Unterschied zwischen Stratified- und Cluster-Sampling

In unserem vorherigen Artikel haben wir die Wahrscheinlichkeits- und Nicht-Wahrscheinlichkeits-Stichprobenerhebung besprochen, bei denen wir auf Arten von Wahrscheinlichkeits-Stichproben stießen, d. H. Auf geschichtete Stichproben und Cluster-Stichproben. Bei der Stratified-Sampling-Technik wird die Stichprobe aus der zufälligen Auswahl von Elementen aus allen Schichten erstellt, während bei der Cluster-Abtastung alle Einheiten der zufällig ausgewählten Cluster eine Stichprobe bilden.

Bei der geschichteten Probenahme wird ein zweistufiger Prozess durchgeführt, um die Population in Untergruppen oder Schichten aufzuteilen. Im Gegensatz dazu wird beim Cluster-Sampling zunächst eine Unterteilung von Untersuchungsobjekten in sich gegenseitig ausschließende und gemeinsam erschöpfende Untergruppen, so genannte Cluster, gebildet. Danach wird eine Zufallsstichprobe des Clusters basierend auf einer einfachen Stichprobenauswahl ausgewählt.

In diesem Artikelauszug können Sie alle Unterschiede zwischen der geschichteten Stichprobe und der Cluster-Stichprobe ermitteln. Lesen Sie also.

Inhalt: Stratified Sampling vs. Cluster Sampling

Vergleichstabelle

Vergleichsgrundlage	Geschichtete Stichprobe	Cluster-Sampling
Bedeutung	Bei der geschichteten Stichprobe handelt es sich um eine, bei der die Grundgesamtheit in homogene Segmente unterteilt wird und dann die Stichprobe zufällig aus den Segmenten entnommen wird.	Cluster-Sampling bezieht sich auf ein Sampling-Verfahren, bei dem die Mitglieder der Population nach dem Zufallsprinzip aus natürlich vorkommenden Gruppen, "Cluster" genannt, ausgewählt werden..
Probe	Zufällig ausgewählte Personen werden aus allen Schichten genommen.	Alle Individuen stammen aus zufällig ausgewählten Clustern.
Auswahl der Bevölkerungselemente	Individuell	Gemeinsam
Homogenität	Innerhalb der Gruppe	Zwischen Gruppen
Heterogenität	Zwischen Gruppen	Innerhalb der Gruppe
Gabelung	Vom Forscher auferlegt	Natürlich vorkommende Gruppen
Zielsetzung	Erhöhung der Präzision und Repräsentation.	Kosten senken und Effizienz steigern.

Definition der geschichteten Probenahme

Stratified Sampling ist eine Art von Wahrscheinlichkeits-Sampling, bei der zunächst die Population in verschiedene, sich gegenseitig ausschließende, homogene Untergruppen (Schichten) aufgeteilt wird. Danach wird aus jeder Gruppe (Schicht) ein Subjekt zufällig ausgewählt, das dann zur Bildung kombiniert wird eine einzelne probe. Eine Schicht ist nichts anderes als eine homogene Untergruppe der Bevölkerung, und wenn alle Schichten zusammengenommen werden, spricht man von Schichten.

Die häufigsten Faktoren, in denen die Bevölkerung getrennt ist, sind Alter, Geschlecht, Einkommen, Rasse, Religion usw. Ein wichtiger Punkt, den man beachten sollte, ist, dass die Schichten gemeinsam erschöpfend sein sollten, so dass kein Individuum ausgelassen wird und sich auch nicht überschneidet, da sich die Schicht überlappen kann führen zu einer Erhöhung der Auswahlchancen einiger Bevölkerungselemente. Die Untertypen der geschichteten Probenahme sind:

Anteilige geschichtete Probenahme
Überproportionale geschichtete Stichprobe

Definition von Cluster-Sampling

Cluster-Sampling ist ein Sampling-Verfahren, bei dem die Population in bereits vorhandene Gruppierungen (Cluster) unterteilt wird und dann eine Stichprobe des Clusters zufällig aus der Population ausgewählt wird. Der Begriff Cluster bezieht sich auf eine natürliche, aber heterogene, intakte Gruppierung der Bevölkerung.

Die am häufigsten verwendeten Variablen für die Clusterbevölkerung sind das geografische Gebiet, Gebäude, Schule usw. Die Heterogenität des Clusters ist ein wichtiges Merkmal eines idealen Clustersample-Designs. Die Arten der Cluster-Probenahme sind nachstehend aufgeführt:

Einstufige Cluster-Probenahme
Zweistufige Cluster-Probenahme
Mehrstufige Cluster-Probenahme

Hauptunterschiede zwischen Stratified- und Cluster-Sampling

Die Unterschiede zwischen der geschichteten Stichprobe und der Stichprobenentnahme können aus folgenden Gründen eindeutig gezogen werden:

Ein Wahrscheinlichkeits-Stichprobenverfahren, bei dem die Population in verschiedene homogene Segmente unterteilt wird, die als "Schichten" bezeichnet werden, und dann die Stichprobe aus jeder Schicht zufällig ausgewählt wird, wird Stratified Sampling genannt. Cluster-Sampling ist ein Sampling-Verfahren, bei dem die Einheiten der Population nach dem Zufallsprinzip aus bereits vorhandenen Gruppen namens "Cluster" ausgewählt werden.
Bei der geschichteten Probenahme werden die Individuen zufällig aus allen Schichten ausgewählt, um die Probe zu bilden. Auf der anderen Seite wird die Stichprobe gebildet, wenn alle Personen zufällig ausgewählten Clustern entnommen werden.
Bei der Cluster-Stichprobenauswahl werden Bevölkerungselemente in Aggregaten ausgewählt. Bei der stratifizierten Probenahme werden die Populationselemente jedoch einzeln aus jeder Schicht ausgewählt.
Bei der geschichteten Probenahme besteht innerhalb der Gruppe eine Homogenität, während bei der Cluster-Probenahme die Homogenität zwischen den Gruppen gefunden wird.
Die Heterogenität tritt bei der geschichteten Probenahme zwischen Gruppen auf. Im Gegensatz dazu sind die Mitglieder der Gruppe in der Cluster-Stichprobe heterogen.
Wenn die vom Forscher angewandte Stichprobenmethode stratifiziert wird, werden die Kategorien von ihm auferlegt. Im Gegensatz dazu sind die Kategorien bereits Gruppen in der Cluster-Stichprobe.
Stratifizierte Stichproben sollen die Genauigkeit und Darstellung verbessern. Im Gegensatz zur Cluster-Stichprobe, deren Ziel es ist, die Kosteneffizienz und die Betriebseffizienz zu verbessern.

Fazit

Um die Diskussion zu beenden, können wir sagen, dass eine bevorzugte Situation für die geschichtete Probenahme ist, wenn die Identität innerhalb einer einzelnen Schicht und die Schichten voneinander abweichen. Auf der anderen Seite besteht die Standardsituation für die Cluster-Stichprobe darin, dass die Diversität innerhalb der Cluster und des Clusters nicht voneinander abweichen sollte.

Außerdem können Stichprobenfehler bei der geschichteten Abtastung reduziert werden, wenn die Unterschiede zwischen den Gruppen zwischen den Schichten erhöht werden, während die Unterschiede zwischen den Gruppen zwischen den Clustern minimiert werden sollten, um die Abtastfehler bei der Cluster-Abtastung zu reduzieren.

Allgemeines