層化ランダムサンプリングの長所と短所

実験者や研究者がデータを探しているとき、多くの場合、個々のデータポイントをすべて測定することは不可能です。 人口. ただし、統計的手法では、より小さな結果を分析することにより、母集団に関する推測が可能になります。 サンプル その母集団から抽出されました。 サンプリングにはいくつかの方法があります。

層化ランダムサンプリング は、研究者がサンプル母集団を取得できるため、研究者が使用する一般的な方法の1つです。 調査対象の母集団全体を最もよく表し、対象の各サブグループが 表されます。 それでも、この研究方法には欠点がないわけではありません。

層化ランダムサンプリング：概要

層化ランダムサンプリング 最初に母集団を部分母集団に分割し、次に各部分母集団にランダムサンプリング法を適用してテストグループを形成します。 不利な点は、研究者が母集団のすべてのメンバーをサブグループに分類できない場合です。

層化ランダムサンプリングはとは異なります 単純ランダムサンプリング、 データのランダムな選択 可能な各サンプルが等しく発生する可能性が高くなるように、母集団全体から。 対照的に、層化ランダムサンプリングは、共通の特性に基づいて、母集団をより小さなグループまたは層に分割します。 母集団と比較した層のサイズに正比例して、各層からランダムなサンプルが取得されます。

層化ランダムサンプリングの例

以下 例です 層化ランダムサンプリングの例：

研究者たちは、主要大学の経済学部の学生の政治的傾向を評価するために設計された研究を行っています。 研究者は、ランダムなサンプルが性別、学部生、大学院生を含む学生の母集団に最もよく近似することを確認したいと考えています。 調査対象の総人口は1,000人で、そこから以下のようにサブグループが作成されます。

総人口= 1,000人。

研究者は、大学のすべての経済学の学生を、男性の学部生、女性の学部生、男性の卒業生、および女性の卒業生の4つのサブポピュレーションのいずれかに割り当てます。 次に、研究者は、各サブグループからの学生の数が1,000人の学生の総人口を構成する数を数えます。 そこから、研究者は各サブグループの総人口のパーセンテージ表現を計算します。

サブグループ：

• 男性の学部生= 450人の学生（100人中）または人口の45％
• 女性の学部生= 200人の学生または20％
• 男性の大学院生= 200人の学生または20％
• 女性の大学院生= 150人の学生または15％

各サブ母集団のランダムサンプリングは、母集団全体での表現に基づいて行われます。 男性の学部生は人口の45％であるため、45人の男性の学部生がそのサブグループからランダムに選択されます。 男性の卒業生は人口の20％しか占めていないため、サンプルには20人が選択されます。

層化ランダムサンプリングの利点

層化ランダムサンプリングには、単純ランダムサンプリングと比較した場合に利点があります。

調査した母集団を正確に反映する

層化ランダムサンプリングは、研究者がランダムサンプリング法を適用する前に母集団全体を層化するため、調査対象の母集団を正確に反映します。 つまり、母集団内の各サブグループがサンプル内で適切な表現を受け取ることを保証します。 その結果、層化ランダムサンプリングは、研究者がサブグループを制御してすべてがサンプリングに含まれるようにするため、母集団のカバレッジを向上させます。

単純ランダムサンプリングでは、特定のサブグループまたは人のタイプが選択されるという保証はありません。 大学生の以前の例では、単純ランダムサンプリングを使用して、から100個のサンプルを調達します。 人口によって、男性の学部生が25人だけ、または総人口の25％しか選択されない可能性があります。 また、35人の女性の大学院生（人口の35％）が選ばれる可能性があり、その結果、男性の学部生が過小評価され、女性の大学院生が過大評価されます。 母集団の表現に誤りがあると、調査の精度が低下する可能性があります。

層化ランダムサンプリングのデメリット

層化ランダムサンプリングはまた、研究者に不利な点をもたらします。

すべての研究で使用できるわけではありません

残念ながら、この調査方法はすべての調査で使用できるわけではありません。 この方法の欠点は、適切に使用するためにいくつかの条件を満たす必要があることです。 研究者は、調査対象の母集団のすべてのメンバーを特定し、それぞれを1つだけのサブ母集団に分類する必要があります。 その結果、層化ランダムサンプリングは、研究者が母集団のすべてのメンバーを自信を持ってサブグループに分類できない場合に不利になります。 また、全体の網羅的で決定的なリストを見つける 人口 挑戦することができます。

複数のサブグループに分類されるサブジェクトがある場合、重複が問題になる可能性があります。 単純ランダムサンプリングを実行すると、複数のサブグループに属する人が選択される可能性が高くなります。 その結果、人口の不実表示または不正確な反映になる可能性があります。

上記の例は簡単です。学部生、大学院生、男性、女性は明確に定義されたグループです。 ただし、他の状況では、はるかに難しい場合があります。 人種、民族、宗教などの特徴を取り入れることを想像してみてください。 ソートプロセスはより困難になり、層化ランダムサンプリングは効果がなく、理想的とは言えない方法になります。