Ve statistikách je vzorek podmnožinou populace, která slouží k reprezentaci celé skupiny jako celku. Při výzkumu je často nepraktické zkoumat každého člena konkrétní populace, protože pouhý počet lidí je prostě příliš velký. K vyvození závěrů o charakteristikách populace mohou vědci použít náhodný vzorek.
Proč vědci používají vzorky?
Při zkoumání aspektů lidské mysli nebo chování nemohou vědci ve většině případů jednoduše shromažďovat údaje od každého jednotlivce. Místo toho si vyberou menší vzorek jednotlivců, kteří představují větší skupinu. Pokud je vzorek skutečně reprezentativní pro danou populaci, mohou výzkumníci poté vzít jejich výsledky a zobecnit je na větší skupinu.
Druhy vzorkování
V psychologickém výzkumu a jiných typech sociálního výzkumu se experimentátoři obvykle spoléhají na několik různých metod vzorkování.
1. Pravděpodobnostní vzorkování
Pravděpodobnostní výběr znamená, že každý jedinec v populaci má šanci být vybrán. Protože vzorkování pravděpodobnosti zahrnuje náhodný výběr, zajišťuje, že každá podmnožina populace má stejnou šanci být ve vzorku zastoupena. Díky tomu jsou vzorky pravděpodobnosti reprezentativnější a vědci jsou schopni lépe zobecnit své výsledky na skupinu jako celek.
Existuje několik různých typů vzorkování pravděpodobnosti:
- Jednoduché náhodné vzorkování je, jak název napovídá, nejjednodušší typ vzorkování pravděpodobnosti. Vědci vezmou každého jednotlivce v populaci a náhodně vyberou jeho vzorek, často pomocí nějakého typu počítačového programu nebo generátoru náhodných čísel.
- Stratifikovaný náhodný výběr zahrnuje rozdělení populace do podskupin a poté odebrání jednoduchého náhodného vzorku z každé z těchto podskupin. Například výzkum může rozdělit populaci do podskupin na základě rasy, pohlaví nebo věku a poté odebrat jednoduchý náhodný vzorek každé z těchto skupin. Stratifikovaný náhodný výběr často poskytuje větší statistickou přesnost než jednoduchý náhodný výběr a pomáhá zajistit, aby určité skupiny byly ve vzorku přesně zastoupeny.
- Vzorkování klastru zahrnuje rozdělení populace do menších klastrů, často na základě geografické polohy nebo hranic. Poté je vybrán náhodný vzorek těchto klastrů a jsou měřeny všechny subjekty v klastru. Představte si například, že se pokoušíte studovat na ředitelích škol ve vašem státě. Sběr dat od každého ředitele školy by byl nákladný a časově náročný. Pomocí metody vzorkování klastrů náhodně vyberete pět krajů ze svého stavu a poté sbíráte data od každého subjektu v každé z těchto pěti krajů.
2. Odběr vzorků bez pravděpodobnosti
Na druhé straně vzorkování bez pravděpodobnosti zahrnuje výběr účastníků pomocí metod, které nedávají každé podskupině populace stejnou šanci na zastoupení. Například studie může naverbovat účastníky z dobrovolníků. Jeden problém s tímto typem vzorku spočívá v tom, že se dobrovolníci mohou lišit od dobrovolníků v určitých proměnných, což může ztěžovat zobecnění výsledků na celou populaci.
Existuje také několik různých typů vzorkování bez pravděpodobnosti:
- Pohodlné vzorkování zahrnuje využití účastníků studie, protože jsou pohodlní a dostupní. Pokud jste se někdy dobrovolně přihlásili na psychologickou studii prováděnou prostřednictvím psychologického oddělení vaší univerzity, zúčastnili jste se studie, která se opírala o pohodlný vzorek. Studie, které se spoléhají na dotazování dobrovolníků nebo pomocí klinických vzorků, které má výzkumný pracovník k dispozici, jsou také příklady pohodlných vzorků.
- Účelový odběr vzorků zahrnuje vyhledávání jednotlivců, kteří splňují určitá kritéria. Například obchodníci by mohli mít zájem dozvědět se, jak jejich výrobky vnímají ženy ve věku od 18 do 35 let. Mohou si najmout firmu zabývající se průzkumem trhu, aby prováděla telefonické rozhovory, které úmyslně vyhledávají a provádějí pohovory se ženami, které splňují jejich věková kritéria.
- Vzorkování kvót zahrnuje záměrné vzorkování konkrétních podílů každé podskupiny v rámci populace. Například političtí průzkumníci by mohli mít zájem zkoumat názory populace na určitou politickou otázku. Pokud použijí jednoduchý náhodný výběr, mohou jim náhodou uniknout určité podmnožiny populace. Místo toho stanoví kritéria pro přiřazení každé podskupině určité procento vzorku. Na rozdíl od stratifikovaného vzorkování používají vědci k vyplnění kvót pro každou podskupinu nenáhodné metody.
Zjistěte více o některých způsobech, kterými se vzorky pravděpodobnosti a neprobnosti liší.
Chyby vzorkování
Protože vzorkování přirozeně nemůže zahrnovat každého jednotlivce v populaci, mohou nastat chyby.
Rozdíly mezi tím, co je přítomno v populaci, a tím, co je přítomno ve vzorku, jsou známé jako chyby vzorkování.
I když není možné přesně vědět, jaký velký může být rozdíl mezi populací a vzorkem, vědci jsou schopni statisticky odhadnout velikost chyb při výběru. Například v politických průzkumech můžete často slyšet o míře chyb vyjádřené určitou úrovní spolehlivosti.
Obecně platí, že čím větší je velikost vzorku, tím menší je míra chyby. Je to jednoduše proto, že čím více se vzorek blíží k dosažení velikosti celkové populace, tím je pravděpodobnější, že přesně zachytí všechny charakteristiky populace. Jediným způsobem, jak zcela eliminovat chybu vzorkování, je shromažďovat data z celé populace, což je často jednoduše příliš nákladné a časově náročné. Chyby vzorkování lze minimalizovat pomocí náhodného testování pravděpodobnosti a velké velikosti vzorku.