Al usar muestreo laminado, la población se divide en grupos homogéneos llamados estratos que son mutuamente excluyentes, luego seleccione muestras independientes de cada estrato. Cualquiera de los métodos de muestreo mencionados en esta sección se puede usar para seleccionar la muestra dentro de cada estrato. El método de muestreo puede ser diferente de un estrato a otro. Cualquier variable para la cual tengamos un valor para todas las unidades incluidas en la base de la encuesta (como edad, sexo, provincia de residencia, ingresos, etc.) puede usarse para implementar la estratificación.
¿Por qué crear estratos? Por muchas razones, la principal es que su uso puede hacer que la estrategia de muestreo sea más eficiente. Se mencionó en la sección anterior que para obtener una estimación de una cierta precisión, se necesita una muestra más grande para una característica que varía mucho de una unidad a otra en comparación con una característica para la cual la variabilidad es menor. Si cada persona incluida en una población tuviera el mismo salario, sería suficiente que una muestra de una sola unidad obtenga una estimación precisa del salario promedio de los miembros de esta población.
Este es el principio que sustenta la ganancia de eficiencia lograda gracias a la estratificación. Si crea estratos dentro de los cuales las unidades tendrían características similares y que eran considerablemente diferentes de las de las unidades incluidas en otros estratos, solo necesitaría una pequeña muestra extraída de cada estrato para obtener una estimación precisa del ingreso total para El estrato en cuestión. Luego puede combinar estas estimaciones para obtener una estimación precisa del ingreso total de toda la población. Si usara un EA de toda la población, necesitaría una muestra más grande que todas las muestras de todos los estratos para obtener una estimación del mismo grado de precisión para el ingreso total.
Otra ventaja es que el muestreo laminado garantiza un tamaño de muestra suficiente para los subgrupos de interés de la población. Dado que cada estrato se convierte en una población independiente, se determina un tamaño de muestra para cada uno de ellos.
¿Cómo se calcula la muestra según Sampieri?
Abordar un tamaño de muestra es un problema práctico que debe resolverse durante la etapa de planificación y diseño del estudio. El objetivo de cualquier investigación clínica es detectar la diferencia real entre dos grupos (potencia) y proporcionar una estimación de la diferencia con una precisión razonable (precisión). Por lo tanto, los investigadores deben hacer una estimación a priori del tamaño de la muestra muy adelante, antes de realizar el estudio. El cálculo de tamaño de muestra post hoc no se fomenta convencionalmente. El tamaño de muestra adecuado minimiza el error aleatorio o, en otras palabras, disminuye algo que sucede por casualidad. Una muestra demasiado pequeña puede no responder a la pregunta de investigación y puede ser de validez cuestionable o proporcionar una respuesta imprecisa, mientras que una muestra demasiado grande puede responder la pregunta, pero es intensiva en recursos y también puede ser poco ético. Se requiere más transparencia en el cálculo del tamaño de la muestra para que pueda justificarse y replicarse al informar.
Además de la justificación científica y la validez, el cálculo del tamaño de la muestra («lo suficientemente grande») ayuda a un investigador médico a evaluar el costo, el tiempo y la viabilidad de su proyecto. [1] Aunque con frecuencia se informa en las revistas de anestesia, los detalles o los elementos de cálculo del tamaño de la muestra no son proporcionados de manera consistente por los autores. Los cálculos de tamaño de la muestra informados no coinciden con la replicación del tamaño de la muestra en muchos estudios. [2] La mayoría de los ensayos con resultados negativos no tienen un tamaño de muestra lo suficientemente grande. Por lo tanto, los informes de poder estadístico y tamaño de muestra deben mejorarse. [3,4] Existe la creencia de que los estudios con un tamaño de muestra pequeño son poco éticos si no aseguran una potencia adecuada. Sin embargo, la verdad es que para que un estudio sea ético en su diseño, su valor predicho debe superar los riesgos proyectados para sus participantes. En los estudios, donde los riesgos y los inconvenientes asumidos por los participantes superan los beneficios recibidos como resultado de la participación, es la carga proyectada. Un estudio aún puede ser válido si el beneficio proyectado para la sociedad supera la carga para la sociedad. Si no hay carga, entonces cualquier tamaño de muestra puede ser ideal. [5] Existen muchos enfoques diferentes del diseño del tamaño de la muestra dependiendo del diseño del estudio y la pregunta de investigación. Además, cada diseño de estudio puede tener múltiples subdisintos que dan como resultado un cálculo de tamaño de muestra diferente. [6] Abordar un tamaño de muestra es un problema práctico que debe resolverse durante la etapa de planificación y diseño del estudio. Puede ser un tema importante en la aprobación o rechazo de los resultados de los ensayos clínicos, independientemente de la eficacia. [7]
Al final de este artículo, el lector podrá enumerar el requisito previo para la estimación del tamaño de la muestra, para describir los lapsos comunes del cálculo del tamaño de la muestra y la importancia de la estimación de tamaño de muestra a priori. Los lectores podrán definir las terminologías comunes relacionadas con el cálculo del tamaño de la muestra.
En la literatura publicada, los datos relevantes para calcular el tamaño de la muestra se pueden obtener de las estimaciones de prevalencia o las tasas de eventos, la desviación estándar (DE) del resultado continuo, el tamaño de la muestra de estudios similares con resultados similares. La idea de estimaciones aproximadas de «efecto» se puede obtener revisando el metanálisis y el efecto clínicamente significativo. Estudio piloto pequeño, experiencia personal, opinión de expertos, conjeturas educadas, registros hospitalarios, informes no publicados que apoyan al investigador cuando no tenemos información insuficiente en la literatura existente/disponible. Un estudio piloto no solo ayuda en la estimación del tamaño de la muestra, sino que también su propósito principal es verificar la viabilidad del estudio.
El estudio piloto es un ensayo a pequeña escala que se ejecuta como una prueba previa, y trata de la prueba importante propuesta. Permite las pruebas preliminar de las hipótesis y puede sugerir algún cambio, eliminando alguna parte o desarrollando nuevas hipótesis para que pueda probarse con mayor precisión. [8] Puede abordar muchos problemas logísticos, como verificar que las instrucciones son integrales, y los investigadores son adecuadamente calificados para el juicio. El estudio piloto casi siempre proporciona suficientes datos para que el investigador decida si continuar con el estudio principal o abandonar. Muchas ideas de investigación que parecen mostrar una gran promesa son improductivas cuando realmente se llevan a cabo. A partir de los hallazgos del estudio piloto, el investigador puede abandonar el estudio principal que involucra grandes recursos logísticos y, por lo tanto, puede ahorrar mucho tiempo y dinero. [8]
¿Qué dice Sampieri sobre la muestra?
De acuerdo con el compromiso y la atención que pusimos a los datos personales y de acuerdo con los artículos 13 y 14 de la UE GDPR, www.footgolftoscana. Proporciona información sobre los métodos, fines, el alcance de la comunicación y la difusión de datos personales y los derechos de los usuarios.
Los datos solicitados por el formulario se dividen entre obligatorios y opcionales; Los dos tipos se indicarán claramente en cada forma. En el caso de que el usuario prefiera no comunicar datos obligatorios, www.footgolftoscana.it se reserva el derecho de no proporcionar el servicio. En el caso de que el usuario prefiera no comunicar datos opcionales, el servicio será proporcionado por igual por www.footgolftoscana.it.
www.footgolftoscana.it utiliza herramientas de estadísticas para rastrear la navegación del usuario, el análisis se lleva a cabo a través del log. No usa cookies directamente, pero puede usar cookies al incluir servicios de terceros.
El usuario tiene derecho a obtener información sobre las medidas de seguridad adoptadas por el propietario para proteger los datos.
El acceso a los datos, además del propietario, tiene acceso a datos personales recopilados de www.footgolftoscana.it personal interno (como administradores, comerciales, marketing, administradores de sistemas) y/o temas externos (como proveedores de servicios de TI terceros , WebFarm, agencias de comunicación, proveedores de servicios complementarios). Si es necesario, estas estructuras son designadas por el controlador de datos.
¿Qué es el muestreo intencional según Sampieri?
En tecnología educativa (así como en la mayoría de las otras ciencias sociales), trabajamos con una variedad de datos cualitativos. Dado que la investigación cualitativa se centra con mayor frecuencia en datos «ricos», el muestreo es más difícil que en la investigación cuantitativa.
A menudo, solo trabajamos con 1 o 2 casos grandes (es decir, una o más clases escolares; una institución educativa) porque el análisis cualitativo requiere mucho trabajo. ¡Tienes que pensar cuidadosamente sobre la cuestión del muestreo para cada uno de los casos! Por ejemplo, cuando un investigador de innovación observa organizaciones, puede interactuar con diferentes personas y estudiar/observar diferentes procesos:
- informantes dentro de la organización
- Expertos externos (expertos/profesionales en el campo/sujeto)
- clientes y otras organizaciones de interacción
- Proceso observado (por ejemplo, «flujo de trabajo» o análisis de flujo de trabajo)
- Textos (por ejemplo, decisiones escritas, archivos,…)
Otro ejemplo sería un estudio que examina el impacto de una iniciativa en un espacio público (por ejemplo, salas de TI accesibles para el público). El investigador podría estar interesado:
- informantes dentro de la organización
- Expertos externos (expertos/profesionales en el campo/sujeto)
- clientes y otras organizaciones de interacción
- Proceso observado (por ejemplo, «flujo de trabajo» o análisis de flujo de trabajo)
- Textos (por ejemplo, decisiones escritas, archivos,…)
El muestreo a menudo se realiza en múltiples etapas (en ondas): el análisis de los datos recopilados durante una primera ola puede revelar nuevos fenómenos que requieren una investigación y, por lo tanto, un nuevo muestreo. Estos nuevos fenómenos pueden aparecer, por ejemplo, al aplicar el muestreo gracias al efecto de bola de nieve. Noy (2008), por ejemplo, muestra una nueva dinámica relacional en los subgrupos de los encuestados a través de este tipo de muestreo. Y para resumir: «El muestreo es crucial para el análisis de datos futuros. (…) Su elección: quién observa, quién cuestiona, cuándo, cuándo, cuándo, Sobre qué temas y por qué, limite todas las conclusiones a las que tendrá éxito y la confianza de que usted y el público podrán atribuirlos. (…)
Los investigadores cualitativos generalmente trabajan con pequeñas muestras de personas, ubicadas en contexto y estudiados en profundidad. (…) Las muestras cualitativas tienden a estar orientadas, en lugar de tomar al azar (…). Las muestras en análisis cualitativo generalmente no son completamente preespeciales, pero pueden evolucionar cuando ha comenzado el trabajo de investigación «. Miles y Huberman (2003, pp. 58-60) [1].
