El muestreo de la conveniencia se lleva a cabo con un método no probabilístico que no ofrece a todas las unidades de la población la misma posibilidad de ingresar a la muestra. En la práctica, es más probable que algunos grupos o individuos sean elegidos que otros. El muestreo no probabilístico se considera un método de muestreo malo.
Proporciona la selección de la muestra en función de los criterios de conveniencia o practicidad, por ejemplo, porque los animales son más fácilmente accesibles o por razones de costos, o porque los voluntarios, etc. están disponibles en un área determinada.
Incluso una elección subjetivamente considerada «aleatoria» por el operador (con las palabras clásicas «… ¡elijo al azar!»)) No garantice la obtención de un buen campeón, porque la intervención humana siempre es el portador de distorsiones derivadas de los prejuicios o más o menos opciones inconscientes.
Con una muestra de conveniencia, reclutan preferentemente unidades «particulares» en comparación con la población, por ejemplo, animales equipados con un carácter capaz de influir en el personaje que queremos estudiar. Una muestra así obtenida está sujeta a distorsión (sesgo) que, que se debe con precisión al método de selección, se llama sesgo de selección. Obviamente, una muestra de este tipo proporciona poco confiable y afecta el proceso de generalización de los resultados (inferencia).
EJEMPLO. Su tesis de grado tiene como objeto la estimación de la frecuencia de la parasitosis intestinal en el perro, que tiene la intención de evaluar mediante el examen de las muestras de heces. La población sujeta a su investigación es: todos los perros en la provincia de Parma. Luego proceda a retirar las heces de una muestra de animales; Para su conveniencia (¡desea ahorrar tiempo y dinero!), Elija hacer la colección de muestras de animales que se encuentran principalmente en el viaje desde la ciudad donde vive en Parma, la ciudad donde estudia. Al final de la colección, su muestra se distribuye geográficamente como se indica en el mapa del lado, en el que cada punto rojo representa una retirada. Es evidente que esta muestra no es representativa del objeto de población esperado en su tesis. Entonces, su muestra está distorsionada.
¿Qué es no probabilístico?
Una muestra no probabilística (muestra en inglés no probabilidad) es una muestra en la que no se conocen las probabilidades con las que se seleccionan los elementos de la población. [1] Por lo tanto, no es una muestra aleatoria, sino una muestra arbitraria o sistemática. Existen varios procesos de muestra no probabilísticos (muestreo en inglés no probabilidad) que difieren en su significado. Están generalizados como encuestas en línea económicas.
En la primera mitad del siglo XX y anteriormente antes, las muestras no probables a menudo se usaban en la investigación de opinión. Jerzy Neymans 1934 publicó un artículo sobre los dos aspectos diferentes del método representativo: el método de muestreo estratificado y el método de selección del propósito provocó que las estadísticas nacionales escuchen encender muestras aleatorias. El desastre literario Digest contribuyó al replanteamiento entre los investigadores de opinión, al igual que el bajo rendimiento de los procedimientos con muestras de cuotas en las elecciones estadounidenses en 1948. Los procesos de muestreo no probables todavía se usaban en algunas áreas, por ejemplo, en la investigación de mercado. Desde la década de 1970, las muestras aleatorias se hicieron efectivas por costo mediante marcación aleatoria de dígitos como encuestas telefónicas y continuaron prevaleciendo. En el siglo XXI, se vieron problemas del silencio en el caso de las encuestas telefónicas. Al mismo tiempo, Internet abrió la oportunidad de recolectar muestras con paneles en línea a bajo costo. [2] Este formulario de encuesta está generalizado en 2022. [3]
Las muestras no probabilistas son muestras arbitrarias o sistemáticas. Estas categorías pueden dividirse aún más, entre otras cosas después de la implementación práctica de la selección y después de la ponderación final de los resultados.
¿Qué significa no probabilístico?
A principios del siglo XX, o posiblemente desde finales del siglo XIX, apareció la idea de las existencias de seguridad, en las que la incertidumbre de la demanda fue modelada por la distribución normal. Como ya se habían establecido tablas de distribución normales previas a la clase para otras ciencias, especialmente en física, la aplicación de las acciones de seguridad solo requería la multiplicación de un nivel de demanda por un coeficiente de «stock de seguridad» tomado de una tabla preexistente. Anecdótico, muchos libros de texto en la cadena de suministro escrita hasta ahora en la década de 1990 todavía contenían tablas de distribución normales en sus anexos. Desafortunadamente, el principal inconveniente de este enfoque es que las distribuciones «normales» no son una propuesta razonable para la cadena de suministro. En primer lugar, con respecto a las cadenas de suministro, podemos suponer que «nada» nunca se distribuye «normalmente». En segundo lugar, la distribución normal es una distribución continua, que está en contradicción con la naturaleza discreta de los eventos de la cadena de suministro (ver «Ley de pequeños números» anteriormente). Por lo tanto, si técnicamente las «existencias de seguridad» tienen un componente probabilístico, la metodología subyacente y las fórmulas digitales se orientan decididamente hacia la perspectiva determinista. Sin embargo, este enfoque se menciona aquí en aras de la claridad.
A principios de la década de 2000, los métodos de aprendizaje juntos, cuyos representantes más conocidos son probablemente los bosques de los árboles de toma de decisiones y el gradiente de árboles que aumentan, son relativamente simples de extender a la perspectiva probabilística a pesar de sus orígenes deterministas. La idea principal del aprendizaje juntos es combinar muchos indicadores deterministas bajos, como árboles de toma de decisiones, en un indicador determinista más alto. Sin embargo, es posible ajustar el proceso de combinación para obtener probabilidades en lugar de un agregado simple, transformando así el conjunto de método de aprendizaje en un método de pronóstico probabilístico. Estos métodos no son paramétricos y son capaces de adaptarse a distribuciones de cola grandes y/o multimodales, ya que comúnmente se encuentran en la cadena de suministro. Estos métodos tienden a tener dos inconvenientes que deben tenerse en cuenta. En primer lugar, por su propia construcción, la función de densidad de probabilidad producida por esta clase de modelos tiende a incluir muchos ceros, lo que evita que cualquier intento explote el indicador de log-vraise. En términos más generales, estos modelos realmente no corresponden a la perspectiva bayesiana, porque las observaciones más recientes se declaran regularmente «imposibles» (es decir, de probabilidad cero) por el modelo. Sin embargo, este problema se puede resolver mediante métodos de regularización [1]. En segundo lugar, los modelos tienden a ser tan grandes como una fracción apreciable del conjunto de datos de entrada, y la operación de «predicción» tiende a ser casi tan costosa en el cálculo como la operación «aprender».
Los métodos hiperparamétricos conocidos como «aprendizaje profundo», que explotó en la década de 2010, fueron, casi «accidentalmente», probabilistas. De hecho, si bien la gran mayoría de las tareas en las que el aprendizaje profundo se distingue realmente (por ejemplo, la clasificación de las imágenes) se centra solo en pronósticos deterministas, resulta que el indicador de la entropía cruzada: una variante del log -Vraise que hemos hablado anteriormente, presenta gradientes muy pronunciados que a menudo son adecuados para el descenso del gradiente estocástico (SGD), que está en el corazón de los métodos de aprendizaje profundo. En consecuencia, los modelos de aprendizaje profundo demuestran ser concebidos como probabilistas, no porque las probabilidades fueran relevantes, sino porque el descenso del gradiente converge más rápido cuando la función de pérdida refleja un pronóstico probabilístico. Por lo tanto, con respecto al aprendizaje profundo, la cadena de suministro se distingue por su interés en el resultado probabilístico real del modelo de aprendizaje profundo, mientras que la mayoría de los otros casos de uso reducen la distribución de la probabilidad a su promedio, su mediana o su modo. Las mezclas de redes Densi son un tipo de red de aprendizaje profundo que aprende a distribuir una probabilidad compleja. El resultado en sí es una distribución paramétrica, potencialmente compuesta por funciones gaussianas. Sin embargo, a diferencia de las «acciones de seguridad», una mezcla de varias funciones gaussianas puede, en la práctica, reflejar el tipo de comportamientos de la cola de peces observados en las cadenas de suministro. Si bien los métodos de aprendizaje profundo a menudo se consideran a la vanguardia de la tecnología, debe tenerse en cuenta que obtener la estabilidad digital, especialmente cuando se trata de mezclas de densidad, sigue siendo una «ciencia oscura».
¿Qué es probabilístico y no probabilístico?
En este número especial de Poq (Public Opinion Quarterrly) de 2017, continúa la discusión sobre la calidad de la investigación.
En la introducción a este volumen, se solicita la aplicación sobre la efectividad de las investigaciones con cuotas de respuesta (RR) inferiores al 10%. Esta pregunta ahora es recurrente en muchas publicaciones. Además, el uso cada vez más masivo de investigaciones no probabilísticas en el panel en línea plantea el problema en la efectividad de esta metodología.
Este artículo aborda el problema de una manera pragmática tratando de cuantificar el sesgo de las muestras no probabilísticas de paneles en línea y muestras probabilísticas en investigaciones con cuotas de baja respuesta. También verifica la capacidad de las diversas técnicas de peso para corregir el sesgo.
Es notable el método: -Compare los cruces de las variables sociodemográficas comunes a 4 investigaciones no probabilísticas e 3 investigaciones probabilísticas con un RR 10% menor con los cruces de las mismas variables en una investigación probabilística con un 80% más alto de RR; – Aplique 3 técnicas de peso diferentes (rastrillo, pulgadas y coincidencia) para verificar la capacidad de estas técnicas para reducir el sesgo.
Las conclusiones son: las muestras no probabilísticas a veces tienen un doble sesgo de las investigaciones probabilísticas con cuotas de baja respuesta; – Las técnicas de peso no pueden reducir el sesgo sistemáticamente en investigaciones no probabilísticas.
Estas conclusiones si están asociadas con el costo de las dos técnicas de muestreo pueden tener prácticas considerables.
¿Cuando el muestreo es no probabilistico?
En el muestreo no probabilidad (también conocido como muestreo no aleatorio) no todos los miembros de la población tienen la oportunidad de participar en el estudio. En otras palabras, este método se basa en criterios de selección no aleatoria. Esto es contrario al muestreo de probabilidad, donde cada miembro de la población tiene una posibilidad conocida y distinta de cero de ser seleccionada para participar en el estudio.
La necesidad de muestreo no probabilidad puede explicarse de manera que para algunos estudios no es factible dibujar una muestra aleatoria basada en la probabilidad de la población debido a consideraciones de tiempo y/o costos. En estos casos, los miembros del grupo de muestra deben ser seleccionados sobre la base de accesibilidad o juicio personal del investigador. Por lo tanto, la mayoría de las técnicas de muestreo no probabilidad incluyen un elemento de juicio subjetivo. El muestreo no probabilidad es el más útil para las etapas exploratorias de estudios como una encuesta piloto.
El problema del tamaño de la muestra en el muestreo no probabilidad es bastante ambiguo y necesita reflejar una amplia gama de factores específicos de la investigación en cada caso. Sin embargo, hay algunas consideraciones sobre los tamaños de muestra mínimos en el muestreo no probabilidad como se ilustra en la tabla a continuación:
Mi libro electrónico, The Ultimate Guide para escribir una disertación en estudios de negocios: un enfoque paso a paso contiene una explicación detallada pero simple de los métodos de muestreo. El libro electrónico explica todas las etapas del proceso de investigación a partir de la selección del área de investigación hasta escribir reflexión personal. Los elementos importantes de las disertaciones como la filosofía de investigación, el enfoque de investigación, el diseño de la investigación, los métodos de recopilación de datos y el análisis de datos se explican en este libro electrónico en palabras simples.
Artículos Relacionados:
