Vantaggi e svantaggi di campioni di grandi dimensioni [Soluzione gratuita] (2023)

1. Nel nostro caso, dato che la dimensione della popolazione era di sessantanovemila, una dimensione del campione di quindicimila rappresentata da oltre il venti percento copre oltre un quinto della popolazione. Questo campione ha quindi una dimensione del campione maggiore del previsto. vale a dire 383 impiegati di banca dovevano costituire la dimensione del campione per questa dimensione della popolazione (69.000) con un livello di confidenza del 95% e un margine di errore del 5%. Grandi dimensioni del campione sono quindi associate a vantaggi e svantaggi.

Vantaggi della grande dimensione del campione

Grandi dimensioni del campione garantiscono l'affidabilità della media campionaria come stimatore del parametro della popolazione. Affinché un campione rifletta pienamente la media della popolazione corretta, è sempre contemplata una dimensione del campione più ampia. La quantità deve essere fissata. L'errore standard (Se) della media viene quindi utilizzato per quantificare il riflesso della media della popolazione. Questo errore standard è essenziale per tutte le medie campionarie calcolate. Questo è considerato un vantaggio delle grandi dimensioni del campione a causa della loro ampia copertura della popolazione.

Lavorare con campioni di grandi dimensioni è importante poiché aiuta a eliminare i valori anomali nel campione. Piccoli campioni sono percepiti inclini a valori anomali che possono rappresentare in modo errato i dati nel campione. Campioni più grandi catturano maggiori probabilità di valori anomali nel campione. Tuttavia, nella maggior parte dei casi, i valori anomali tendono a complicare l'analisi dei dati statistici, ma tenerne conto aiuta a fornire un quadro realistico e le caratteristiche della popolazione.

Un altro vantaggio delle grandi dimensioni del campione è che aiutano a ottenere una media precisa e di qualità. Questo perché la media avrà coperto molti elementi della popolazione. La determinazione della media è importante perché aiuta i ricercatori a eliminare i valori anomali dai loro dati. I valori anomali nel set di dati sono importanti da trattare perché differiscono totalmente dalla media e possono fornire un'immagine ingannevole del campione o della popolazione.

Svantaggi di una grande dimensione del campione

Poiché un campione di grandi dimensioni è adatto a causa della sua ampia e più ampia copertura della popolazione di studio, è allo stesso modo dispendioso in termini di tempo e costoso da lavorare. Ad esempio, campionare 15.000 lavoratori che lavorano nella banca belga richiederà molto tempo e anche la spesa che ne conseguirà sarà elevata. È necessario molto tempo poiché la dimensione del campione più grande è distribuita nel modo in cui la popolazione è distribuita e quindi la raccolta dei dati dall'intero campione richiederà molto tempo rispetto alle dimensioni del campione più piccole. A causa della sua copertura più ampia, anche la spesa che è coinvolta nel processo di raccolta dei dati è maggiore rispetto alla spesa che potrebbe essere sostenuta in un campione di piccole dimensioni.

La sovrarappresentazione dei dati della popolazione in una popolazione comporta un campione di grandi dimensioni. La raccolta di dati da questa dimensione del campione in modo ben distributivo richiederà un elevato coinvolgimento finanziario per il successo del processo come pianificato

Fattori da considerare quando si sceglie la dimensione del campione

La decisione su quale dimensione del campione utilizzare dipenderà dalla dimensione della popolazione, ovvero 69.000 impiegati di banca e dal costo che sarà coinvolto nella raccolta dei dati. Se il ricercatore desidera sostenere un basso costo nel processo, sarà preferibile una dimensione del campione più piccola. In tal caso, aiuterà anche a determinare quanto dovremmo essere precisi con i nostri dati. Il campionamento di un intero lotto di 15.000 impiegati bancari belgi comporterà costi elevati sostenuti nel processo di raccolta dei dati.

Le informazioni preliminari riguardanti l'oggetto dello studio aiuteranno a determinare la dimensione del campione da utilizzare nello studio. Queste informazioni preliminari possono essere prese in considerazione per decidere se ridurre o meno la dimensione del campione. Gli elementi chiave che saranno presi in considerazione dalle informazioni precedenti sono le stime della media e della varianza precedenti, secondo (Moher et al, 1994). La praticità è un altro fattore da considerare quando si sceglie la dimensione del campione. La dimensione del campione scelta per l'uso deve essere sensata e pratica nella situazione della vita reale.

Il margine di errore costituisce anche un altro fattore chiave perché sarà utilizzato per determinare quanto sia affidabile e perfetto un campione. Mostrerà la larghezza o l'intervallo in cui si troverà la media calcolata e aiuterà anche nella costruzione del livello dell'intervallo di confidenza.

2. Gli impiegati di banca che dovevano essere coinvolti nello studio hanno avuto pari possibilità di essere selezionati utilizzando metodi di campionamento probabilistico. Le possibilità saranno fatte in modo tale che siano maggiori di zero; questo aiuta a ridurre la parzialità umana che può sorgere attraverso i loro giudizi, rendendo così il processo libero ed equo per l'inclusione di tutte le banche e dei lavoratori bancari nel processo (Bacchetti, 2002). Il metodo di campionamento probabilistico utilizzato dagli istituti di ricerca era il metodo di campionamento stratificato. Gli enti di ricerca hanno individuato prima casualmente le banche che formavano gli strati poi nelle banche individuate; hanno selezionato a caso i lavoratori per equità nella loro selezione.

Vantaggi

Rispetto ad altri metodi di campionamento probabilistico come il campionamento casuale semplice, il metodo di campionamento stratificato offre una maggiore precisione a parità di dimensione del campione. La precisione è importante nel processo di stima del parametro della popolazione, verrà calcolata la statistica di ogni strato e la loro vicinanza rispetto all'altra. Il processo risulta essere conveniente in quanto comporta solo una selezione casuale di diversi istituti di panificazione e lavoratori sull'intera popolazione, il che lo rende mezzo completato a causa della sua precisione. È anche flessibile in quanto è possibile selezionare qualsiasi numero di partecipanti con facilità ed efficienza. Inoltre, questo processo tende ad essere più efficace in quanto si traduce in accuratezza nella selezione dei dati poiché comporta un minor grado di giudizio del ricercatore. Inoltre costituisce un modo più semplice di campionamento rispetto ad altri metodi di campionamento poiché non comporta processi lunghi e complicati. Inoltre, il metodo di campionamento probabilistico non richiede alcun tecnicismo, quindi chiunque può eseguirlo anche persone non tecniche. Poiché richiede solo l'assegnazione casuale di numeri sugli strati specificati.

Svantaggi

Questo metodo (metodo di campionamento probabilistico stratificato) di selezione dei risultati del campione alla selezione di una sola classe specifica di campioni. Questo metodo di campionamento richiede anche molto tempo in quanto il ricercatore è tenuto a seguire tutte le dovute procedure, come identificare prima gli strati e anche scendere negli strati per selezionare gli individui che ora parteciperanno al processo. Il risultato del processo alla monotonia in quanto il ricercatore o il geometra assegnerà ripetutamente numeri per ottenere le informazioni richieste attraverso questo metodo; questo può avere ulteriori effetti come la riduzione dell'efficienza del geometra.

3. Il metodo di campionamento scelto influenzerà i dati dei risultati da utilizzare nell'analisi. Ad esempio, se il metodo utilizzato per campionare le banche risultasse distorto, ciò influenzerà i risultati e le conclusioni che saranno tratte da questo studio campionario (Mann, 2003). Quindi, per sradicare tali carenze, il ricercatore dovrebbe assicurarsi di ridurre il più possibile la parzialità per risparmiare sui risultati e sulla loro affidabilità. Questo può essere fatto attraverso la randomizzazione. Ciò garantisce che tutti i possibili campioni abbiano pari possibilità di essere selezionati per il campione di studio. Questa finora è la tecnica efficace che può essere applicata dal ricercatore per garantire l'uguaglianza di tutti i possibili campioni quando si utilizza il campionamento casuale semplice.

Per ridurre e migliorare la tecnica di campionamento stratificato, i gruppi sono divisi in gruppi indicati come strati che devono mostrare una relazione significativa nello studio. In alcuni casi, le risposte degli strati possono essere diverse l'una dall'altra in un sondaggio. La stratificazione viene eseguita in risposta per aiutare a riflettere la popolazione e garantire che l'opinione di ogni strato sia rappresentata e riflessa nel campione. Nella maggior parte dei casi, la stratificazione viene effettuata per genere al fine di prendersi cura delle opinioni divergenti e di averle rappresentate tutte. Poiché ogni metodo di campionamento si occupa della precisione nell'analisi successiva, si suppone che vengano condotti metodi di test. Questo viene fatto con l'obiettivo di garantire che ogni metodo di campionamento scelto per l'uso soddisfi gli obiettivi della ricerca. Il livello di precisione e il costo associato saranno importanti da determinare per ciascun metodo potenziale. In questo caso, poiché verrà utilizzato l'errore standard, aiuterà a misurare il livello di precisione mentre minore è l'errore standard, maggiore è la precisione del nostro campione.

4. Più spesso, i questionari sono stati ampiamente utilizzati nella raccolta dei dati dagli intervistati. In quanto è stato il metodo preferito per la raccolta dei dati, è sempre associato ad alcuni problemi (svantaggi).

La disonestà è stata un grosso problema che ha scosso l'uso dei questionari nella raccolta dei dati. Ciò deriva dal fatto che gli intervistati nascondono la verità dal ricercatore quando rispondono alle domande. Nel nostro caso, poiché i questionari sono stati inviati agli intervistati, ciò può comportare una mancanza di chiarezza delle domande per una facile comprensione da parte degli intervistati (Zaza et al, 2000). La questione della disonestà può essere il risultato del nascondere ciò che considerano privato per paura della divulgazione e del pregiudizio della desiderabilità. Sebbene questo tipo di problema possa essere affrontato garantendo loro (gli intervistati) la loro privacy e anche che le loro identificazioni saranno nascoste.

Inoltre, la coscienziosità delle risposte fornite dagli intervistati può essere persa poiché alcuni degli intervistati non pensano attentamente quando rispondono alle domande. In alcuni casi, preselezionano le risposte prima di esaminare l'intera domanda per conoscere i requisiti della domanda. La validità dei dati è compromessa quando gli intervistati tentano di suddividere le domande e addirittura andare oltre per saltare alcune delle domande perdendo così potenziali risposte. Gli istituti di ricerca coinvolti in questo studio possono raccogliere i dati più accurati attraverso la strutturazione di domande semplici, facili da leggere e comprendere da parte degli intervistati.

Se le domande non vengono presentate all'intervistato faccia a faccia come in questo scenario, gli intervistati potrebbero avere difficoltà a comprendere le domande e interpretarle poiché il ricercatore non è presente per chiarire ciò di cui hanno bisogno le domande e offrire linee guida. Ciò comporterà una variazione nell'interpretazione delle domande con conseguenti risposte diverse, alcune delle quali potrebbero anche non essere significative e in qualche modo correlate con l'oggetto della discussione (Zaza et al, 2000). I risultati distorti di ciò possono essere combattuti strutturando bene le domande e rendendole facili da leggere, comprendere e interpretare.

I questionari dovrebbero essere sempre resi accessibili. La scelta dello strumento di raccolta dati da utilizzare dovrebbe essere effettuata considerando gli intervistati. Ad esempio, le persone con altre forme di disabilità fisica come disabilità visive o uditive non dovrebbero essere utilizzate con loro per raccogliere dati. Problemi di questo tipo vengono eliminati o affrontati operando una scelta appropriata dello strumento di raccolta dati da utilizzare.

A volte, alcuni intervistati hanno la loro agenda nascosta e questo può portarli a fornire informazioni distorte. L'interesse dei partecipanti può indirizzarli verso il prodotto oi servizi. I questionari che utilizzano solo domande a risposta aperta sono difficili da analizzare per gli intervistati. Le risposte ottenute attraverso questo tipo di domande sono opinioni individualizzate, quindi non possono essere quantificate dagli analisti poiché variano in tutti i singoli gruppi. Strutturare un questionario con molte domande a risposta aperta comporterà più dati da analizzare. Quindi può essere affrontato riducendo il numero di domande a risposta aperta e utilizzando invece le domande a risposta chiusa.

Alcune delle domande rimaste senza risposta sono altri problemi incontrati dai ricercatori quando utilizzano i questionari, specialmente quando le domande sono facoltative. Questo rischio può essere evitato effettuando i questionari online e compilando tutti i campi richiesti. Allo stesso modo, le domande devono essere precise e facili da rispondere.

5. Il set di dati che verrà utilizzato per verificare la rappresentatività del campione sarà ottenuto dalla Banca nazionale del Belgio in collaborazione con l'industria del lavoro in Belgio. Saranno utilizzati come punto di controllo per i dati raccolti per lo studio. Saranno anche utilizzati per ottenere dati definiti rilevanti da altre fonti come dallo studio precedente. Inoltre, i dati secondari forniscono informazioni descrittive che vengono utilizzate per supportare lo studio attualmente in corso, contribuendo così allo sviluppo dello studio con i fatti. Le variabili utilizzate nello studio sono nella maggior parte dei casi testate se esiste una relazione che esiste tra le variabili, contribuendo così alla costruzione del modello. I dati secondari sono utilizzati anche nel data mining in cui la tecnologia informatica viene utilizzata per studiare l'andamento della ricerca precedente visitando grandi volumi di dati. Tra gli altri usi dei dati secondari, sono anche utilizzati nell'identificazione di fonti rilevanti per eliminare il plagio.

Riferimenti

Moher, D., Dulberg, CS e Wells, GA (1994). Potere statistico, dimensione del campione e loro segnalazione in studi controllati randomizzati. Jama, 272 (2), 122-124.

Bacchetti, P. (2002). Revisione paritaria delle statistiche nella ricerca medica: l'altro problema.British Medical Journal,324(7348), 1271.

Mann, CJ (2003). Metodi di ricerca osservazionale. Disegno di ricerca II: studi di coorte, trasversali e caso-controllo. Rivista di medicina d'urgenza, 20(1), 54-60.

Zaza, S., Wright-De Agüero, LK, Briss, PA, Truman, BI, Hopkins, DP, Hennessy, MH, ... & Pappaioanou, M. (2000). Strumento di raccolta dati e procedura per le revisioni sistematiche nella Guide to Community Preventive Services.American Journal of Preventive Medicine,18(1), 44-74.