¿Qué es muestreo no probabilístico intencional según autores?
El muestreo es el uso de un subconjunto de la población para representar a toda la población o informar sobre los procesos (sociales) que son significativos más allá de los casos particulares, individuos o sitios estudiados. El muestreo de probabilidad, o muestreo aleatorio, es una técnica de muestreo en la que se puede calcular el archivo de probabilidad de obtener una muestra particular. El muestreo de la no probabilidad no satisface este criterio. Las técnicas de muestreo no probabilísticas no están destinadas a ser utilizadas para inferir de la muestra a la población general en términos estadísticos. En cambio, por ejemplo, se puede producir una teoría bien fundada a través de un muestreo iterativo de la no probabilidad hasta alcanzar la saturación teórica (Strauss y Corbin, 1990).
Por lo tanto, no se puede decir lo mismo sobre la base de una muestra de no probabilidad que sobre la base de una muestra de probabilidad. Las razones para deducir (por ejemplo, proponer una nueva teoría, proponer una política) de los estudios basados en muestras de no probabilidad se basan en la noción de «saturación teórica» y «generalización analítica» (Yin, 2014) en lugar de la estadística generalización.
Los investigadores que trabajan con la noción de muestreo intencional afirman que, si bien los métodos de probabilidad son adecuados para estudios a gran escala relacionados con la representatividad, los enfoques no probabilidad son más adecuados para una investigación cualitativa exhaustiva en la que la atención a menudo es comprender fenómenos sociales complejos ( Ejemplo 1996; Small 2009). Una de las ventajas del muestreo no probabilístico es su menor costo que el muestreo probabilístico. Además, el análisis en profundidad de una pequeña muestra de tamaño pequeño o un caso de estudio permite el «descubrimiento» y la identificación de modelos y mecanismos causales que no dibujan hipótesis sin contexto y tiempo.
¿Qué es un muestreo intencional?
También conocida como muestreo subjetivo, el muestreo intencional es una técnica de muestreo no probabilidad donde el investigador se basa en su discreción para elegir variables para la población de muestras. Aquí, todo el proceso de muestreo depende del juicio del investigador y el conocimiento del contexto.
Si se hace bien, el muestreo intencional ayuda al investigador a filtrar respuestas irrelevantes que no encajan en el contexto del estudio. Una vez que deletree los criterios para la investigación sistemática basada en objetivos y objetivos específicos, puede continuar para elegir unidades o variables que puedan proporcionar respuestas significativas.
- El muestreo intencional es un método de selección de muestra rentable. Aquí, el investigador depende de su conocimiento para elegir a los participantes de mejor ajuste para la investigación sistemática. También te ayuda a ahorrar tiempo.
- Le ayuda a aprovechar al máximo una pequeña población de interés y llegar a valiosos resultados de investigación.
- El muestreo intencional permite al investigador reunir respuestas cualitativas, lo que conduce a mejores ideas y resultados de investigación más precisos.
- Debido a que el investigador recopila información de los participantes de mejor ajuste, los resultados son relevantes para el contexto de investigación.
- El muestreo intencional no es un método efectivo para recopilar datos de una gran población.
- Está sujeto a investigadores y sesgos de muestreo.
Si su investigación requiere información específica de un subconjunto particular de su población de interés, entonces el muestreo intencional es el camino a seguir. Además, si se trata de una pequeña población de interés, el muestreo intencional puede ayudarlo a tener una muestra representativa para su investigación.
La adopción de muestreo intencional para sus datos es bastante sencilla. Primero, debe explicar las condiciones o criterios de calificación para su muestra de investigación. Una vez que tenga esto, puede continuar y rechazar cualquier variable que no satisfaga estas condiciones.
Si lo desea, puede adoptar una o más técnicas de muestreo intencional dependiendo de los objetivos y objetivos de su investigación.
Artículos Relacionados:
