Verschil tussen Stratified en Cluster Sampling

In ons eerdere artikel hebben we probabiliteits- en niet-waarschijnlijkheidsbemonstering besproken, waarbij we soorten probabiliteitssampling tegenkwamen, dat wil zeggen Stratified Sampling en Cluster Sampling. Bij gestratificeerde steekproeftechnieken wordt het monster gemaakt uit de willekeurige selectie van elementen uit alle strata, terwijl in de clusterbemonstering alle eenheden van de willekeurig geselecteerde clusters een steekproef vormen.

Bij gestratificeerde steekproeven wordt een tweestapsproces gevolgd om de populatie in subgroepen of strata te verdelen. In tegenstelling hiermee wordt in clusterbemonstering aanvankelijk een partitie van studieobjecten gemaakt in wederzijds exclusieve en collectief uitputtende subgroepen, een cluster genoemd. daarna wordt een willekeurig monster van het cluster gekozen, gebaseerd op eenvoudige willekeurige bemonstering.

In dit artikel kunt u alle verschillen tussen gestratificeerde en clusterbemonstering vinden, dus lees deze.

Inhoud: Stratified Sampling versus Cluster Sampling

Vergelijkingstabel

Basis voor vergelijking	Gestratificeerde steekproef	Cluster Sampling
Betekenis	Gestratificeerde bemonstering is er een, waarbij de populatie wordt verdeeld in homogene segmenten en vervolgens wordt het monster willekeurig uit de segmenten genomen.	Clusterbemonstering verwijst naar een steekproefmethode waarbij de leden van de populatie willekeurig worden geselecteerd, van natuurlijk voorkomende groepen die 'cluster' worden genoemd.
Monster	Willekeurig geselecteerde personen worden uit alle lagen gehaald.	Alle individuen zijn afkomstig uit willekeurig geselecteerde clusters.
Selectie van populatie-elementen	individueel	gezamenlijk
homogeniteit	Binnen de groep	Tussen groepen
heterogeniteit	Tussen groepen	Binnen de groep
splitsing	Opgelegd door de onderzoeker	Natuurlijk voorkomende groepen
Doelstelling	Om precisie en representatie te vergroten.	Om kosten te verlagen en de efficiëntie te verbeteren.

Definitie van Stratified Sampling

Gestratificeerde bemonstering is een soort probabiliteitssteekproef, waarbij eerst de populatie wordt gesplitst in verschillende elkaar uitsluitende, homogene subgroepen (strata), waarna een onderwerp willekeurig uit elke groep (stratum) wordt geselecteerd, die vervolgens worden gecombineerd om een enkel monster. Een stratum is niets anders dan een homogene deelverzameling van de populatie, en wanneer het hele stratum samen wordt genomen, is het bekend als strata.

De gemeenschappelijke factoren waarin de bevolking is gescheiden zijn leeftijd, geslacht, inkomen, ras, religie, enz. Een belangrijk punt om te onthouden is dat strata collectief uitputtend moeten zijn, zodat niemand wordt weggelaten en ook niet-overlappend omdat overlappende stratum mogelijk is. resulteren in de toename van de selectiekansen van sommige populatie-elementen. De subtypes van gestratificeerde steekproeven zijn:

Proportionele Stratified Sampling
Onevenredige Stratified Sampling

Definitie van Cluster Sampling

Clusterbemonstering wordt gedefinieerd als een steekproeftechniek waarbij de populatie wordt verdeeld in reeds bestaande groeperingen (clusters) en vervolgens een steekproef van het cluster willekeurig uit de populatie wordt geselecteerd. De term cluster verwijst naar een natuurlijke, maar heterogene, intacte groepering van de leden van de populatie.

De meest voorkomende variabelen die worden gebruikt in de clusterende populatie zijn het geografische gebied, gebouwen, school, enz. Heterogeniteit van het cluster is een belangrijk kenmerk van een ideaal ontwerp voor een clustermonster. De soorten clusterbemonstering worden hieronder gegeven:

Monstername clusterbemonstering
Tweetraps-clusterbemonstering
Meertrapsclusterbemonstering

Belangrijkste verschillen tussen Stratified en Cluster Sampling

De verschillen tussen gestratificeerde en clustersteekproeven kunnen duidelijk worden getrokken om de volgende redenen:

Een probabiliteitssteekprocedure waarbij de populatie wordt gescheiden in verschillende homogene segmenten die 'strata' worden genoemd, en vervolgens wordt het monster willekeurig uit elk stratum gekozen, wordt 'Stratified Sampling' genoemd. Clusterbemonstering is een samplingtechniek waarbij de eenheden van de populatie willekeurig worden geselecteerd uit reeds bestaande groepen die 'cluster' worden genoemd.
Bij gestratificeerde bemonstering worden de individuen willekeurig uit alle lagen geselecteerd om het monster te vormen. Aan de andere kant clusterbemonstering, het monster wordt gevormd wanneer alle individuen worden genomen uit willekeurig geselecteerde clusters.
In clusterbemonstering worden populatie-elementen in aggregaten geselecteerd, maar in het geval van gestratificeerde steekproef worden de populatie-elementen afzonderlijk uit elk stratum geselecteerd.
Bij gestratificeerde steekproeven is er homogeniteit binnen de groep, terwijl bij clusterbemonstering de homogeniteit tussen groepen wordt gevonden.
Heterogeniteit treedt op tussen groepen in gestratificeerde steekproeven. Integendeel, de leden van de groep zijn heterogeen in clusterbemonstering.
Wanneer de door de onderzoeker gekozen steekproefmethode gestratificeerd is, worden de categorieën door hem opgelegd. De categorieën zijn daarentegen al bestaande groepen in clusterbemonstering.
Gestratificeerde bemonstering is gericht op het verbeteren van precisie en representatie. In tegenstelling tot clustersteekproeven waarvan de doelstelling is om de kosteneffectiviteit en operationele efficiëntie te verbeteren.

Conclusie

Om de discussie te beëindigen, kunnen we zeggen dat een voorkeurssituatie voor gestratificeerde steekproeven de situatie is waarin de identiciteit binnen een individuele laag en de lagen van elkaar verschillen. Aan de andere kant is de standaardsituatie voor clusterstalen wanneer de diversiteit binnen clusters en het cluster niet van elkaar mogen verschillen.

Verder kunnen steekproeffouten in gestratificeerde bemonsteringen worden verminderd als de verschillen tussen groepen tussen de strata worden verhoogd, terwijl de verschillen tussen de clusters tussen groepen moeten worden geminimaliseerd om bemonsteringsfouten in clusterbemonstering te verminderen.

Algemeen