Stronniczość samodzielnego wyboru: co to jest, metody i przykłady

Przez większość czasu naukowcy mają problemy z uzyskaniem wyników, które nie pasują do tego, co dzieje się w populacji docelowej. Chociaż istnieje wiele przyczyn takiego stanu rzeczy, błąd samoselekcji jest jednym z najważniejszych.

Kiedy mówimy „ błąd selekcji ”, mamy na myśli, że eksperyment się nie powiódł, co spowodowało, że interesująca Cię populacja była błędnie lub niedostatecznie reprezentowana.

Ten błąd jest problemem podczas badania programów lub produktów. Samodzielny wybór utrudnia przeprowadzanie badań rynkowych i ocenianie programów.

Na tym blogu przyjrzymy się definicji błędu samoselekcji i metodom, które powinniśmy zastosować, aby zredukować błąd, a także podamy kilka przykładów tego błędu.

Co to jest błąd samoselekcji?

Błąd samoselekcji ma miejsce, gdy ludzie decydują się na samodzielne dołączenie do grupy. Powoduje to stronniczą próbkę, gdy używane jest próbkowanie bez prawdopodobieństwa. Jest często używany do opisywania sytuacji, w których cechy ludzi w grupie, które skłoniły ich do wyboru obecności, prowadzą do dziwnych lub złych rzeczy, które dzieją się w grupie.

Jest to podobne do błędu braku odpowiedzi , który polega na tym, że grupa osób, które odpowiedziały na ankietę, udzieliła innych odpowiedzi niż grupa, która nie odpowiedziała.

Teraz omówimy metody zmniejszenia tego nastawienia. Podamy też kilka przykładów. Aby dowiedzieć się więcej, zostań z nami do końca.

Metody redukcji błędu autoselekcji

Najbardziej oczywistym sposobem na wyeliminowanie błędu samoselekcji jest nie pozwalanie ludziom wybierać siebie do ankiety. Aby uzyskać próbkę, idealna jest technika próbkowania prawdopodobieństwa.

Metoda próbkowania prawdopodobieństwa

Próbkowanie prawdopodobieństwa to metoda wyboru populacji do systematycznego badania w oparciu o teorię prawdopodobieństwa. Tutaj badacz wybiera z całej populacji niewielką grupę osób, których cechy chce oszacować.

Próba prawdopodobieństwa opiera się na zasadzie randomizacji, co oznacza, że ​​wszyscy członkowie populacji badawczej mają równe szanse na znalezienie się w populacji próby.

Na przykład, jeśli liczebność populacji wynosi 500, każda osoba w populacji ma szansę 1 na 500 na znalezienie się w próbie badawczej.

Podstawową ideą tej metody jest to, że jeśli możesz wybrać losową próbkę reprezentatywną dla całości, twoje szacunki będą dokładne. Gdy populacja próbki jest wystarczająco duża, można użyć technik statystycznych, aby wywnioskować całą populację na podstawie próbki.

Oto kilka przykładów metod próbkowania prawdopodobieństwa:

• Prosta próba losowa: American Community Survey zbiera informacje o życiu w Stanach Zjednoczonych poprzez losowe wybieranie osób.

Amerykańskie Biuro Spisu Ludności prosi losową próbę osób w tym kraju o szczegółowe informacje. Następnie wykorzystują te informacje do podsumowania całej populacji.

• Próbkowanie systematyczne: Próbkowanie systematyczne to rodzaj próbkowania prawdopodobieństwa, w którym badacz wykorzystuje losowy punkt początkowy i ustalone przedziały, aby znaleźć członków populacji badawczej. Oto, co się teraz dzieje. Przykład systematycznego pobierania próbek

Załóżmy, że liczba osób, którymi jesteś zainteresowany, to 800. Możesz losowo wybrać szóstą osobę jako punkt wyjścia i wybrać losowy interwał próbkowania wynoszący 10 osób. Oznacza to, że populacja badawcza będzie się składać z co dziesiątego elementu z rzędu.

