Skip to content
- Sampling (取樣)：一個從母體選取單位的過程，而且是我們有興趣了解的單位，讓我們可以藉由對這些樣本的研究，反推整個母體的模樣。
- Accessible population：因為預算等研究限制的關係，可以接觸到的母體群
- Theoretical population：我們想要歸納的群體
- 要從母體中取一大區塊的群體並假設該群體具有代表性，是幾乎不可能的事情
- 從食物分析來看，我們會切分兩個關鍵在意的部分
- 屬性 (Attribute) : 是否為必然的特性？
- 變數 (Variable) : 可測量
- 分析要用有一致性(Homogeneous)的資料，如果是不一致(Heterogeneous)的資料，我們會先將其分群成各個一致性資料。
- Heterogeneous Sampling
- 連續性的：譬如「取樣裝置」
- 手動 (試圖取得公正的樣本)：非機率分布的取樣，如「判斷」、「舒適性」、「配額」; 機率分布取樣，如「隨機」、「系統化」、「分群」
- 取樣大小會依據不同的統計學基礎有不同的大小。
- 取樣時會遇到以下問題
- 樣本難以儲存，譬如「熱」、「光」等
- 樣本無法被標記
- 分析樣本前
- 減少樣本大小，去除不適合我們研究的樣本
- 以食物分析來說，可以分析酵素活性、微生物生長率
- 減少樣本大小的兩個過程
- 內部驗證：先稍微看看樣本整體狀況，去除不適合的樣本。譬如「是否有一致性？」
- 外部驗證：可歸納的證據，譬如樣本取得是否公正 ; 檢驗是否有相近的模型
- 取樣方法：
- 隨機選取：從母體隨機選一組人，會發生在「隨機指定」之前
- 隨機指定：隨機選到的這組人，有相等的機會被分到任一個群組內。此項較偏向實驗設計，作為區分實驗組與對照組的方法。
- 統計上的取樣項目
- Response：被取樣單位提供的特定測量值
- Statistic：Mean、Median，Mode
- Parameter：從整個母體看到的衡量值，而不是從樣本內去看
- Mean：平均值
- Variance：變異數
- Standard Deviation：標準差
- 有母數的統計分析，要先檢查茲料是不是常態分佈。統計方法可能會限制在常態分佈下才適用
- 取樣設計
- Stratified Random Sampling
- 先將母體切分成幾個相近的群體，然後用Simple Random Sampling。
- 當strata的大小大致相同時可使用。
- 優點
- 確保每個strata都是一樣的長相
- 有較小的測量誤差
- 因為切分成好幾個小群體，量測工作變得較容易被管理且便宜。
- 缺點
- 需要了解母體的狀況
- 無法被用在當母體很難被切成disjoint子群體時
- Proportional Stratified Sampling
- 當strata群體大小不一致時可使用
- 例如：在北美的男性電腦科學博士生與女性電腦科學博士生之間的差異
- 優點
- 缺點
- Cluster Sampling
- 當母體很分散時可使用 (Heterogeneous)
- 將母體切割成許多小單元
- 然後從一些叢集裡隨機選出樣本
- 優點
- 可以比其它方法便宜
- 在大型母體的狀況下，此方法較有可行性
- 降低變異性
- 缺點
- 較高的取樣誤差
- 取樣的群體有偏見時，會導致推論整個母體都是一樣的意見，但這並不是真實的狀況
- Systematic Sampling
- 用一組預定好的順序來取樣
- 譬如：第一個取樣用隨機選取，然後開始每格3個單元再取一個作為樣本
- 母體必須是Homogeneous，因為該取樣方式是基於常態分佈的母體
- Non-probability Sampling
- Convenience Sampling (任意抽樣)：隨機選擇樣本
- 最便宜省時
- 母體內的單位差異大時，誤差也大
- 可分成「街頭攔人法」和「空間抽樣法」
- Quota Sampling (配額抽樣)：將總體分類或分層後，並對各類(層)進行配額，然後在各群體配額內做任意抽樣
- 分兩類
- 獨立控制配額抽樣：只對樣本獨立規定一種特徵下的樣本配額。如在消費者需求調查中，我們按年齡特征，分別規定不同年齡段的樣本數目。
- 相互控制配額抽樣：在獨立分配樣本數額基礎上，再採用交叉控制安排樣本的具體數額的抽樣方式。
- 適用在對總體的有關特徵具有一定的瞭解而且樣本數較多的情況
- 優點
- 缺點
- Purposive Sampling：由研究者透過一些問題、談話來判斷選取樣本
- 優點
- 缺點
- 研究者的判斷誤差
- 低信賴度與高偏見
- 難以歸納研究發現
- 因為上述缺點所以在商業案例討論上較不流行使用
- 參考資料
發佈留言
很抱歉，必須登入網站才能發佈留言。