調査母集団の調査を実施する際に、統計的サンプリング方法として体系的サンプリングを使用することには、明確な利点と欠点があります。
体系的なサンプリング：概要
体系的なサンプリングは、ランダムサンプリングよりも簡単で簡単です。 また、広い研究エリアをカバーするのに役立ちます。 一方、体系的なサンプリングでは、データに特定の任意のパラメーターが導入されます。 これにより、特定のパターンが過剰または過少に表示される可能性があります。
体系的なサンプリングは、そのシンプルさから研究者に人気があります。 研究者は一般に、ランダムな特性が「n番目」のデータサンプルごとに不均衡に存在しない限り（ほとんどありません）、結果はほとんどの正常な母集団の代表であると仮定します。
まず、研究者はシステムの基礎となる開始整数を選択します。 この数は、全体としての人口よりも小さくする必要があります（たとえば、100ヤードのフットボール競技場をサンプリングするために500ヤードごとに選ぶ必要はありません）。 数字が選択された後、研究者は母集団の間隔またはサンプル間のスペースを選択します。
重要なポイント
- この方法論のその他の利点には、クラスター化された選択の現象を排除し、データを汚染する可能性が低いことなどがあります。 。
体系的なサンプリングの例
体系的なサンプルでは、選択したデータが均等に分散されます。 たとえば、人口10, 000人の場合、統計学者は100人ごとにサンプリングを選択します。 12時間ごとに1つの新しいサンプルを選択するなど、サンプリング間隔も体系的です。
体系的なサンプリングの利点
体系的なサンプリングの利点は次のとおりです。
実行と理解が簡単
体系的なサンプルは、構築、実行、比較、理解が比較的簡単です。 これは、予算の制約が厳しい調査や調査では特に重要です。
プロセスの制御と感覚
体系的な方法は、研究者と統計学者にある程度の制御とプロセスの感覚を提供します。 これは、サンプリングが特定のパラメーターに適合するように合理的に構築されていると仮定して、厳密なパラメーターまたは狭く形成された仮説を持つ研究に特に有益です。
クラスター化された選択の排除
クラスター選択は、ランダムに選択されたサンプルが集団内でめったに接近しない現象であり、体系的なサンプリングでは排除されます。 ランダムサンプルは、サンプル数を増やすか、複数の調査を実行することによってのみ、これに対処できます。 これらは高価な代替品になる可能性があります。
低リスクファクター
おそらく、体系的なアプローチの最大の強みは、リスクファクターが低いことです。 システムの主な潜在的な欠点は、データを汚染する可能性が明らかに低いことです。
体系的なサンプリングの欠点
この研究方法には欠点もあります。
人口の規模を決定できると仮定する
体系的な方法では、母集団のサイズが利用可能であるか、合理的に近似できると想定しています。 たとえば、研究者が特定のエリアのラットのサイズを調査したいとします。 ラットの数がわからない場合、開始点または間隔サイズを体系的に選択することはできません。
自然なランダム度の必要性
母集団は、選択されたメトリックに沿って自然度のランダム性を示す必要があります。 人口が標準化されたパターンのタイプを持っている場合、非常に一般的なケースを誤って選択するリスクがより明白になります。
単純な仮説的な状況として、リスト上の偶数番号の犬はすべて（意図的または偶然に）小さく、すべての奇数犬は大きかったお気に入りの犬種のリストを検討します。 体系的なサンプラーが4匹目の犬から始めて6匹の間隔を選択した場合、調査は大型犬をスキップします。
データ操作の大きなリスク
システマティックサンプリングでは、データを操作するリスクが高くなります。これは、研究者がシステムを構築して、ランダムデータに代表的な回答を作成させるのではなく、目標を達成する可能性を高めることができるためです。 結果の統計は信頼できませんでした。
