonder de totale populatie te vertegenwoordigen. Voor clusterbemonstering is het belangrijk ervoor te zorgen dat elk cluster vergelijkbare kenmerken heeft als de hele steekproef.
Veelgestelde vragen over clusterbemonstering
Wat wordt bedoeld met clusterbemonstering?
Clusterbemonstering is een vorm van willekeurige steekproeven die een populatie in clusters opsplitst om een steekproef te maken. Er kunnen ook andere clusters worden gemaakt op basis van de eerste clusters om een steekproef te verfijnen.
Waarom zou u clusterbemonstering gebruiken?
Clustersteekproeven kunnen het beste worden gebruikt om grote, verspreide populaties te bestuderen, waarbij het streven om elk onderwerp te interviewen kostbaar, tijdrovend en misschien zelfs onmogelijk zou zijn. Clustersteekproeven maken het mogelijk clusters te creëren die een kleinere representatie zijn van de populatie die wordt beoordeeld, met vergelijkbare kenmerken.
Hoe werkt clusterbemonstering?
Bij clusterbemonstering wordt simpelweg de populatie die wordt onderzocht in kleinere groepen verdeeld. Deze subgroepen kunnen worden bestudeerd of verder willekeurig worden onderverdeeld in andere subgroepen.
Wat is het verschil tussen clusterbemonstering en gestratificeerde bemonstering?
Het belangrijkste verschil tussen clusterbemonstering en gestratificeerde bemonstering is dat de clusters die zijn gemaakt bij clusterbemonstering heterogeen zijn, terwijl de groepen voor gestratificeerde bemonstering homogeen zijn.
Het komt neer op
Er zijn verschillende steekproefmethoden beschikbaar voor statistici die informatie binnen groepen willen bestuderen. Omdat groepen of populaties vaak groot zijn, is het erg moeilijk om gegevens van elk afzonderlijk onderwerp te verkrijgen. Om dit probleem op te lossen, gebruiken statistici steekproeven, waardoor kleinere groepen worden gecreëerd die representatief zijn voor de grotere populatie.
Een belangrijk aspect bij het maken van deze kleinere steekproeven is ervoor te zorgen dat ze willekeurig worden geselecteerd en een getrouwe weergave zijn van de grotere populatie. Systematische steekproeven en clustersteekproeven zijn twee methoden die statistici kunnen gebruiken om populaties te bestuderen.
Beide zijn vormen van willekeurige steekproeven die tijd- en kostenefficiënt kunnen zijn, waarbij populaties in kleinere groepen worden verdeeld voor eenvoudigere analyse. Systematische bemonstering werkt het beste wanneer de hele populatie bekend is, terwijl clusterbemonstering het beste werkt wanneer de hele populatie moeilijk te meten is.