層別無作為抽出の仕組み

層別無作為抽出とは、母集団をより小さなグループに分割することを含むサンプリング方法です。 グループまたは階層は、グループ内のメンバーの共通の特性または属性に基づいて編成されます。 集団をグループに分類するプロセスは層別化と呼ばれます。

層別ランダムサンプリングは、クォータランダムサンプリングおよび比例無作為抽出としても知られています。, 層別ランダムサンプリングには、人口統計学や平均余命の研究など、多くのアプリケーションと利点があります。

層別ランダムサンプリングについて

層別ランダムサンプリングは、母集団をサブグループに分割します。 無作為試料は、それぞれのグループまたは地層から母集団に対して同じ割合で採取される。 形成された各地層（地層に対して単数形）のメンバーは、同様の属性および特性を有する。

層別ランダムサンプリングは、研究者が研究のためのサンプルサイズとして小さなグループを選択するときにサンプリングの方法です。 この部分集合は、より大きな人口を表す。, 同様の特性を持つグループに集団を組織することは、研究されている集団が個々に分析するには大きすぎるときに、研究者が時間とお金を節約するの 層別ランダムサンプリングは、研究者がランダムサンプルは、その後、各階層またはグループから採取されることにより、同様の特性に基づいてグループを,

層別ランダムサンプリングは、例えば、選挙の投票、残業時間、平均余命、さまざまな人口の収入、および全国のさまざまな仕事の収入を調べるために使用することができます。

層別と簡易無作為抽出

単純無作為抽出とは、集団に存在する個体のサンプルであり、個体は集団から無作為に選択され、サンプルに配置されます。, 個体をランダムに選択するこの方法は、母集団の偏りのない表現である標本サイズを選択しようとします。 しかしながら、単純な無作為標本は、母集団の標本が大きく変化する場合には有利ではない。

逆に、層別ランダムサンプリングは、母集団をサブグループに分解し、同様の特性、特性、および行動によってそれらを整理します。 その結果、層別無作為抽出は、母集団が大きく変化する場合には、研究のためのサンプルをよりよく整理するのに役立つため、より有利である。,

しかし、母集団の中にあまりにも多くの違いがあるため、母集団をサブグループに編成できない場合は、単純なランダムサンプルがより有利です。 また、単純なランダムサンプルは、母集団に関する情報がほとんどない場合に最適であり、母集団が特性または形質に基づいてサブセットに分割されるのを防ぎます。

層別ランダムサンプリングの例

研究チームは、米国の21万人の大学生の成績平均またはGPAsを分析するための研究を行うことにしました, 研究者は4,000万人の人口内の21大学生のランダムサンプルを得ることにしました。 チームは、学生またはサンプル参加者のための様々な専攻とその後のGpaを確認したいと考えています。

4,000人の参加者のうち、専攻の内訳は次のとおりです。

• 英語：560
• 科学：1,135
• コンピュータサイエンス：800
• 工学：1,090
• 数学：415

研究者は、階層化されたランダム見本抽出プロセス。, 次に、研究者は人口のデータを研究して、サンプルから科目を専攻する21万人の学生の割合を決定します。 調査結果は、次のことを示しています：

• 英語の12％専攻
• 28％科学の専攻
• 24％コンピュータサイエンスの専攻
• 21％工学専攻
• 15％数学の専攻

チームは、サンプル内の学生の専攻が同じ割合を表すかどうかを決定する比例成層化されたランダムサンプルを採用することを決定しました。人口として。,

ただし、サンプル内の比率は母集団の割合と等しくありません。 たとえば、学生人口の12％が英語専攻であり、サンプルの学生の14％が英語専攻（または560英語専攻/4,000）です。

その結果、研究者は人口の専攻の割合と一致するように学生を再サンプリングすることにしました。, 彼らのサンプル内の4,000人の学生のうち、彼らはランダムに次のものを選択することにしました：

研究者は現在、大学生とそれぞれの専攻の比例成層ランダムサンプルを持っており、これは全体的な学生集団の専攻をより正確に反映しています。 そこから、研究者は各階層のGpaとその特性を分析して、全体的な学生集団がどのように機能しているかをよりよく理解することができます。,