Beispiele für Cluster-Sampling Cluster-Sampling ist ein Sampling-Verfahren, bei dem die gesamte Population von Interesse in Gruppen oder Cluster unterteilt wird und eine Stichprobe dieser Cluster ausgewählt wird. Jeder Cluster muss sich gegenseitig ausschließen und zusammen müssen die Cluster die gesamte Population enthalten. Nachdem Cluster ausgewählt wurden, werden alle Einheiten innerhalb der Cluster ausgewählt. Die nicht ausgewählten Cluster sollten nicht in die Probe aufgenommen werden. Dies unterscheidet sich von der geschichteten Probenahme, bei der einige Einheiten aus jeder Gruppe ausgewählt werden. Wenn alle Einheiten innerhalb eines Clusters ausgewählt werden, wird die Technik als einstufiges Cluster-Sampling bezeichnet. Wenn eine Teilmenge von Einheiten aus jedem ausgewählten Cluster zufällig ausgewählt wird, wird sie als zweistufiges Cluster-Sampling bezeichnet. Das Cluster-Sampling kann auch in drei oder mehr Stufen erfolgen: es wird dann als mehrstufige Cluster-Sampling bezeichnet. Im Cluster-Sampling sind die Cluster die primäre Sampling-Einheit (PSUacirceurotrades) und die Einheiten innerhalb der Cluster sind die sekundären Sampling-Einheiten (SSUacirceurotrades). Es ist wichtig, diese beiden Ebenen im Auge zu behalten, wenn Standardfehler von Cluster-Samples berechnet werden. Wenn ein Cluster-Beispiel analysiert wird, als ob es eine einfache Zufallsstichprobe wäre, würden die gemeldeten Standardfehler wahrscheinlich kleiner sein, als sie sein sollten. Das würde den Eindruck erwecken, dass die Umfrageergebnisse präziser sind, als sie tatsächlich sind. Während die Schichtung die Präzision der Schätzung im Vergleich zu einer einfachen RANDOM-SAMPLING-Methode oft erhöht, verringert die Cluster-Abtastung diese oft. Das liegt daran, dass Einheiten in einem Cluster eher ähnlicher sind als Elemente, die zufällig aus der gesamten Population ausgewählt wurden. Bei der Verwendung von Cluster-Sampling ist es üblicherweise erforderlich, die Gesamtprobengröße zu erhöhen, um die gleiche Genauigkeit wie bei der einfachen Zufallsstichprobe zu erreichen. Dennoch gibt es Fälle, in denen Cluster-Sampling sinnvoll ist. Der Hauptgrund für die Verwendung von Cluster-Sampling ist, dass es in der Regel viel billiger und bequemer, um die Bevölkerung in Clustern als zufällig zu probieren. In einigen Fällen ist der Aufbau eines Stichprobenahmens, der jedes Populationselement identifiziert, zu teuer oder unmöglich. Das Cluster-Sampling kann auch die Kosten reduzieren, wenn die Populationselemente über einen weiten Bereich gestreut werden. Angenommen, Sie wollen Schulkinder eines bestimmten Alters in einem bestimmten Gebiet befragen. Wenn Sie eine einfache Stichprobe von Schulkindern gezeichnet haben, müssen Sie alle Schulen in der Umgebung besuchen, um Ihre Probe zu interviewen. Mit Cluster-Sampling können Sie zuerst die Schulen auswählen, die in Ihre Stichprobe einbezogen werden sollen, und wählen Sie dann Schulkinder in jeder der ausgewählten Schulen aus. Das würde vermutlich die Zahl der Schulen reduzieren, die Sie besuchen müssen, und damit die Kosten für die Datenerhebung. In diesem Beispiel sind die Schulen, was manchmal als natürliche Cluster bezeichnet werden. In anderen Fällen kann die Bevölkerung geographisch weit verbreitet sein, und dann kann die Stichprobenbildung, bei der die Cluster aus geographischen Gebieten bestehen, die Anzahl der zu besuchenden Gebiete reduzieren. Eine geringere Anzahl von Bereichen, die besucht werden müssen, könnte die Reisekosten reduzieren und eine effizientere Überwachung der Feldforschung ermöglichen. Beispiele für Cluster-Sampling War diese Antwort hilfreich? Ja NeinBREAKING DOWN Sampling Die Stichprobe sollte eine Repräsentation der Gesamtbevölkerung sein. Bei der Probenentnahme aus einer größeren Population ist es wichtig zu überlegen, wie die Probe ausgewählt wird. Um eine repräsentative Stichprobe zu erhalten. Muss die Stichprobe zufällig gezogen werden und die gesamte Population umfassen. Zum Beispiel könnte ein Lotteriesystem verwendet werden, um das durchschnittliche Alter der Studenten in einer Universität durch Stichproben von 10 der Studentenschaft zu bestimmen. Factoring in der systematischen Probenahme Die systematische Probenahme verwendet einen zufälligen Startpunkt und ein periodisches Intervall, um Elemente für eine Probe auszuwählen. Das Abtastintervall wird als die Populationsgröße dividiert durch die Stichprobengröße berechnet. Angenommen, ein CPA prüft die internen Kontrollen im Zusammenhang mit dem Kassenkonto und möchte die Unternehmenspolitik testen, bei der mehr als 10.000 von zwei Personen und nicht nur von einer Person unterschrieben werden müssen. Die Buchhalter Bevölkerung ist jedes Unternehmen Scheck geschrieben ist mehr als 10.000 im Laufe des Geschäftsjahres, die 300 insgesamt Schecks in diesem Beispiel ist. Die CPA-Firma verwendet Wahrscheinlichkeitsstatistiken und bestimmt, dass die Stichprobengröße 20 der Bevölkerung oder 60 Kontrollen sein sollte. Das Stichprobenintervall ist 300 Prüfungen geteilt durch 60 Stichprobenprüfungen oder fünf, so dass der CPA jede fünfte Prüfung für die Prüfung auswählt. Gehen Sie davon aus, dass die statistische Analyse, wenn keine Fehler in der Stichproben-Testarbeit gefunden werden, der CPA eine 95-Konfidenzrate gibt, dass das Prüfverfahren korrekt durchgeführt wurde. Das CPA führt die Stichprobenprüfung bei 60 Prüfungen durch und findet keine Fehler, und der Buchhalter kommt zu dem Schluss, dass die interne Kontrolle über Bargeld richtig funktioniert. Beispiele für Beispieltests für Marketing Jedes Unternehmen versucht, ein Produkt oder eine Dienstleistung an eine Marktnische zu verkaufen. Ein Unternehmen Proben Einzelpersonen in einer bestimmten Marktnische, um herauszufinden, was sie brauchen und welche Probleme sie lösen wollen. Die Ergebnisse der Probe helfen, das Geschäft auf die Bedürfnisse der Menschen in der Marktnische.
No comments:
Post a Comment