نمونه گویا نمونه، انواع و ویژگی های آن

نمونه مجموعه ای از داده ها است که با استفاده از رویه های معین از یک جمعیت عمومی برای تجزیه و تحلیل اکتشافی گرفته می شود. نمايندگي ويژگي بازتوليد بازنمايي كل در قسمت آن است. به عبارت دیگر، امکان تسری ایده جزء به کل است که شامل این جزء می شود.

معرف بودن نمونه نشانگر آن است که نمونه باید به طور کامل و قابل اعتماد ویژگی های جامعه ای را که بخشی از آن است منعکس کند. همچنین می‌توان آن را به‌عنوان ویژگی نمونه برای نمایش کامل‌ترین ویژگی‌های جمعیت عمومی که از نقطه‌نظر هدف مطالعه مهم هستند، تعریف کرد.

فرض کنید جمعیت عمومی همه دانش آموزان مدرسه هستند (900 نفر از 30 کلاس، 30 نفر در هر کلاس). هدف از این مطالعه نگرش دانش‌آموزان به سیگار است. یک نمونه 90 دانش آموز فقط کل جمعیت را بسیار بدتر از نمونه ای از همان 90 دانش آموز نشان می دهد که شامل 3 دانش آموز از هر کلاس می شود. دلیل اصلی توزیع نابرابر سن است. بنابراین، در حالت اول، نمایندگی نمونه پایین خواهد بود. در مورد دوم - بالا.

در جامعه شناسی می گویند نمونه و بازنمودن نمونه وجود دارد.

نمونه ای از یک نمونه غیرنماینده، یک مورد کلاسیک است که در سال 1936 در ایالات متحده در جریان انتخابات ریاست جمهوری رخ داد.

Literary Digest که تاکنون در پیش‌بینی نتایج انتخابات قبلی بسیار موفق بود، این بار اشتباه کرد، اگرچه چندین میلیون سؤال کتبی را برای مشترکین و همچنین پاسخ دهندگانی که از دفترچه تلفن و لیست ثبت نام خودرو انتخاب می‌کردند ارسال کرد. در 1/4 از برگه های رای پر شده، آرا به شرح زیر توزیع شد: 57 درصد به نامزد جمهوری خواه به نام آلف لاندون رأی دادند و 41 درصد فرانکلین روزولت، دموکرات فعلی را ترجیح دادند.

در واقع، اف. خطای «Literary Digest» به شرح زیر بود. آنها می خواستند نماینده نمونه را افزایش دهند . و از آنجایی که آنها می دانستند که اکثر مشترکان خود را جمهوری خواه معرفی می کنند، تصمیم گرفتند نمونه را با پاسخ دهندگانی که توسط آنها از دفترچه تلفن و لیست ثبت نام خودرو انتخاب شده اند، گسترش دهند. اما آنها واقعیت های موجود را در نظر نگرفتند و در واقع حامیان بیشتری از جمهوری خواهان را انتخاب کردند، زیرا در آن زمان طبقه متوسط ​​و بالا می توانستند ماشین و تلفن داشته باشند. و اکثرا جمهوری خواه بودند نه دموکرات.

نمونه برداری انواع مختلفی دارد: تصادفی ساده، سریالی، معمولی، مکانیکی و ترکیبی.

نمونه گیری تصادفی ساده عبارت است از انتخاب از بین کل جمعیت واحدهای مورد مطالعه به صورت تصادفی و بدون سیستم.

نمونه گیری مکانیکی زمانی استفاده می شود که در جمعیت عمومی نظم وجود داشته باشد، به عنوان مثال، توالی خاصی از واحدهای کارگران، لیست های انتخاباتی، شماره تلفن پاسخ دهندگان، تعداد آپارتمان ها و خانه ها و غیره وجود داشته باشد.

انتخاب معمولی زمانی استفاده می شود که کل جمعیت را بتوان بر اساس انواع به گروه ها تقسیم کرد. هنگام کار با جمعیت، اینها می توانند به عنوان مثال گروه های آموزشی، سنی، اجتماعی باشند؛ هنگام مطالعه شرکت ها، می توانند یک صنعت یا یک سازمان جداگانه و غیره باشند.

انتخاب سریال زمانی مفید است که واحدها در سری ها یا گروه های کوچک گروه بندی شوند. چنین سری می تواند دسته ای از محصولات نهایی، کلاس های مدرسه و گروه های دیگر باشد.

نمونه گیری ترکیبی شامل استفاده از انواع نمونه های قبلی در یک ترکیب یا ترکیب دیگر است.

مفهوم «نمایندگی» در رابطه با نظرسنجی های جامعه شناختی - نظرسنجی های عمومی - تأثیر تقریباً جادویی بر مردم دارد. خود اصطلاح «نمایندگی» علاوه بر علمی، معنایی آشکارا سیاسی نیز دارد.

دلیل ش چیه؟ موضوع این است که فرض بر این است که نمونه (گروهی از افراد انتخاب شده برای نظرسنجی) می تواند کل جمعیت را نمایندگی کند (نماینده). جمعیت عمومی در مورد نظرسنجی های تمام روسیه، کل جمعیت کشور است. حالا بیایید تصور کنیم که ما در مورد یک تصمیم سیاسی صحبت می کنیم - حمایت از یک لایحه یا رای دادن در یک انتخابات. با کمک یک نظرسنجی نمونه، ما یک مکانیسم عالی نمایندگی سیاسی به دست می آوریم - مکانیزمی که در آن گروه کوچکی از مردم می توانند نظر یا موقعیت کل جمعیت کشور را نمایندگی کنند. بنابراین، نمایندگی مطالعه از چنین جایگاه مهمی برخوردار است.

مفهوم نمایندگی البته نه تنها در مطالعات سیاسی. این اصطلاح تقریباً همیشه هنگام صحبت در مورد مطالعات بزرگ، چه در زمینه بازاریابی، رفتار اقتصادی یا آموزش استفاده می شود.

روش شناسی نظرسنجی های نماینده

چگونه، پس از نظرسنجی از 1500 نفر، می توان در مورد همه روس ها که بیش از 140 میلیون نفر (و حتی رای دهندگان بیش از 110 میلیون) هستند، نتیجه گیری کرد؟ فناوری پشت نظرسنجی های نمایندگان مبتنی بر قوانین آماری است. نزدیک ترین دلیل، قانون اعداد بزرگ یا قضیه برنولی است.

ساده شده، معنای آن را می توان به صورت زیر منتقل کرد. فرض کنید ما یک ویژگی داریم، به عنوان مثال، میزان بارندگی در روز در یکاترینبورگ در طول قرن بیستم. اگر تمام مقادیر آن را همراه با فرکانس آنها بنویسیم (به این توزیع گفته می شود) و سپس به طور تصادفی تعداد زیادی از موارد (یعنی نه همه روزهای قرن بیستم، بلکه بسیار زیاد) را انتخاب کنیم، خواهیم دید که توزیع در نمونه ما بسیار شبیه به توزیع کل قرن بیستم خواهد بود. بنابراین، اگر برخی از واحدها را از جمعیت انتخاب کنیم، ممکن است در واقع کل جمعیت را نشان دهند، و واقعاً لازم نیست برای همه موارد داده‌ها جمع‌آوری شود.

با این حال، یک شرط کلیدی وجود دارد: این تنها در صورتی صادق است که انتخاب کاملا تصادفی باشد. تنها مشکل در اینجا ممکن است انحراف از تصادفی بودن باشد. بنابراین، اگر فقط داده‌های بارش سال‌های اخیر را در نظر بگیریم (مثلاً چون این داده‌ها راحت‌تر پیدا می‌شوند) یا با ۱۵۰۰ نفر از آشنایانمان (چون تماس با آنها راحت‌تر است) مصاحبه کنیم و نه افراد تصادفی، آن‌وقت نمونه مطمئناً نمی‌شود. نماینده باشد

تصور کنید که از بین 143.5 میلیون روسی، 1500 نفر مورد نیاز خود را به طور تصادفی انتخاب کنید. سپس، برای مثال، نسبت مدیران میانی در بین آنها تقریباً برابر با نسبت مدیران میانی در جمعیت عمومی خواهد بود، که نشان می دهد نمونه شما می تواند کل جامعه را نشان دهد. آیا ممکن است این دو شاخص بسیار متفاوت باشند؟ به عنوان مثال، در بین روس ها 14٪ است، اما در نمونه فقط 1٪ خواهد بود؟ از نظر تئوری، این امکان پذیر است، اما احتمال این امر آنقدر کم است که می توان از آن غفلت کرد (مثل ملاقات با اژدها در خیابان).

علاوه بر این، خوشایندترین چیز در مورد این احتمال حتی کوچک بودن آن نیست، بلکه این است که برای فرآیندهای تصادفی می توان این احتمال را محاسبه کرد. ما می توانیم بگوییم که با چه احتمالی مقدار نمونه ما از مقدار در جمعیت عمومی 13٪ (مانند مثال بالا) و با آن مثلاً 2.5٪ انحراف دارد. اما معمولاً برعکس عمل می‌کنند: ابتدا احتمالی را تعیین می‌کنند که با آن می‌خواهیم ارزش ما از مقدار در جمعیت عمومی منحرف نشود (اغلب در سطح 95٪ ثابت می‌شود) و سپس آنها را بررسی می‌کنند. مقدار انحراف برای نمونه های با اندازه خاص. این انحراف فاصله اطمینان نامیده می شود که گاهی اوقات به عنوان خطای نمونه گیری یا خطای آماری نامیده می شود و اغلب در کنار نتایج نظرسنجی فهرست می شود.

بنابراین، احتمال انحراف، میزان انحراف (فاصله اطمینان) و حجم نمونه با هم مرتبط هستند. بر این اساس فرمول محاسبه حجم نمونه به صورت زیر است:

که در آن n اندازه نمونه است، Δ فاصله اطمینان است، z مقدار تابع توزیع نرمال برای یک احتمال معین رد است (برای احتمال 5٪، این مقدار 1.96 است).

این یک فرمول ساده شده است، نظرسنجی های واقعی از فرمول های کمی پیچیده تر استفاده می کنند. این فرمول همچنین می تواند شکست بخورد اگر مقدار شاخص بسیار متفاوت از 50٪ باشد (بنابراین، برای مثال، این فرمول برای تخمین نسبت بیماران مبتلا به یک بیماری نادر در یک کشور مناسب نیست).

اگر مقداری را در این فرمول جایگزین کنید چه اتفاقی می افتد:

به عبارت دیگر، اگر یک نمونه تصادفی از روس‌ها با اندازه 1600 نفر انتخاب کنیم و شاخصی را تخمین بزنیم، مثلاً تمایل به رای دادن به یک سیاستمدار خاص، آنگاه با احتمال 95 درصد برآورد ما با تمایل تفاوتی نخواهد داشت. به او رای در میان تمام روس ها بیش از 2، 45٪.

اندازهی نمونه

بنابراین، هر چه حجم نمونه بزرگتر باشد، احتمال اینکه به سهمی در جامعه نزدیکتر باشیم، بیشتر می شود. به نظر می رسد که این بدان معنی است که ما باید سعی کنیم نمونه را به 143.5 میلیون نزدیک کنیم، در واقع، همانطور که از جدول می بینید، ماهیت فرآیندهای تصادفی به گونه ای است که از یک لحظه خاص احتمال سقوط در بازه زمانی وجود دارد. بسیار آهسته شروع به افزایش می کند (و این لحظه بسیار سریع می آید). بعد از اینکه از 1500 واحد نمونه برداری کردیم، مهم نیست که چقدر حجم نمونه را افزایش دهیم، احتمال اینکه مقدار نمونه ما به مقدار جامعه بیفتد بسیار بسیار آهسته افزایش می یابد.

در واقع، تقریباً هیچ تفاوتی بین 1500 و 10000 پاسخگو وجود ندارد. تا سال 1500 می توانیم بگوییم که برآوردهای ما بین 2 تا 3 درصد با سهم جمعیت عمومی متفاوت خواهد بود. اگر نمونه را بیشتر افزایش دهیم، این خطای احتمالی کاهش می یابد، اما بسیار اندک. یعنی نمونه 100000 نفری بهتر از نمونه 2500 نفری است اما تفاوت آنقدر کم است که منطقی نیست و در مورد بررسی های اجتماعی توجیه اقتصادی ندارد. معمولاً افزایش نمونه گران است و بنابراین برای به دست آوردن یک درصد در مقدار فاصله اطمینان، باد کردن آن منطقی نیست.

مهم است که اندازه جمعیت عمومی به هیچ وجه در فرمول ظاهر نشود. واقعیت این است که وقتی جمعیت زیاد باشد (بیش از 20000)، تأثیر کمی بر حجم نمونه ندارد. بنابراین، برای ساختن یک نمونه نماینده، نیازی به دانستن چند نفر در روسیه نداریم. واضح است که انتخاب 1500 از 2000 به احتمال زیاد منطقی نیست - بررسی 2000 و برآورد دقیق آسان تر است. اما در صورت لزوم، با ساختن نمونه، این فرصت را به دست می آوریم که نتایج آن را برای عموم مردم تعمیم دهیم. و به همین دلیل، حجم نمونه برای کشورهای بزرگ و کوچک تفاوتی نخواهد داشت.

نمایندگی و دقت

برای درک معنای مفهوم «نمایندگی» نمونه ای 15 نفره را در نظر می گیریم. به اندازه کافی عجیب، اگر شما آن را به طور تصادفی ساخته اید، آن نیز نماینده است. علاوه بر این، می توانید یک نمونه از یک واحد تهیه کنید. جعبه ای از توپ ها را تصور کنید که به طور تصادفی از آن یک توپ می کشید. اگر یک توپ به صورت تصادفی انتخاب شده باشد، تمام توپ هایی که در این کادر هستند را نیز نشان می دهد. او فقط نماینده آنها خواهد بود. نه دقیقا. چرا؟ زیرا احتمال اشتباه بسیار زیاد است. دفعه بعد می توانیم توپ دیگری بکشیم و ایده متفاوتی از توپ های داخل جعبه داشته باشیم. نمایش نادرست به معنای داشتن طیف وسیعی از برآوردها است.

به همین ترتیب، 15 نفر نماینده هر جمعیت عمومی هستند، اما آنها آن را نادرست نشان می دهند، زیرا خطا، فاصله اطمینان، بسیار زیاد است. ما باید +/- 33٪ را اضافه کنیم تا شانس 95٪ برای قرار گرفتن در بازه را بدست آوریم. اگر حاضریم این را بپذیریم، 15 نفر را می گیریم، متوجه می شویم که 7 نفر از آنها مدیران میانی هستند و سپس تخمین می زنیم که 7/15 از کل، یعنی 47٪ +/- 33٪ است. تخمین سهم مدیران از جمعیت عمومی و این نتیجه گیری کاملاً درستی است. فقط هیچ ارزشی نداره این را می توانیم بدون بررسی بگوییم. بنابراین، هنگام برنامه ریزی یک نمونه، دستیابی به حجمی که از نظر مقرون به صرفه بودن مناسب باشد، منطقی است.

تمام موارد فوق برای انتقال یک ایده ساده است که اغلب محقق نمی شود: حجم نمونه به نمایندگی آن ارتباطی ندارد.

یک نمونه کوچک نادقیق است، اما هنوز هم می تواند نماینده باشد. اندازه‌های نمونه‌ای که امروزه در نظرسنجی‌های انبوه در روسیه استفاده می‌شوند تقریباً همیشه از دقت نسبتاً بالایی برخوردار هستند.

نماینده بودن نمونه نه با اندازه آن، بلکه با سوگیری، یعنی انحراف از اصل تصادفی بودن، تهدید می شود.

نقض اصل تصادفی بودن

اگر انتخاب واحدها را به صورت غیر تصادفی شروع کنیم، نمونه غیرنماینده می شود. به عنوان مثال، اگر چیزی ما را از انتخاب تصادفی آنها باز دارد. تصور کنید که می خواهیم به طور تصادفی توپ هایی را از جعبه خود انتخاب کنیم، اما بعد معلوم می شود که برخی از توپ ها گاز می گیرند. مکانیزمی که با آن ما فقط آن تیله هایی را که به ما داده می شود می گیریم مکانیزمی است که تصادفی بودن را نقض می کند و بنابراین نماینده بودن را نقض می کند. در این حالت، مهم نیست که چقدر تیله از جعبه برداریم (حتی اگر همه تیله هایی را که گاز نمی گیرند) نمونه ای غیرمعمول خواهیم داشت، زیرا هیچ یک از آنهایی که گاز می گیرند را نمی شمریم - آنها به سادگی دور می زنند. نمونه ما

بزرگ‌ترین مشکل توپ‌های گاز گرفتن این است که می‌توانند با توپ‌هایی که به دست ما می‌آیند متفاوت باشند و دقیقاً به روشی که ما به آن علاقه داریم متفاوت باشند. این وضعیت سوگیری نمونه گیری نامیده می شود.

باید وضعیت نمایندگی نادرست را که در بالا توضیح دادیم از وضعیت عدم نمایندگی تشخیص داد. اینها مشکلات متفاوتی هستند و راه حل های متفاوتی دارند. شما نمی توانید یکی از آنها را با حل دیگری حل کنید. اگر نمونه فاقد نمایندگی باشد، افزایش آن بی فایده است. علاوه بر این، نمونه‌های بزرگ در نظرسنجی‌های اجتماعی تمایل به انباشته کردن خطا دارند، بنابراین مشکل بازنمایی تنها با افزایش بزرگ در حجم نمونه تشدید می‌شود.

چرا نمایندگی غیرممکن است؟

در یادداشت های جداول با نتایج نظرسنجی ها، اغلب می توان مشاهده کرد که "حجم نمونه 1600 نفر است، نمونه نماینده جنسیت و سن است." با توجه به آنچه در بالا گفته شد، بدیهی است که این دو پارامتر متفاوت هستند: نشانه ای از نمایندگی به حجم نمونه مربوط نمی شود. در واقع منظور در اینجا این است که رویه های خاصی برای اطمینان از مطابقت بین نمونه و جامعه رعایت شده است. به عنوان مثال، به منظور اطمینان از نمایندگی از نظر جنسیت، مردان و زنان به همان نسبتی که در میان روس‌ها طبق داده‌های سرشماری وجود دارد، در نمونه استخدام می‌شوند. اما نماینده بودن از نظر جنسیت به معنای نماینده بودن مثلاً با دیدگاه های سیاسی نیست.

چرا لازم است که نمونه بر اساس جنسیت و سایر مقوله‌های اجتماعی-جمعیتی همسو شود؟ زیرا تنها یک نمونه تصادفی می تواند نمایندگی واقعی را ارائه دهد و به دلایل زیادی اجرای آن در عمل غیرممکن است. به محض اینکه سعی کنید این کار را انجام دهید، با مشکلات زیادی روبرو خواهید شد - مهم نیست از کدام روش استفاده کنید. برخی از پاسخ دهندگان به هیچ وجه به روش شما در دسترس نخواهند بود (مثلاً برای مصاحبه های شخصی، خانه های مجهز به اینترکام و امنیت مشکل بزرگی است)، بخشی دیگر غایب خواهند بود، پاسخ نمی دهند یا ترجیح می دهند به کار خود بروند. افرادی هستند که مشکل زبان دارند و نمی توانند با ما صحبت کنند. افرادی هستند که نمی دانند چرا این کار ضروری است و نمی خواهند با ما صحبت کنند. همه اینها نقض جدی تصادفی است که تحقق آن را غیرممکن می کند.

کسانی که مشکل نمایندگی در نظرسنجی های انبوه را به آمار تقلیل می دهند فراموش می کنند که مردم تیله های بسیار خاصی هستند. توپ هایی هستند که می دوند و پنهان می شوند. توپ هایی هستند که گاز می گیرند. آنها اشیاء منفعل نیستند، آنها ضربه می زنند. آنها می گویند، "من نمی خواهم در نظرسنجی شما شرکت کنم" و در نتیجه تصادفی بودن را نقض می کنند. بنابراین، به معنای دقیق کلمه، نمایندگی در نظرسنجی های انبوه، البته به هر شکلی غیر ممکن است.

مکانیزمی ایجاد شده است که به وسیله آن ظاهر نمایندگی معمولاً تضمین می شود: نمونه را در برخی دسته بندی ها تراز می کنیم و وانمود می کنیم که در همه دسته های ممکن دیگر هم تراز است. در واقع ما دلیلی برای اثبات این موضوع نداریم. اما مشکل این است که هیچ راهی برای بررسی این موضوع وجود ندارد - دوباره به دلیل این واقعیت که برخی از توپ ها گاز می گیرند. برای بررسی سوگیری، ممتحن باید به سراغ کسانی برود که ما با آنها مصاحبه نکرده‌ایم و با آنها مصاحبه کنیم. اما آنها همانطور که به یاد داریم اصلاً نمی خواهند مورد سؤال قرار بگیرند. بازجویی از کسانی که قاطعانه جواب نمی دهند غیرممکن است. بنابراین، همه با این فرض کار می کنند که اگر نمونه را روی دو یا سه پارامتر تراز کنیم، کل جامعه را نشان می دهد، اگرچه مبنای جدی برای این فرض وجود ندارد.

نمونه گیری نمایندگی فناوری است که توسط جامعه شناسان از آمار به عاریت گرفته شده است. بنابراین، ناگزیر حامل عناصر تصویر ریاضی و آماری جهان است. شاید قوی‌ترین فرض این باشد که خود نظرسنجی نمونه از نظر سیاسی و جامعه‌شناختی خنثی است: مشارکت و عدم شرکت در نظرسنجی معنای سیاسی ندارد و به سایر پارامترهای مهم جامعه‌شناختی مرتبط نیست. اما امروزه نظرسنجی ها به یکی از اصلی ترین نهادهای سیاسی تبدیل شده و به واسطه ای کلیدی بین شرکت های بزرگ و مصرف کنندگان تبدیل شده است. در این شرایط دیگر نمی توان به عقیمی سیاسی آنها اعتقاد داشت. با این حال، ما هنوز اطلاعات کمی در مورد چگونگی درک نظرسنجی ها در جوامع معاصر و آنچه که آنها در واقع نشان می دهند، نداریم.

تعداد کل اشیاء مشاهده (افراد، خانوارها، شرکت ها، سکونتگاه ها و غیره) با مجموعه مشخصی از ویژگی ها (جنسیت، سن، درآمد، تعداد، گردش مالی و غیره)، محدود در مکان و زمان. نمونه های جمعیتی

• همه ساکنان مسکو (10.6 میلیون نفر طبق سرشماری سال 2002)
• مردان مسکووی (4.9 میلیون بر اساس سرشماری سال 2002)
• اشخاص حقوقی روسیه (2.2 میلیون در ابتدای سال 2005)
• مراکز خرده فروشی فروش محصولات غذایی (20 هزار در ابتدای سال 2008) و غیره.

نمونه (جمعیت نمونه)

بخشی از اشیاء از جامعه برای مطالعه به منظور نتیجه گیری در مورد کل جمعیت انتخاب شدند. برای اینکه نتیجه به دست آمده از مطالعه نمونه به کل جامعه تعمیم یابد، نمونه باید دارای خاصیت نماینده بودن باشد.

نمایندگی نمونه

ویژگی نمونه برای انعکاس صحیح جمعیت عمومی. یک نمونه ممکن است نماینده جمعیت های مختلف باشد یا نباشد.
مثال:

• نمونه ای متشکل از اهالی مسکو که دارای خودرو هستند، کل جمعیت مسکو را نشان نمی دهد.
• نمونه شرکت های روسی با حداکثر 100 کارمند نشان دهنده همه شرکت های روسیه نیست.
• نمونه ای از اهالی مسکو که در بازار خرید می کنند نشان دهنده رفتار خرید همه اهالی مسکو نیست.

در عین حال، این نمونه ها (با توجه به سایر شرایط) می توانند به ترتیب نشان دهنده مالکان خودروهای مسکووی، شرکت های کوچک و متوسط ​​روسی و خریدارانی باشند که در بازارها خرید می کنند.
درک این نکته مهم است که نمایندگی نمونه و خطای نمونه گیری پدیده های متفاوتی هستند. نماینده بودن، بر خلاف خطا، به حجم نمونه بستگی ندارد.
مثال:
هر چقدر هم تعداد مسکوئی‌ها-مالک‌های خودرو را افزایش دهیم، نمی‌توانیم با این نمونه نماینده همه مسکوئی‌ها باشیم.

خطای نمونه گیری (فاصله اطمینان)

انحراف نتایج به دست آمده با کمک مشاهده نمونه از داده های واقعی جمعیت عمومی.
دو نوع خطای نمونه گیری وجود دارد: آماری و سیستماتیک. خطای آماری به حجم نمونه بستگی دارد. هر چه اندازه نمونه بزرگتر باشد، کمتر است.
مثال:
برای نمونه تصادفی ساده 400 واحدی، حداکثر خطای آماری (با اطمینان 95 درصد) 5 درصد، برای نمونه 600 واحدی - 4 درصد، برای نمونه 1100 واحدی - 3 درصد است.
خطای سیستماتیک به عوامل مختلفی بستگی دارد که تأثیر ثابتی بر مطالعه دارند و نتایج مطالعه را در جهت خاصی سوگیری می کنند.
مثال:

• استفاده از هر نمونه احتمالی نسبت افراد پردرآمد فعال را دست کم می گیرد. این به این دلیل اتفاق می افتد که یافتن چنین افرادی در هر مکان خاص (مثلاً در خانه) بسیار دشوارتر است.
• مشکل پاسخ دهندگانی که از پاسخ دادن به سوالات خودداری می کنند (سهم "رفوزنیک" در مسکو، برای نظرسنجی های مختلف، از 50٪ تا 80٪ متغیر است.

در برخی موارد، زمانی که توزیع های واقعی شناخته می شوند، سوگیری را می توان با معرفی سهمیه ها یا وزن دهی مجدد داده ها، کاهش داد، اما در اکثر مطالعات واقعی، حتی تخمین آن می تواند کاملاً مشکل ساز باشد.

انواع نمونه

نمونه ها به دو نوع تقسیم می شوند:

• احتمالی
• غیر احتمالی

1. نمونه های احتمال
1.1 نمونه گیری تصادفی (انتخاب تصادفی ساده)
چنین نمونه ای همگنی جمعیت عمومی، احتمال یکسان در دسترس بودن همه عناصر، وجود فهرست کاملی از همه عناصر را فرض می کند. هنگام انتخاب عناصر، به عنوان یک قاعده، از جدول اعداد تصادفی استفاده می شود.
1.2 نمونه برداری مکانیکی (سیستماتیک).
نوعی نمونه تصادفی که بر اساس برخی ویژگی ها (به ترتیب حروف الفبا، شماره تلفن، تاریخ تولد و غیره) مرتب شده است. اولین عنصر به طور تصادفی انتخاب می شود، سپس هر عنصر k'ام با افزایش 'n' انتخاب می شود. اندازه جمعیت عمومی، در حالی که - N=n*k
1.3 طبقه بندی شده (منطقه بندی شده)
در صورت ناهمگونی جمعیت عمومی استفاده می شود. جمعیت عمومی به گروه ها (قشر) تقسیم می شوند. در هر قشر، انتخاب به صورت تصادفی یا مکانیکی انجام می شود.
1.4 نمونه برداری سریالی (تودرتو یا خوشه ای).
با نمونه‌برداری سریال، واحدهای انتخاب، خود اشیا نیستند، بلکه گروه‌ها (خوشه‌ها یا لانه‌ها) هستند. گروه ها به صورت تصادفی انتخاب می شوند. اشیاء درون گروه ها در سراسر جهان بررسی می شوند.

2. نمونه های باورنکردنی
انتخاب در چنین نمونه ای نه بر اساس اصول شانس، بلکه بر اساس معیارهای ذهنی - دسترس پذیری، معمول بودن، نمایندگی برابر و غیره انجام می شود.
2.1. نمونه گیری سهمیه ای
در ابتدا، تعداد معینی از گروه های اشیاء اختصاص داده می شود (به عنوان مثال، مردان 20-30 ساله، 31-45 سال و 46-60 سال؛ افراد با درآمد تا 30 هزار روبل، با درآمد 30 تا 60 سال. هزار روبل و با درآمد بیش از 60 هزار روبل ) برای هر گروه، تعداد اشیاء مورد بررسی مشخص می شود. تعداد اشیایی که باید در هر یک از گروه ها قرار گیرند، اغلب به نسبت سهم قبلی شناخته شده گروه در جمعیت عمومی یا برای هر گروه یکسان است. در داخل گروه ها، اشیا به صورت تصادفی انتخاب می شوند. نمونه گیری سهمیه ای اغلب استفاده می شود.
2.2. روش گلوله برفی
نمونه به صورت زیر ساخته می شود. از هر پاسخ دهنده، با اولین پاسخ، خواسته می شود تا با دوستان، همکاران، آشنایان خود که با شرایط انتخاب مناسب هستند و می توانند در مطالعه شرکت کنند، تماس بگیرد. بنابراین، به استثنای مرحله اول، نمونه با مشارکت خود موضوعات مورد مطالعه تشکیل می شود. این روش اغلب زمانی استفاده می‌شود که لازم باشد گروه‌هایی از پاسخ‌دهندگان را پیدا کرده و با آنها مصاحبه کنید (به عنوان مثال، پاسخ‌دهندگان با درآمد بالا، پاسخ‌دهندگان متعلق به همان گروه حرفه‌ای، پاسخ‌دهندگانی که سرگرمی‌ها/علاقه‌های مشابهی دارند و غیره). )
2.3 نمونه گیری خود به خود
در دسترس ترین پاسخ دهندگان مورد نظرسنجی قرار می گیرند. نمونه‌های معمولی از نمونه‌های خودبه‌خودی در روزنامه‌ها/مجله‌هایی هستند که برای تکمیل خود به پاسخ‌دهندگان داده می‌شوند، اکثر نظرسنجی‌های اینترنتی. اندازه و ترکیب نمونه های خود به خودی از قبل مشخص نیست و تنها با یک پارامتر تعیین می شود - فعالیت پاسخ دهندگان.
2.4 نمونه ای از موارد معمولی
واحدهایی از جمعیت عمومی انتخاب می شوند که دارای مقدار متوسط ​​(معمولی) ویژگی باشند. این مشکل انتخاب یک ویژگی و تعیین مقدار معمولی آن را ایجاد می کند.

دوره سخنرانی تئوری آمار

اطلاعات دقیق تر در مورد مشاهدات نمونه را می توان با مشاهده به دست آورد.

عناصر، که تحت پوشش آزمایش (مشاهده، بررسی).

مشخصات نمونه:

• ویژگی های کیفی نمونه - دقیقاً چه چیزی را انتخاب می کنیم و از چه روش های نمونه گیری برای این کار استفاده می کنیم.
• مشخصه کمی نمونه این است که چند مورد را انتخاب می کنیم، به عبارت دیگر، حجم نمونه را انتخاب می کنیم.

نیاز به نمونه گیری:

• موضوع مطالعه بسیار گسترده است. به عنوان مثال، مصرف کنندگان محصولات یک شرکت جهانی تعداد زیادی از بازارهای پراکنده جغرافیایی هستند.
• نیاز به جمع آوری اطلاعات اولیه وجود دارد.

یوتیوب دایره المعارفی

1 / 5

✪ نمونه: محاسبه حجم. قابلیت اطمینان و قدرت تحقیق. آمار زیستی.

