דגימה מרובדת: מה זה, סוגים, יתרונות וחסרונות - כַּלְכָּלָה - 2025

הדגימה מרובדת , או ריבוד, היא שיטת דגימת מערבת חלוק אוכלוסייה לקבוצות משנה קטנה יותר, הידוע בשם שכבות. בתורו, שכבות אלה נוצרות על סמך התכונות או המאפיינים המשותפים של החברים, כמו הכנסה או רמת השכלה.

הוא משמש כדי להדגיש את ההבדלים בין קבוצות באוכלוסייה, בשונה מדגימה פשוטה, שמתייחסת לכל בני האוכלוסיה כשווים, באותה הסבירות להידגם.

מקור: needpix.com

המטרה היא לשפר את הדיוק של המדגם על ידי הקטנת שגיאת הדגימה. זה יכול לייצר ממוצע משוקלל עם פחות משתנות מהממוצע האריתמטי של מדגם פשוט של האוכלוסייה.

ריבוד הוא תהליך הפיצול של בני אוכלוסייה לקבוצות משנה הומוגניות לפני הדגימה. באמצעות השכבות מוגדרת חלוקת אוכלוסייה.

כלומר, עליו להיות ממצה באופן קולקטיבי ובלעדי הדדי, כך שיש להקצות רובד אחד לכל חלק באוכלוסייה. ואז מיושמים דגימה שיטתית או פשוטה בכל שכבה.

שיקולים חשובים

חשוב לציין כי אין להכניס סמיכות לשכבות. לאחר קבוצות משנה חופפות זה יעניק לאנשים מסוימים סיכוי גדול יותר להיבחר כנושאים. זה מקהה לחלוטין את הרעיון של דגימה מרובדת כאב-טיפוס לדגימה.

חשוב לא פחות כי על החוקר להשתמש בדגימה פשוטה בתוך השכבות השונות.

השכבות הנפוצות ביותר בשימוש בדגימה מרובדת הן גיל, מין, מעמד סוציו-אקונומי, דת, לאום ורמת חינוך.

מהי דגימה מרובדת?

כאשר מסיים את הניתוח בקבוצת ישויות עם מאפיינים דומים, חוקר עשוי לגלות כי גודל האוכלוסייה גדול מכדי להשלים את החקירה.

כדי לחסוך זמן וכסף, ניתן לנקוט בפרספקטיבה אפשרית יותר על ידי בחירה בקבוצה קטנה מהאוכלוסייה. קבוצה קטנה זו נקראת גודל המדגם, שהיא תת קבוצה של האוכלוסייה המשמשת לייצוג כלל האוכלוסייה.

ניתן לבחור מדגם מאוכלוסיה בכמה דרכים, אחת מהן היא באמצעות דגימה מרובדת. זה כרוך בחלוקת כלל האוכלוסייה לקבוצות הומוגניות המכונות שכבות. ואז דגימות אקראיות נבחרות מכל שכבה.

תהליך לביצוע דגימה מרובדת

- חלק את האוכלוסייה לקבוצות משנה או לשכבות קטנות יותר, על פי התכונות והמאפיינים המשותפים לחברים.

- קח מדגם אקראי מכל שכבה במספר שהוא פרופורציונאלי לגודל השכבה.

- קבץ את קבוצות המשנה של שכבות ליצירת מדגם אקראי.

- בצע את הניתוח.

לדוגמה, שקלו חוקר שרצה לדעת את מספר הסטודנטים לעסקים שקיבלו הצעת עבודה בתוך שלושה חודשים מסיימתם בשנת 2018. בקרוב הם יגלו שהיו באותה השנה כמעט 200,000 בוגרי עסקים.

אתה יכול להחליט פשוט לקחת מדגם אקראי של 5,000 בוגרים ולבצע את הסקר. עדיף שתוכל לחלק את האוכלוסייה לשכבות ולקחת מדגם אקראי מהשכבות האלה.

לשם כך היית יוצר קבוצות אוכלוסייה על בסיס גיל, גזע, לאום או רקע מקצועי.

מדגם אקראי ייקח מכל שכבה, ביחס לגודל השכבה ביחס לכלל האוכלוסייה. קבוצות המשנה הללו יקובצו יחד ליצירת מדגם.

סוגים

דגימה מרובדת יחסית

בסוג זה, גודל המדגם לכל שכבה פרופורציונאלי לגודל האוכלוסייה של השכבה בהשוואה לכלל האוכלוסייה. המשמעות היא שלכל שכבה יש את אותו קצב דגימה.

כאשר נבחר מאפיין של יחידים להגדרת השכבות, קבוצות המשנה המתקבלות בדרך כלל הן בגדלים שונים.

לדוגמא, אנו רוצים לחקור את אחוז האוכלוסייה המקסיקנית המעשנת, והוחלט כי הגיל יהיה קריטריון טוב לריבוד מכיוון שמאמינים כי הרגלי העישון יכולים להשתנות באופן משמעותי בהתאם לגיל. שלוש שכבות מוגדרות:

- מתחת לגיל 20.

- בין 20 ל -44.

- מעל 44.

כאשר אוכלוסיית מקסיקו מחולקת לשלוש שכבות אלה, שלוש הקבוצות לא צפויות להיות באותו גודל. למעשה, הנתונים בפועל מאשרים זאת:

- שכבה 1: 42.4 מיליון (41.0%).

- שכבה 2: 37.6 מיליון (36.3%).

- שכבה 3: 23.5 מיליון (22.7%).

אם משתמשים בדגימה מרובדת פרופורציונלית, המדגם צריך להיות מורכב משכבות השומרות על פרופורציות זהות לאוכלוסייה. אם ברצונך ליצור מדגם של 1,000 אנשים, הדגימות חייבות להיות בגדלים הבאים:

זה דומה מאוד לאיסוף אוכלוסייה קטנה יותר, הנקבעת על פי הפרופורציות היחסיות של השכבות בתוך האוכלוסייה.

דגימה מרובדת אחידה

בסוג זה, אותו גודל מדגם מוקצה לכל השכבות שהוגדרו, ללא קשר למשקלן של שכבות אלה בתוך האוכלוסייה.

דגימה מרובדת אחידה שלוקח את הדוגמה הקודמת תייצר את הדגימה הבאה לכל שכבה:

שיטה זו מעדיפה את השכבות שיש להן פחות משקל באוכלוסיה, בכך שהיא מעניקה להן אותה רמת חשיבות כמו השכבות הרלוונטיות יותר.

זה מצמצם את היעילות הכוללת של המדגם, אך מאפשרים ללמוד את המאפיינים האישיים של כל שכבה בדיוק רב יותר.

בדוגמה, אם ברצונך לומר הצהרה ספציפית לגבי אוכלוסיית שכבה 3 (מעל 44), אתה יכול לצמצם את שגיאות הדגימה באמצעות מדגם של 333 יחידות, במקום מדגם של 227 יחידות, כפי שמתקבל מ דגימה מרובדת יחסית.

יתרונות וחסרונות

דגימה מרובדת עובדת היטב עבור אוכלוסיות בעלות מגוון תכונות, אך בדרך כלל לא יהיו יעילות אם לא ניתן להקים תת קבוצות.

- יתרון

איסוף תכונות עיקריות

היתרון העיקרי של דגימה מרובדת הוא בכך שהיא אוספת את מאפייני המפתח של האוכלוסייה במדגם.

בדומה לממוצע משוקלל, שיטת דגימה זו מייצרת מאפיינים במדגם שהם פרופורציונאליים לכלל האוכלוסייה.

דיוק סטטיסטי גבוה יותר

ריבוד נותן פחות שגיאה באומדן מאשר שיטת הדגימה הפשוטה. ככל שההבדל בין השכבות גדול יותר, כך עולה הדיוק ברווח.

יש דיוק סטטיסטי גבוה יותר בהשוואה לדגימה פשוטה. זה נובע מהעובדה שבתוך קבוצות המשנה ההשתנות נמוכה יותר, בהשוואה בין הווריאציות המתרחשות לכלל האוכלוסייה.

גודל מדגם קטן יותר

מכיוון שלטכניקה זו יש דיוק סטטיסטי גבוה, המשמעות היא גם שהיא דורשת גודל מדגם קטן יותר, מה שיכול לחסוך לחוקרים מאמץ רב, כסף וזמן.

- חסרונות

לרוע המזל, לא ניתן להשתמש בשיטת מחקר זו בכל המחקרים. החיסרון של השיטה הוא שיש להתקיים במספר תנאים בכדי להשתמש בה נכון.

קושי במציאת שכבות

החיסרון העיקרי הוא שזה יכול להיות קשה לזהות שכבות מתאימות למחקר. בנוסף, למצוא רשימה מלאה ומוחלטת של אוכלוסייה שלמה יכול להיות מאתגר.

מורכבות לארגון

החיסרון השני הוא שמורכב יותר לארגן ולנתח את התוצאות בהשוואה לדגימה פשוטה.

על החוקרים לזהות כל חבר באוכלוסיית המחקר ולסווג אותו רק לתת-אוכלוסייה אחת. כתוצאה מכך, דגימה מרובדת היא חיסרון כאשר החוקרים אינם יכולים לסווג בביטחון כל אחד מבני האוכלוסייה לתת-קבוצה.

סמיכות יכולה להוות בעיה אם ישנם נושאים הנכללים בקבוצות משנה מרובות. כאשר מבוצעים דגימה פשוטה, סביר להניח כי אלו בקבוצות משנה מרובות ייבחרו. התוצאה יכולה להיות מצג שווא או השתקפות לא מדויקת של האוכלוסייה.

דוגמאות כמו סטודנטים במכללות, בוגרות, גברים ונשים, מקלות שכן מדובר בקבוצות מוגדרות בבירור.

עם זאת, במצבים אחרים זה יכול להיות הרבה יותר קשה. אתה יכול לדמיין לשלב מאפיינים כמו גזע, אתניות או דת. תהליך הסיווג יתקשה, מה שהופך את הדגימה המרובדת לשיטה לא יעילה.

דוגמא

נניח שצוות מחקר רוצה לקבוע את ממוצע נקודות הציון של סטודנטים במכללה בארצות הברית.

לצוות המחקר קשיים ברורים באיסוף נתונים אלה מ- 21 מיליון הסטודנטים במכללה. לכן אתה מחליט לקחת מדגם מהאוכלוסייה, תוך שימוש ב -4,000 סטודנטים בלבד.

הצוות בוחן את התכונות השונות של משתתפי המדגם ותוהה אם יש הבדל בין ממוצע נקודות הציון לבין ההתמחות של התלמידים.

נמצא במדגם כי 560 סטודנטים הם סטודנטים אנגלים, 1,135 למדעים, 800 מדעי המחשב, 1,090 הנדסה ו -415 מתמטיקה.

הצוות רוצה להשתמש בדגימה מרובדת פרופורציונאלית, כאשר שכבות המדגם עומדות ביחס למדגם האוכלוסייה.

יצירת שכבות

לשם כך החוקרים חוקרים את הסטטיסטיקה של סטודנטים באוניברסיטה בארה"ב ומוצאים את האחוז הרשמי של הסטודנטים המתמחים: 12% באנגלית, 28% במדע, 24% במדעי המחשב, 21% בהנדסה ו -15% במתמטיקה.

לכן נוצרות חמש שכבות מתהליך הדגימה המרובדת. על הצוות לאשר ששכבת האוכלוסייה פרופורציונלית לשכבת המדגם. עם זאת, הוא מגלה שהפרופורציות אינן שוות.

כתוצאה מכך הצוות צריך לדגום מחדש את אוכלוסייתם של 4,000 סטודנטים, אך הפעם בחר באקראי 480 (12%) לומדים באנגלית, 1,120 (28%) מדעים, 960 (24%) מדעי המחשב, 840 ( 21%) בהנדסה ו 600 (15%) במתמטיקה.

בכך יש לנו מדגם מרובד פרופורציונלי של סטודנטים באוניברסיטה, המספק ייצוג טוב יותר של סטודנטים באוניברסיטה בארה"ב.

חוקרים יוכלו להדגיש רובד ספציפי, להתבונן במחקרים השונים של סטודנטים בארה"ב, ולבחון בממוצע נקודות הציון השונות.

הפניות

1. אדם הייז (2019). דגימה אקראית מרובדת. נלקח מ: investopedia.com.
2. ויקיפדיה, האינציקלופדיה החופשית (2019). דגימה מרובדת. נלקח מ: en.wikipedia.org.
3. ניתן להסביר (2019). שיטת דגימה מרובדת. נלקח מ: explorable.com.
4. סקר גיזמו (2019). מהי דגימה מרובדת ומתי משתמשים בה? נלקח מ: surveygizmo.com.
5. אשלי קרוסמן (2019). הבנת דוגמאות מרובדות וכיצד להכין אותן. מחשבה ושות 'נלקחה מ: thoughtco.com.
6. קרלוס אוצ'ואה (2017). דגימה אקראית: דגימה מרובדת. נלקח מ: netquest.com.