• Próbkowanie warstwowe: Idea stratyfikacji jest tym, co sprawia, że ​​próbkowanie warstwowe działa. Kiedy badana populacja jest podzielona na podgrupy (zwane „warstwami”) w oparciu o płeć, wiek, poziom dochodów i inne podobne czynniki, nazywa się to „stratyfikacją”. Każda warstwa ma wagę zależną od jej wielkości. Następnie pobierana jest próbka, przydzielając każdej warstwie losowe miejsce rozpoczęcia.
• Próbkowanie skupień: Próbkowanie skupień to sposób na wybór próbek badawczych z dużej populacji w oparciu o przypadek. W tym przypadku badacz dzieli populację na istniejące grupy, takie jak dzielnice i miasta. Nazywa się to również próbkowaniem wieloetapowym. Znane jest również jako próbkowanie wieloetapowe.

Aby zgrupować próbkę badawczą, badacz dzieli ją na naturalnie występujące podgrupy o różnych cechach. Następnie wybierają losowo klastry do wykorzystania jako próbki i uzyskują potrzebne informacje.

Przykłady stronniczości samoselekcji

Poniższe przykłady pokazują kilka sytuacji, w których prawdopodobne jest wystąpienie błędu samoselekcji:

Przykład 1

Nauczyciel chce wiedzieć, czy nowy kurs dotyczący dobrych wyników w testach pomaga uczniom radzić sobie lepiej. Wykłada formularz zgłoszeniowy przed klasą i pozwala uczniom samodzielnie zdecydować, czy chcą wziąć udział w zajęciach.

Błąd samoselekcji jest prawdopodobny, ponieważ uczniowie, którzy poważniej traktują szkołę, są bardziej skłonni do zapisu. Oznacza to, że próba studentów, którzy uczęszczają na kurs, prawdopodobnie nie wygląda jak cała grupa, która mogłaby go wziąć.

Przykład 2

Wyobraź sobie, że władze lokalne wysyłają ankietę z pytaniem, czy znaki drogowe powinny być również pisane w językach innych niż angielski, aby ułatwić poruszanie się osobom, które nie mówią po angielsku.

Tendencja do samoselekcji jest prawdopodobna, ponieważ tylko mieszkańcy, którzy potrafią czytać po angielsku, wezmą udział w ankiecie. Oznacza to, że opinie osób, które wzięły udział w ankiecie, prawdopodobnie nie są takie same, jak opinii wszystkich mieszkańców miasta.

Przykład 3

Jeśli biolog chce dowiedzieć się, jak wysoki jest przeciętny gatunek jelenia, może umieścić pożywienie dla jeleni na otwartej łące i zrobić zdjęcia jeleniom, które przyjdą go zjeść.

W tym przypadku prawdopodobnie wystąpi błąd samoselekcji, ponieważ tylko jelenie, które lubią ten rodzaj pokarmu dla jeleni lub czują się bardziej komfortowo przebywając na otwartej przestrzeni, prawdopodobnie wejdą na łąkę i zostaną uwzględnione w danych próbki.

Tak więc jest mało prawdopodobne, aby średnia wysokość jelenia w tej próbce była taka sama jak średnia wysokość wszystkich jeleni.

Wniosek

Dowiedzieliśmy się o błędach samoselekcji i metodach zmniejszania tego nastawienia. Podaliśmy też kilka przykładów. Błąd samoselekcji jest dużym problemem w badaniach. Tworzy próbkę stronniczą, gdy stosuje się próbkowanie bez prawdopodobieństwa. Omówiliśmy metodę próbkowania prawdopodobieństwa, która może pomóc uniknąć tego błędu w Twojej firmie.

QuestionPro to znacznie więcej niż tylko oprogramowanie ankietowe; oferujemy rozwiązanie dla każdego problemu i biznesu. Posiadamy również platformy do zarządzania danymi, takie jak nasza biblioteka badawcza InsightsHub.

Organizacje na całym świecie korzystają z systemów i rozwiązań do zarządzania wiedzą, takich jak InsightsHub, aby lepiej zarządzać danymi, oszczędzać czas na zdobywanie informacji i zwiększać wykorzystanie danych historycznych przy jednoczesnym obniżeniu kosztów i zwiększeniu zwrotu z inwestycji.

UCZ SIĘ WIĘCEJ