Cómo elegir una muestra no aleatoria para tu investigación

El muestreo no probabilidad es un método para seleccionar unidades de una población utilizando un método subjetivo (es decir, no aleatorio). Dado que el muestreo no probabilidad no requiere un marco de encuesta completo, es una forma rápida, fácil y económica de obtener datos. Sin embargo, para sacar conclusiones sobre la población de la muestra, debe suponer que la muestra es representativa de la población. Esto a menudo es una suposición riesgosa en caso de muestreo no probable debido a la dificultad de evaluar si la suposición se mantiene. Además, dado que los elementos se eligen arbitrariamente, no hay forma de estimar la probabilidad de que cualquier elemento se incluya en la muestra. Además, no se garantiza que cada elemento tenga la posibilidad de ser incluido, lo que hace que sea imposible estimar la variabilidad de muestreo o identificar el posible sesgo.

En general, las agencias estadísticas oficiales de todo el mundo han estado utilizando el muestreo de probabilidad como su herramienta preferida para satisfacer las necesidades de información sobre una población de interés. Sin embargo, en los últimos años, ha habido algunas investigaciones y estudios sobre cómo aplicar el muestreo no probabilidad en las estadísticas oficiales. El uso de otras fuentes de datos se ha explorado cada vez más. Hay cinco razones clave detrás de esta tendencia:

la disminución de las tasas de respuesta en las encuestas de probabilidad;
el alto costo de la recopilación de datos;
la mayor carga para los encuestados;
el deseo de acceso a estadísticas en tiempo real y
El aumento de las fuentes de datos no posibles, como las encuestas web y las redes sociales.

Algunos han sugerido la posibilidad de un cambio en el paradigma y el enfoque tradicional de las estadísticas. Sin embargo, los datos de fuentes no probabilidad tienen algunos desafíos con respecto a la calidad de los datos, incluida la posible presencia de participación y sesgo de selección. Por lo tanto, los datos recopilados utilizando muestreo no probabilidad deben usarse con mayor precaución.

Los métodos de muestreo de no probabilidad comúnmente utilizados incluyen lo siguiente.

¿Cuáles son los tipos de muestreo no aleatorio?

La información identificada como archivada se proporciona para referencia, investigación o fines de mantenimiento de registros. No está sujeto a los estándares web del Gobierno de Canadá y no ha sido alterado o actualizado desde que fue archivado. «Contáctenos» para solicitar un formato que no sea el disponible.

Más allá de las diferencias conceptuales, muchos tipos de errores pueden ayudar a explicar las diferencias en la producción de los programas que generan datos sobre los ingresos. A menudo se clasifican en dos tipos amplios: errores de muestreo y errores de no muestreo.

Los errores de muestreo ocurren porque las inferencias sobre toda la población se basan en la información obtenida de solo una muestra de esa población. Debido a que Slid y el censo de forma larga son encuestas de muestra, sus estimaciones están sujetas a este tipo de error. El coeficiente de variación es una medida de la medida en que la estimación podría variar, si se hubiera utilizado una muestra diferente. Esta medida da una indicación de la confianza que se puede colocar en una estimación particular. Esta medida de calidad de datos se utilizará más adelante en este documento para ayudar a explicar por qué algunas de las estimaciones de Slid, que se basan en una muestra más pequeña, podrían diferir de las de los otros programas que generan datos de ingresos. Si bien el censo también está sujeto a este tipo de error, se pueden hacer estimaciones confiables para poblaciones mucho más pequeñas porque la tasa de muestreo es mucho mayor para el censo (20%) 1.

Los errores de no muestreo se pueden dividir en errores de cobertura, errores de medición (encuestado, entrevistador, cuestionario, método de recolección…), errores de no respuesta y errores de procesamiento. Los errores de cobertura generalmente no se miden bien para los ingresos y generalmente se infieren de los ejercicios de confrontación de datos como este. La Sección 3 revisará las exclusiones de la población y otras diferencias de cobertura conocidas entre las fuentes.

¿Cuántos tipos de muestreo no probabilístico?

Como parte de la gran serie de seminarios web de Casro, John Bremer, del grupo NPD, discutió «elementos del seminario no probabilidad». Además de tocar el muestreo de probabilidad, la coincidencia de muestras y la calibración, presentó una excelente taxonomía de los diferentes tipos de muestreo no probabilidad.

Muestreo de cuotas
Muestreo de cuotas proporcionales: el «proporcional» en el nombre se debe a que la población de interés está representada casi exactamente por el porcentaje de cada célula (grupo demográfico principal) en los resultados finales de la encuesta. Entonces, si una población es 52% femenina, entonces 520 de 1,000 encuestados serían mujeres. «Los estratos pueden ser conjuntos o entrelazados», por lo que puede tener cuotas de mujeres más jóvenes, mujeres mayores, hombres más jóvenes y hombres mayores. A veces conocido como «cuotas duras».
Muestreo de cuotas no proporcionales: también conocido como «cuotas blandas», el muestreo de cuotas no proporción captura un número mínimo de encuestados en un grupo específico. Para las poblaciones difíciles de alcanzar, podría ser una muestra (menos que en una muestra proporcional), y para las poblaciones de especial interés en ellos mismos podría ser una sobremuestra (más que en una muestra proporcional). «Aquí, la ponderación [de los resultados finales] es importante porque la muestra no se parece a la población de interés», dijo John.
Muestreo de conveniencia: los encuestados son simplemente aquellos «que están fácilmente disponibles o convenientes para entrevistar»: compañeros de trabajo, personas interceptadas en la calle, fanáticos de una marca de Facebook, miembros de listas de correo y panelistas en línea. Si bien un panel en línea puede usar una muestra aleatoria estratificada de miembros del panel, sigue siendo una muestra de conveniencia.
Muestreo de bola de nieve: el muestreo de bola de nieve pide a los encuestados que recomenden a otros encuestados que posteriormente podrían ser invitados a tomar la encuesta. Esto es útil para audiencias muy difíciles de alcanzar, como pacientes con SIDA u otros con enfermedades raras. «Es difícil obtener una visión representativa de tal población, debido al efecto de agrupación y al efecto de representatividad y, debido a que a menudo no sabrá cómo se ve la población, por lo que es lo que es, pero con sesgos desconocidos».
Muestreo de autoselección: el encuestado decide si participar o no, generalmente en una solicitud sin la posibilidad de seguimiento. Los experimentos de psicología clásica son el muestreo de autoselección, al igual que las encuestas de intercepción de estilo «Surveywall».
Muestreo intencional: la entrevista o el diseñador de estudio eligen unidades muestreadas que, a su juicio, cumplirán con el propósito específico de la encuesta.
El muestreo de varianza máxima (muestreo heterogéneo): para dicho estudio, que puede ser de naturaleza más cualitativa, el objetivo no es ser representativo de puntos de vista sobre un tema sino «mirarlo desde todos los ángulos». Comprender los extremos es tan importante como comprender el punto de vista típico.
Muestreo homogéneo: lo opuesto al muestreo heterogéneo es explorar profundamente las opiniones de un grupo de encuestados con las mismas características.
Muestreo de casos típico: en lugar de comprender todos los puntos de vista, incluidos los extremos, el muestreo de casos típico está interesado en una evaluación en profundidad del punto de vista típico sin desarrollar.
Muestreo de casos extremos: [en interés del tiempo, John saltó estos cuatro ejemplos finales de muestreo intencional.] El muestreo de casos extremos está interesado en comprender casos inusuales como éxitos o fallas. Por ejemplo, una revisión de los CEO de «Unicornio» (nuevas empresas por valor de $ 1 mil millones o más) o un estudio de millonarios.
Muestreo de casos críticos: estudiar los casos que tienen más que ofrecer en términos de comprensión de la población.
Muestreo de expertos: expertos en topografía en un tema en particular, con su experiencia en el juicio del entrevistador o diseñador de estudio.
Muestreo de población total: encuestando a cada miembro de un subgrupo calificado, por ejemplo, empleados de una empresa o empleados en una rama específica de una empresa. No encuestar incluso a unos pocos encuestados puede dificultar la generalización, si los no encuestados comparten ciertas características que difieren de la población más amplia.

La presentación de John proporcionó una valiosa descripción de los muchos usos de las muestras no probabilidad. ¡Asegúrese de ver otros próximos seminarios web de Casro!

¿Qué es aleatoria y no aleatoria?

La verdad es que ningún cuerpo te dice que los números aleatorios no son realmente aleatorios, se pueden predecir. Las clases numéricas aleatorias o las bibliotecas que usamos en nuestro código no son verdaderos número aleatorio, sino que son un número pseudo-aleatorio. Se comportan como Son aleatorios, pero no lo son. Como sugiere la palabra ‘pseudo’, los números pseudo-aleatorios no son aleatorios de la forma en que podría esperar, al menos no si está acostumbrado a los rollos o boletos de lotería. Esencialmente, los PRNG (generadores de números pseudo-aleatorios) son algoritmos que usan fórmula matemática o simplemente tablas precalculadas para producir secuencias de números que parecen aleatorios. Un buen ejemplo de un PRNG es el método congruencial lineal. Se ha realizado una gran cantidad de investigación en la teoría de números pseudo-aleatorios, y los algoritmos modernos para generar números pseudo-aleatorios son tan buenos que los números se ven exactamente como si fueran realmente aleatorios, pero no son como decir que HTML es un lenguaje de programación .

Supongamos que queremos generar un número aleatorio entre 1 y 52, donde cada número tiene una probabilidad igual de aparecer. Idealmente, generaríamos un valor en el rango de 0 a 1 donde cada valor ocurrirá con igual probabilidad, independientemente del valor anterior, luego multiplicaríamos ese valor en 52. Tenga en cuenta que hay un número infinito de valores entre 0 y 1. ¡Tenga en cuenta también que las computadoras no ofrecen una precisión infinita!

Para programar una computadora para hacer algo como el algoritmo presentado anteriormente, un generador de números pseudo-aleatorio generalmente produce un entero en el rango de 0 a N y devuelve ese número dividido por N. El número resultante siempre es entre 0 y 1. Las llamadas posteriores al generador toman el resultado entero de la primera ejecución y la pasan a través de una función para producir un nuevo entero entre 0 y n, luego devuelve el nuevo entero dividido por N. Esto significa el número de valores únicos devueltos por cualquier pseudo- El generador de números aleatorios está limitado por el número de enteros entre 0 y N. En los generadores de números aleatorios más comunes, N es 2³² (aproximadamente 4 mil millones), que es el valor más grande que se ajustará a un número de 32 bits. Dicho de otra manera, hay como máximo 4 mil millones de valores posibles producidos por este tipo de generador de números. Para inclinar nuestra mano un poco, este número de 4 mil millones no es tan grande.

Un número conocido como semilla se proporciona a un generador pseudo-aleatorio como entero inicial para pasar por la función. La semilla se usa para hacer rodar la pelota. Observe que no hay nada impredecible sobre la salida de un generador pseudo-aleatorio. Cada valor devuelto por un generador de números pseudo-aleatorio está completamente determinado por el valor anterior que devolvió (y, en última instancia, la semilla que lo inició todo). Si conocemos el entero utilizado para calcular cualquier valor, entonces sabemos que cada valor posterior devuelto del generador.

El generador de números pseudo-aleatorio distribuido con compiladores de Borland es un buen ejemplo y se reproduce en la Figura 1. Si sabemos que el valor actual de RandSeed es 12345, entonces el siguiente entero producido será 1655067934 y el valor devuelto será 20. El Lo mismo ocurre cada vez (lo que no debería sorprender a nadie, ya que las computadoras son completamente deterministas).

¿Qué es aleatorio y no aleatorio?

Cada referencia debe considerarse puramente aleatoria es la manleva que generalmente se ajusta al principio o al final de una película cuya historia es complicada de contar o podría conducir a algunos problemas con el protagonista o sus herederos.

Cualquier referencia a los hechos que realmente sucedieron y/o a las personas realmente existentes se considere puramente aleatoria.

Lo que sucedería en el caso de que los hechos, o el personaje de una película o serie de televisión, ya sea el protagonista o sea un personaje marginal de la narración, se redujeron de una manera tergiversada, no veraz o para dañar el reputación u honor (evaluaciones que siempre son subjetivas)?

Comencemos con la diferencia entre los diversos géneros cinematográficos. De hecho, el trabajo cinematográfico conoce muchos géneros. Van desde obras que excluyen cualquier adherencia a los hechos que realmente ocurrieron o las personas existentes o existentes en la raíz, hasta aquellos que se proponen a sí mismos como la reproducción exacta de hechos y personas del mundo real.

La ficción, si generalmente se propone como una obra de narración y ficción escénica que se refiere al medio de televisión con los propósitos del entretenimiento, también podría ser, en casos particulares, un medio de diseminación cultural.

Entonces, ¿cuáles son las 2 alternativas del autor cuando quieres narrar una historia real?

Consiste en un respeto riguroso por el principio de la verdad, que no implica una aplicación rígida de los criterios desarrollados en el derecho de crítica y noticias, poder tolerar la combinación de elementos imaginarios y reales.

¿Qué es muestra no aleatoria?

El propósito de la herramienta para recopilar información sobre los miembros de la población con características preseleccionadas.

Al usar esta herramienta en cuanto al método de ‘muestreo aleatorio’, desde el punto de vista de la evaluación de monitoreo, el muestreo es a menudo la base del uso de métodos de recopilación de datos.

Ventajas El muestreo no aleatorio se usa con mayor frecuencia para el monitoreo o la evaluación de intervenciones a escala pequeña y, por lo tanto, generalmente es más rápido.

Las desventajas para tener en cuenta el método pueden ser potencialmente sesgados debido al hecho de que el muestreo puede no ser verdaderamente representativo con respecto al rango de respuestas buscadas, ya que tiene un elemento predeterminado. De hecho, este método no permite estimar el error de muestreo.

La variante del muestreo de grupos puede ser menos costosa y más fácil de implementar con una capacitación mínima.

Descripción de la herramienta Elija expresamente las personas que se incluirán en su muestra. Si el muestreo aleatorio no es posible, elija este método de muestreo para estudiar la forma en que los principales jugadores se ven afectados por una intervención. De lo contrario, si desea tener una perspectiva particular, entonces busca deliberadamente ciertas personas o grupos.

Pasos en el uso de la herramienta de muestreo razonada, la elección de una muestra se basa en una o más características fijadas de antemano. El objetivo es recopilar información sobre los miembros de la población con estas características. Este método es más útil para describir un fenómeno que hacer deducciones estadísticas.

¿Qué es muestra no Probabilistica ejemplos?

Estos ejemplos son bastante básicos, pero esa es la mejor manera de comprender cómo se ve esto. Tenga en cuenta que sus oraciones pueden ser más complejas que estos ejemplos, pero aún llenos de palabras o frases de «contar».

En un caso como este, desea que el lector sienta lo que hizo: la sorpresa y la sensación de urgencia, el miedo.

Describir el crujido que golpeó sus oídos incluso a través del golpe de su corazón no solo crea una visual poderosa, sino que también le dice al lector el estado en el que se encontraba su cuerpo durante ese intenso momento. El primer ejemplo es débil y hace poco para explicar cómo te sentiste realmente en ese momento.

Diga: “Ella era mi mejor amiga. Podría decirle casi cualquier cosa «.

Mostrar: «La conocí en la Plaza de la Ciudad, corriendo para nuestro abrazo habitual que continuó durante demasiado tiempo, ya que hablamos sobre nuestras vidas con sonrisas iluminando nuestras caras».

El primer ejemplo de contar es más corto, pero no hace un gran trabajo al mostrar realmente el impacto que tiene el uno al otro. Cualquiera puede pensar en «mejor amigo» y formar un pensamiento general sobre cómo se ve. Pero esto no es solo «nadie». Este es tu mejor amigo. Mostrar su relación entre sí es vital para forjar esa conexión más profunda.

El punto completo de mostrar versus decir por escrito es hacer una conexión emocional más fuerte con sus lectores y engancharlos.

La idea detrás de esta técnica de escritura es poner al lector en sus zapatos. Haz que sientan, escuchen y sientan la situación como lo hiciste tú.

¿Cuándo es una muestra no Probabilistica?

Cuando realiza una investigación, investiga sobre un gran grupo de personas en número (residentes de un área geográfica, mujeres mayores de 30 años, usuarios regulares de un producto específico, etc.). Resulta que es imposible cuestionar a tantas personas.

La solución práctica para llevar a cabo este tipo de estudios es cuestionar una muestra representativa de esta población objetivo también llamada panel. Para garantizar que su muestra sea una representación justa de esta población, debe seguir algunas buenas prácticas de muestreo. Esto implica seleccionar el tamaño de muestra correcto.

Pero para hacer una muestra, no es suficiente centrarse en el tamaño del grupo de personas para ser cuestionado. También debe tener cuidado de descartar ciertos otros sesgos de investigación que podrían distorsionar sus resultados.

Por lo tanto, un error de muestreo es un error cometido cuando se estudiará la muestra representativa de la población objetivo.

El término «error de muestreo» no solo designa fallas cometidas por los investigadores durante el trabajo con la muestra. La mala selección de personas o no anticipar el hecho de que algunas personas no responderán afecta sus resultados.

Aquí está la lista de los 5 errores principales para evitar llevar a cabo su muestreo y maximizar la confiabilidad de su estudio.

¿Cómo sacar una muestra no Probabilistica?

Ejecutar una encuesta a gran escala puede ser una tarea difícil. Por mucho que necesite sus resultados para representar a toda la población, es difícil dar a todos los que le gustaría saber de la oportunidad de ser encuestados.

Una solución del mundo real es utilizar el muestreo no probabilidad, que SurveyMonkey sabe una o dos cosas sobre. Con más de medio millón de personas disponibles para realizar encuestas a través de nuestro panel de audiencia en cualquier momento, SurveyMonkey tiene la mayor muestra de no probabilidad en los Estados Unidos.

El muestreo no probabilidad selecciona a un grupo de encuestados de una población más grande, sabiendo muy bien que algunos miembros de la población tienen cero posibilidades de ser encuestados. Esto no está permitido en el muestreo de probabilidad, lo que requiere que todos en la población tengan una posibilidad no cero de ser seleccionados.

Ya sea que esté utilizando un panel como SurveyMonkey Audience o cualquier otro tipo de diseño de muestreo no probable, la forma en que selecciona los encuestados siempre dejará de lado a algunos miembros de la población.

A veces, estas exclusiones son obvias, como cuando las personas pueden optar por su respuesta. Por ejemplo, puede pedirle a sus clientes que proporcionen sus correos electrónicos para que puedan participar en una encuesta de comentarios de los clientes. Algunos probablemente disminuirán, lo que significa que no tienen posibilidades de ser seleccionados en la muestra de su encuesta.

Otras veces, estas exclusiones son más sujetas. Supongamos que planea encuestar a las primeras 100 personas que entran a su tienda en un día determinado. Esto puede parecer un diseño de muestreo de probabilidad aleatorio, pero considere esto: probablemente haya una diferencia entre el tipo de personas que pueden venir a su tienda por la mañana en comparación con aquellos que tienen que visitar más tarde.

¿Qué es una muestra aleatoria en investigación?

La muestra aleatoria simple (muestra aleatoria simple) es la selección de probabilidad más común y más confiable. Se seleccionan elementos de la población, todos los cuales tienen la misma probabilidad de ser seleccionados para la muestra. Esto se puede hacer con la ayuda de un generador aleatorio.

En una muestra en capas (muestreo aleatorio estratificado), las muestras aleatorias de cada capas diferentes (por ejemplo, las clases de bajos ingresos son bajas, medianas, altas). La prueba aleatoria puede ser proporcional (proporcional al tamaño de la capa) o desproporcionadamente.

Las muestras sistemadas se utilizan cuando existe una alta heterogeneidad con respecto a una cierta característica en la población. El requisito previo para muestras en capas es que existe un conocimiento previo con respecto a las distribuciones características y con respecto al tema de los sujetos de prueba a una determinada capa.

Durante la muestra de agrupamiento (muestreo de clúster de varias etapas), la selección aleatoria se extiende en varias etapas, con unidades enteras (bultos, como clases escolares) de la población en una primera etapa. En una segunda etapa, se seleccionan elementos de las unidades respectivas (estudiantes de la clase escolar seleccionada).

La selección de cuotas (muestra de cuota), que a menudo se usa en la investigación del mercado y la opinión, tiene la intención de definir una muestra, que corresponde a la distribución característica de la población. La selección de cuotas se lleva a cabo de acuerdo con ciertas reglas, por las cuales las probabilidades representan una cierta distribución de características (por ejemplo, 54% hombres, 46% de mujeres), que deben lograrse mediante la selección de la muestra. El encuestado se adhiere a una especificación de cuota precisa, pero selecciona a los encuestados a su propia discreción.

¿Cómo saber si una muestra es aleatoria o no aleatoria?

El proceso de tomar una muestra aleatoria simple significa que cada muestra posible tiene la misma probabilidad de ser la muestra tomada. Esto significa que cualquier muestra que pueda provenir de un esquema de muestreo más complejo (estratificado, clúster, etc.) también podría provenir de una muestra aleatoria simple. Por lo tanto, no hay una forma definitiva de probar de una forma u otra.

Sin embargo, podría encontrar un anterior sobre la probabilidad de que sean los diferentes tipos de muestreo, luego hacer un análisis bayesiano para encontrar la probabilidad posterior de una muestra aleatoria simple frente a los otros tipos.

Si los datos se recopilaron de manera metodológicamente sólida y las muestras son lo suficientemente grandes, entonces ambas muestras podrían reflejar la población. En general, parece que desea ver si los datos reflejan la población lo suficientemente bien (o indican de manera diferente: si una de las muestras no está sesgada). La mejor manera de hacer esto es comparar esas muestras con la población: ¿son las propiedades de la muestra similares a las de la población…?

Otra cosa es la «aleatoriedad» de una muestra. En primer lugar, no existe tal cosa como una muestra de encuesta «aleatoria»: nunca es posible probar literalmente a ninguna persona en la población con la misma probabilidad. Siempre tomas decisiones sobre cómo probar a las personas a tu investigación. Si usa entrevistas telefónicas, entonces no muestra a personas sin teléfonos, si va puerta por puerta, entonces muestra principalmente a los desempleados o amas de casa, etc. (verifique cómo mentir con el libro de estadísticas para obtener más ejemplos). Entonces, lo que debe hacer es tener en cuenta cómo y por qué su muestra está sesgada e influye en posibles resultados y lo describe en parte metodológica de su informe. La pregunta general debería estar aquí: «¿Cuánto posiblemente difiere la muestra de la población?», En lugar de «¿Cuánto parece que se muestra al azar?». No hay nada malo en las muestras no aleatorias en la medida en que recuerdas que no son aleatorias y no las amenazan como aleatorias.

¿Qué caracteristica tiene una muestra aleatoria?

Una muestra aleatoria es un grupo o un conjunto elegido en una población más amplia, o un grupo de circunstancias, lo que permite que cada miembro del grupo más amplio tenga la misma oportunidad de ser elegido. Se supone que una muestra aleatoria es una representación inquebrantable de la población más amplia. Se considera una forma justa de seleccionar una muestra de una población más amplia (ya que cada miembro de la población tiene la misma oportunidad de ser seleccionada).

Para los economistas y estadísticos que recolectan muestras, es imperativo que tengan cuidado de minimizar los prejuicios. Si no se tiene en cuenta el sesgo de muestreo, los resultados de un estudio o análisis pueden atribuirse erróneamente. El muestreo representativo es uno de los principales métodos para lograr esto, porque estas muestras se reproducen de la manera más fiel posible elementos de la población estudiada.

Sin embargo, esto no es suficiente para que el sesgo de muestreo sea insignificante. La combinación de la técnica de muestreo aleatorio y el método de muestreo representativo aún reduce el sesgo, porque no es más probable que se seleccione en la muestra ningún miembro específico de la población representativa en la muestra que otra.

Una de las técnicas más efectivas se conoce como estratificación. Con la estratificación, la población más importante se divide en subgrupos o estratos de una naturaleza bastante homogénea. Luego, se selecciona un número igual de miembros del grupo en cada estrato.

Otro método actual para obtener una muestra aleatoria o representativa se llama muestreo sistemático. Con este método, para comenzar, los miembros, o los elementos, de un estudio se eligen al azar. Luego, la selección se realiza a intervalos fijos y periódicos.