✪ 02 - تشک. آمار. نمونه فضای نمونه. مثال ها

✪ مبانی SQL برای مبتدیان | واکشی مقادیر از پایگاه داده

✪ SQL برای مبتدیان (DML): انتخاب از یک جدول (MySql)، درس 4!

✪ تولید پنل SIP. قسمت 2. برش و برش مجعد. انتخاب شیارها. همه در ذهن

زیرنویس

اندازهی نمونه

اندازهی نمونه - تعداد موارد موجود در نمونه.

نمونه ها را می توان به طور مشروط به بزرگ و کوچک تقسیم کرد، زیرا بسته به حجم نمونه از رویکردهای مختلفی در آمار ریاضی استفاده می شود. اعتقاد بر این است که نمونه های بزرگتر از 30 را می توان به عنوان بزرگ طبقه بندی کرد.

نمونه های وابسته و مستقل

هنگام مقایسه دو (یا بیشتر) نمونه، وابستگی آنها یک پارامتر مهم است. در صورت امکان ایجاد یک جفت هممورفیک (یعنی زمانی که یک مورد از نمونه X با یک مورد از نمونه Y و بالعکس مطابقت دارد) برای هر مورد در دو نمونه (و این مبنای رابطه برای صفت مهم است. اندازه گیری شده در نمونه ها)، این گونه نمونه ها نامیده می شوند وابسته. نمونه هایی از انتخاب های وابسته:

• جفت دوقلو
• دو اندازه گیری از هر ویژگی قبل و بعد از قرار گرفتن در معرض تجربی،
• زن و شوهر
• و غیره

اگر چنین رابطه ای بین نمونه ها وجود نداشته باشد، این نمونه ها در نظر گرفته می شوند مستقل، مثلا:

• مردان و زنان ،
• روانشناسان و ریاضیدانان

بر این اساس، نمونه‌های وابسته همیشه اندازه یکسانی دارند، در حالی که اندازه نمونه‌های مستقل ممکن است متفاوت باشد.

نمونه ها با استفاده از معیارهای مختلف آماری مقایسه می شوند:

• معیار-پیرسون (χ 2)
• معیار - دانش آموز ( تی )
• معیار ویلکاکسون ( تی )
• معیار - مان - ویتنی ( U )
• نشانه های معیار ( جی )
• و غیره.

نمایندگی

نمونه ممکن است نماینده یا غیرنماینده در نظر گرفته شود. نمونه در هنگام بررسی گروه بزرگی از افراد نماینده خواهد بود، اگر در این گروه نمایندگانی از زیر گروه های مختلف وجود داشته باشد، تنها از این طریق می توان نتیجه گیری درستی انجام داد.

نمونه ای از نمونه غیر نماینده

1. مطالعه با گروه های آزمایش و کنترل که در شرایط مختلف قرار می گیرند.
   • مطالعه با گروه های آزمایش و کنترل با استفاده از راهبرد انتخاب زوجی
2. مطالعه فقط با استفاده از یک گروه - تجربی.
3. یک مطالعه با استفاده از یک طرح ترکیبی (فاکتوری) - همه گروه ها در شرایط مختلف قرار می گیرند.

انواع نمونه

نمونه ها به دو نوع تقسیم می شوند:

• احتمالی
• غیر احتمالی

نمونه های احتمالی

1. نمونه گیری با احتمال ساده:
   • نمونه گیری مجدد ساده استفاده از چنین نمونه ای بر این فرض استوار است که هر پاسخ دهنده به یک اندازه در نمونه گنجانده می شود. بر اساس فهرست جمعیت عمومی، کارت هایی با تعداد پاسخ دهندگان تهیه می شود. آنها در یک عرشه قرار می گیرند، مخلوط می شوند، و یک کارت به طور تصادفی از آنها خارج می شود، یک عدد نوشته می شود، سپس برگردانده می شود. علاوه بر این، این روش به اندازه حجم نمونه مورد نیاز ما تکرار می شود. منهای: تکرار واحدهای انتخابی.

روند ساخت یک نمونه تصادفی ساده شامل مراحل زیر است:

1) باید فهرست کاملی از اعضای جمعیت عمومی به دست آید و این فهرست شماره گذاری شود. چنین فهرستی، فراخوانی، چارچوب نمونه گیری نامیده می شود.

2) اندازه نمونه مورد انتظار، یعنی تعداد مورد انتظار پاسخ دهندگان را تعیین کنید.

3) به تعداد واحدهای نمونه از جدول اعداد تصادفی اعداد استخراج کنید. اگر نمونه باید 100 نفر باشد، 100 عدد تصادفی از جدول گرفته می شود. این اعداد تصادفی را می توان توسط یک برنامه کامپیوتری تولید کرد.

4) از لیست پایه مشاهداتی را انتخاب کنید که اعداد آنها با اعداد تصادفی نوشته شده مطابقت دارد

• یک نمونه تصادفی ساده مزایای آشکاری دارد. درک این روش بسیار آسان است. نتایج تحقیق را می توان به جامعه مورد مطالعه تعمیم داد. بیشتر رویکردهای استنتاج آماری شامل جمع آوری اطلاعات با استفاده از یک نمونه تصادفی ساده است. با این حال، روش نمونه گیری تصادفی ساده حداقل چهار محدودیت قابل توجه دارد:

1) ایجاد یک چارچوب نمونه گیری که امکان یک نمونه تصادفی ساده را فراهم کند، اغلب دشوار است.

2) نتیجه استفاده از یک نمونه تصادفی ساده می تواند یک جمعیت بزرگ یا جمعیتی باشد که در یک منطقه جغرافیایی بزرگ توزیع شده است که به طور قابل توجهی زمان و هزینه جمع آوری داده ها را افزایش می دهد.

3) نتایج به کارگیری یک نمونه تصادفی ساده اغلب با دقت کم و خطای استاندارد بزرگتر از نتایج به کارگیری سایر روش های احتمالی مشخص می شود.

4) در نتیجه استفاده از SRS، ممکن است یک نمونه غیرنماینده تشکیل شود. اگرچه نمونه‌های به‌دست‌آمده با انتخاب تصادفی ساده، به‌طور متوسط ​​به‌اندازه کافی جامعه‌ی عمومی را نشان می‌دهند، اما برخی از آنها به‌شدت نادرست جامعه مورد مطالعه را نشان می‌دهند. احتمال این به خصوص با حجم نمونه کوچک زیاد است.

• نمونه گیری ساده و غیر تکراری روال ساخت نمونه یکسان است، فقط کارت هایی با شماره پاسخ دهندگان به عرشه بازگردانده نمی شوند.

1. نمونه گیری احتمال سیستماتیک این یک نسخه ساده شده از یک نمونه احتمال ساده است. بر اساس فهرست جمعیت عمومی، پاسخ دهندگان در یک بازه زمانی معین (K) انتخاب می شوند. مقدار K به طور تصادفی تعیین می شود. قابل اطمینان ترین نتیجه با یک جمعیت عمومی همگن به دست می آید، در غیر این صورت اندازه گام و برخی الگوهای چرخه ای داخلی نمونه ممکن است مطابقت داشته باشند (اختلاط نمونه). معایب: مانند یک نمونه احتمال ساده.
2. نمونه برداری سریالی (تودرتو). واحدهای نمونه گیری سری های آماری (خانواده، مدرسه، تیم و ...) می باشد. عناصر انتخاب شده تحت بررسی مستمر قرار می گیرند. انتخاب واحدهای آماری را می توان بر اساس نوع نمونه گیری تصادفی یا سیستماتیک سازماندهی کرد. معایب: امکان همگنی بیشتر نسبت به جمعیت عمومی.
3. نمونه منطقه بندی شده در مورد جمعیت ناهمگن، قبل از استفاده از نمونه‌گیری احتمالی با هر تکنیک انتخابی، توصیه می‌شود که جامعه را به بخش‌های همگن تقسیم کنید، به چنین نمونه‌ای، نمونه پهنه‌بندی شده می‌گویند. گروه‌های منطقه‌بندی می‌توانند هم سازندهای طبیعی (مثلاً مناطق شهری) و هم هر ویژگی زیربنایی مطالعه باشند. علامتی که بر اساس آن تقسیم بندی انجام می شود علامت طبقه بندی و پهنه بندی نامیده می شود.
4. انتخاب "راحت" روش نمونه گیری "راحتی" شامل برقراری ارتباط با واحدهای نمونه گیری "راحت" - با گروهی از دانش آموزان، یک تیم ورزشی، با دوستان و همسایگان است. اگر لازم باشد اطلاعاتی در مورد واکنش افراد به یک مفهوم جدید به دست آوریم، چنین نمونه ای کاملا منطقی است. نمونه گیری "راحتی" اغلب برای آزمایش اولیه پرسشنامه ها استفاده می شود.

نمونه های باورنکردنی

انتخاب در چنین نمونه ای نه بر اساس اصول شانس، بلکه بر اساس معیارهای ذهنی - دسترس پذیری، معمول بودن، نمایندگی برابر و غیره انجام می شود.

1. نمونه سهمیه ای - نمونه به عنوان مدلی ساخته می شود که ساختار جمعیت عمومی را در قالب سهمیه (نسبت) ویژگی های مورد مطالعه بازتولید می کند. تعداد عناصر نمونه با ترکیبی متفاوت از ویژگی های مورد مطالعه به گونه ای تعیین می شود که با سهم (نسبت) آنها در جامعه عمومی مطابقت داشته باشد. بنابراین، به عنوان مثال، اگر ما یک جمعیت عمومی 5000 نفر داشته باشیم که از این تعداد 2000 زن و 3000 مرد هستند، در نمونه سهمیه ای 20 زن و 30 مرد یا 200 زن و 300 مرد خواهیم داشت. نمونه های سهمیه اغلب بر اساس معیارهای جمعیت شناختی هستند: جنسیت، سن، منطقه، درآمد، تحصیلات و موارد دیگر. معایب: معمولاً چنین نمونه هایی نماینده نیستند ، زیرا نمی توان چندین پارامتر اجتماعی را همزمان در نظر گرفت. مزایا: مواد به راحتی در دسترس است.
2. روش گلوله برفی. نمونه به صورت زیر ساخته می شود. از هر پاسخ دهنده، با اولین پاسخ، خواسته می شود تا با دوستان، همکاران، آشنایان خود که با شرایط انتخاب مناسب هستند و می توانند در مطالعه شرکت کنند، تماس بگیرد. بنابراین، به استثنای مرحله اول، نمونه با مشارکت خود موضوعات مورد مطالعه تشکیل می شود. این روش اغلب زمانی استفاده می‌شود که لازم باشد گروه‌هایی از پاسخ‌دهندگان را پیدا کرده و با آنها مصاحبه کنید (به عنوان مثال، پاسخ‌دهندگان با درآمد بالا، پاسخ‌دهندگان متعلق به همان گروه حرفه‌ای، پاسخ‌دهندگانی که سرگرمی‌ها/علاقه‌های مشابهی دارند و غیره). )
3. نمونه برداری خود به خود - نمونه برداری از به اصطلاح "اولین وارد". اغلب در نظرسنجی های تلویزیونی و رادیویی استفاده می شود. اندازه و ترکیب نمونه های خود به خودی از قبل مشخص نیست و تنها با یک پارامتر تعیین می شود - فعالیت پاسخ دهندگان. معایب: نمی توان تعیین کرد که پاسخ دهندگان چه نوع جمعیت عمومی را نمایندگی می کنند و در نتیجه تعیین نماینده بودن غیرممکن است.
4. بررسی مسیر - اغلب اگر واحد مطالعه خانواده باشد استفاده می شود. در نقشه سکونتگاهی که بررسی در آن انجام خواهد شد، تمامی خیابان ها شماره گذاری شده اند. با استفاده از جدول (مولد) اعداد تصادفی، اعداد بزرگ انتخاب می شوند. هر عدد بزرگ از 3 جزء تشکیل شده است: شماره خیابان (2-3 شماره اول)، شماره خانه، شماره آپارتمان. به عنوان مثال، شماره 14832: 14 شماره خیابان روی نقشه، 8 شماره خانه، 32 شماره آپارتمان است.
5. نمونه برداری منطقه ای با انتخاب اشیاء معمولی. اگر پس از منطقه بندی، یک شی معمولی از هر گروه انتخاب شود، یعنی شیئی که برای اکثر ویژگی های مورد مطالعه در مطالعه به میانگین نزدیک شود، چنین نمونه ای منطقه بندی شده با انتخاب اشیاء معمولی نامیده می شود.
6. انتخاب مودال
7. نمونه کارشناس
8. نمونه ناهمگن

استراتژی های گروه سازی

انتخاب گروه ها برای شرکت آنها در یک آزمایش روانشناختی با استفاده از راهبردهای مختلفی انجام می شود که به منظور اطمینان از انطباق حداکثری ممکن با اعتبار داخلی و خارجی ضروری است.

تصادفی سازی

تصادفی سازی، یا انتخاب تصادفی، برای ایجاد نمونه های تصادفی ساده استفاده می شود. استفاده از چنین نمونه ای بر این فرض استوار است که هر یک از اعضای جامعه به یک اندازه در نمونه گنجانده می شوند. به عنوان مثال، برای ایجاد یک نمونه تصادفی از 100 دانشجوی دانشگاه، می توانید تکه های کاغذی را با نام همه دانشجویان دانشگاه در یک کلاه قرار دهید و سپس 100 قطعه کاغذ را از آن خارج کنید - این انتخاب تصادفی خواهد بود (گودوین جی. ، ص 147)......

انتخاب دوتایی

انتخاب دوتایی- راهبردی برای ساختن گروه‌های نمونه، که در آن گروه‌هایی از آزمودنی‌ها از آزمودنی‌هایی تشکیل می‌شوند که از نظر پارامترهای جانبی که برای آزمایش مهم هستند، معادل هستند. این استراتژی برای آزمایش با استفاده از گروه‌های آزمایش و کنترل با بهترین گزینه - جذب جفت‌های دوقلو (تک و دو تخمکی) مؤثر است.

انتخاب استراتومتری

انتخاب استراتومتری- تصادفی سازی با تخصیص طبقات (یا خوشه ها). با این روش نمونه‌گیری، جمعیت عمومی به گروه‌هایی (اقشار) با ویژگی‌های معین (جنس، سن، ترجیحات سیاسی، تحصیلات، سطح درآمد و...) تقسیم می‌شوند و آزمودنی‌هایی با ویژگی‌های مربوطه انتخاب می‌شوند.

مدل سازی تقریبی

مدل سازی تقریبی- تهیه نمونه های محدود و تعمیم نتیجه گیری در مورد این نمونه به جامعه وسیع تری. به عنوان مثال، هنگام شرکت در مطالعه دانشجویان سال دوم دانشگاه، داده های این مطالعه به "افراد 17 تا 21 ساله" تعمیم داده می شود. پذیرش چنین تعمیم هایی بسیار محدود است.

مدل‌سازی تقریبی، شکل‌گیری مدلی است که برای یک کلاس (فرآیند) به وضوح تعریف شده، رفتار (یا پدیده‌های مورد نظر) خود را با دقت قابل قبولی توصیف می‌کند.

نمونه - این:

1) مجموع عناصر مورد مطالعه که مستقیماً مورد مطالعه قرار می گیرد.

2) روش ها و روش های انتخاب عناصر موضوع مطالعه.

جمعیت - مجموعه کاملی از اشیاء مرتبط با مشکل مورد مطالعه. در مطالعات جامعه شناختی به عنوان G.S. اغلب، مجموع افراد عمل می کنند - جمعیت (شهرها، کشورها و غیره)، یک گروه اجتماعی (جوانان، بیکاران، تجار و غیره)، مخاطبان رسانه های جمعی (MSK) و غیره. با این حال، در بسیاری از افراد موارد، G.S. ممکن است از عناصر بزرگتر (اشیاء) - خانواده ها (خانوارها)، گروه های دانشگاهی، شرکت ها، جوامع مذهبی، سکونتگاه ها یا ایالت های فردی و غیره تشکیل شود.

جمعیت نمونه - بخشی از اشیاء از جمعیت عمومی برای مطالعه به منظور نتیجه گیری در مورد کل جمعیت انتخاب شده است.

برای اینکه نتیجه به دست آمده از مطالعه نمونه به کل جامعه تعمیم یابد، نمونه باید دارای خاصیت نماینده بودن باشد.

نمایندگی توانایی نمونه برای نشان دادن جامعه مورد مطالعه است. هر چه ترکیب نمونه با دقت بیشتری جامعه را در موضوعات مورد مطالعه نشان دهد، بازنمایی آن بیشتر است.

مثال: نماینده بودن را می توان با مثال زیر نشان داد. فرض کنید جمعیت همه دانش آموزان مدرسه باشد (600 نفر از 20 کلاس، 30 نفر در هر کلاس). موضوع مطالعه نگرش به سیگار است. نمونه 60 دانش آموز دبیرستانی جامعه بسیار بدتر از نمونه همان 60 نفر است که از هر کلاس 3 دانش آموز را شامل می شود. دلیل اصلی این امر توزیع نابرابر سنی در طبقات است. بنابراین در حالت اول بازنمایی نمونه کم و در حالت دوم بازنمایی زیاد است (ceteris paribus).

انواع نمونه

1. نمونه گیری تصادفی.

1.1 انتخاب تصادفی ساده.

1.2 روش نمونه گیری سیستماتیک (یا مکانیکی).

1.3 نمونه برداری سریالی (تودرتو یا خوشه ای).

1.4 نمونه گیری طبقه ای.

2. نمونه گیری غیرتصادفی (غیر احتمالی).

2.2. انتخاب تصادفی

2.3. نمونه گیری چند مرحله ای و تک مرحله ای.

1. نمونه گیری تصادفی.

یکی از ویژگی‌های نمونه‌گیری تصادفی این است که همه واحدهای جامعه عمومی احتمال یکسانی برای قرار گرفتن در نمونه را دارند. برای نمونه گیری تصادفی، اصل شانس. اساس نمونه می تواند لیستی از کارمندان شرکت، دایرکتوری های تلفن، لیست های ثبت نام صاحبان خودرو، لیست رای دهندگان در شعب اخذ رای، کتاب های خانه و همچنین لیست های مختلفی باشد که توسط خود جامعه شناس بسته به اهداف مطالعه تهیه شده است. (فهرستی از خیابان هایی که سپس انتخاب پاسخ دهندگان در آنها انجام می شود).

نمونه گیری تصادفی معمولاً در نظرسنجی های عمومی قبل از انتخابات، همه پرسی و سایر رویدادهای عمومی استفاده می شود.

به علاوهاز این روش، رعایت کامل اصل تصادفی بودن و در نتیجه اجتناب از خطاهای سیستماتیک است.

معایب این روش:

– نیاز به فهرستی از عناصر جمعیت.

- مشکل در انجام نظرسنجی.

- حجم نمونه نسبتاً بزرگ