نمونه برداری مجدد چیست؟ (با تعریف و انواع)

هنگام جمع‌آوری نمونه‌ها از گروه‌های بزرگی از افراد، اشیا یا داده‌ها، راه‌های مختلفی برای تأیید صحت وجود دارد. یکی از روش‌هایی که معمولاً مورد استفاده قرار می‌گیرد، نمونه‌گیری مجدد است، که در آن شما نمونه‌ها و مشاهدات بیشتری را برای شناسایی هرگونه سوگیری یا مشکل می‌گیرید. یادگیری در مورد این مفهوم می تواند به شما کمک کند تصمیم بگیرید که آیا انجام هر گونه روش نمونه گیری مجدد ممکن است برای آزمایش شما مناسب باشد یا خیر.

در این مقاله از ایوسی، ما در مورد چیستی نمونه‌گیری مجدد بحث می‌کنیم و جزئیات اساسی در مورد آن، مانند تفاوت آن با نمونه‌گیری و تکنیک‌های مختلف را به اشتراک می‌گذاریم.

نمونه گیری مجدد چیست؟

نمونه گیری مجدد مجموعه ای از تکنیک های مورد استفاده در آمار برای جمع آوری اطلاعات بیشتر در مورد یک نمونه است. این می تواند شامل گرفتن مجدد نمونه یا تخمین دقت آن باشد. با این تکنیک‌های اضافی، نمونه‌گیری مجدد اغلب دقت کلی را بهبود می‌بخشد و هرگونه عدم قطعیت را در یک جمعیت تخمین می‌زند.

نمونه گیری در مقابل نمونه گیری مجدد

نمونه گیری فرآیند انتخاب گروه های معینی در یک جامعه برای جمع آوری داده ها است. نمونه‌گیری مجدد اغلب شامل انجام روش‌های آزمایش مشابه با حجم نمونه در آن گروه است. این می تواند به معنای آزمایش همان نمونه یا انتخاب مجدد نمونه هایی باشد که می توانند اطلاعات بیشتری در مورد یک جامعه ارائه دهند. چندین تفاوت بین نمونه گیری و نمونه گیری مجدد وجود دارد، از جمله:

مواد و روش ها

نمونه برداری مجدد از روش هایی مانند تکنیک بوت استرپینگ و تست های جایگشت استفاده می کند. با نمونه گیری، چهار روش اصلی وجود دارد:

1. نمونه گیری تصادفی ساده: نمونه گیری تصادفی ساده زمانی است که هر فرد یا قطعه داده در یک جامعه یا یک گروه شانس مساوی برای انتخاب داشته باشد. ممکن است اعداد تصادفی تولید کنید یا فرآیند انتخاب تصادفی دیگری داشته باشید.

2. نمونه گیری سیستماتیک: نمونه گیری سیستماتیک اغلب هنوز تصادفی است، اما افراد ممکن است اعداد یا مقادیر را در ابتدا دریافت کنند. شخصی که آزمایش را برگزار می کند، ممکن است مانند هر نفر سوم، فواصل زمانی را برای تقسیم گروه انتخاب کند.

3. نمونه‌گیری طبقه‌ای: نمونه‌گیری طبقه‌ای زمانی است که جمعیت اصلی را بر اساس کیفیت‌های خاصی به چند زیر گروه تقسیم می‌کنید. این می‌تواند به معنای جمع‌آوری نمونه‌هایی از گروه‌هایی با سنین، فرهنگ‌ها یا سایر جمعیت‌شناسی باشد.

4. نمونه گیری خوشه ای: نمونه گیری خوشه ای مشابه نمونه گیری طبقه ای است، زیرا می توانید جمعیت ها را به زیر گروه های جداگانه تقسیم کنید. به جای گروه‌های هماهنگ با کیفیت‌های مشابه، این گروه‌ها را به‌طور تصادفی انتخاب می‌کنید که اغلب باعث تفاوت در نتایج می‌شود.

موارد مرتبط: انواع نمونه گیری: انتخاب بهترین انواع و مواردی که باید از آنها اجتناب شود

اهداف

هدف اولیه از نمونه‌گیری، جمع‌آوری اطلاعات درباره گروه بزرگ‌تری از افراد یا داده‌ها بدون پرس و جو از هر فرد است. نمونه برداری مجدد این را بیشتر می کند، زیرا امیدوار است هر گونه انحراف بزرگ از فرضیات را شناسایی کند. برای مثال، ممکن است از ۱۰۰ نفر ۳۰ نفر را نمونه برداری کنید تا ترجیحات صبحانه آنها را بدانید. در نمونه برداری، می توانید یاد بگیرید که چه درصدی ممکن است تخم مرغ، ماست یا بلغور جو را ترجیح دهند. با نمونه‌گیری مجدد، می‌توانید بخش‌هایی از همان گروه یا سایرین را از ۱۰۰ نفر بگیرید تا متوجه شوید که آیا درصدهای تعیین‌شده از نمونه‌گیری دقیق بوده‌اند یا خیر.

مطالب مرتبط: نمونه گیری احتمالی: تعریف و انواع

مفروضات

نمونه گیری به فرضیاتی بستگی دارد تا بفهمیم گروه های بزرگتر چه ویژگی هایی ممکن است داشته باشند. در نمونه گیری مجدد، مفروضات محدودی وجود دارد. اغلب الزامات اندازه کمتر و روش‌های متفاوتی برای آزمایش نمونه‌ها وجود دارد. این به شما کمک می کند تا روی داده ها در چندین تلاش نمونه برداری مجدد برای تأیید صحت و به حداقل رساندن سوگیری تمرکز کنید.

دلایل

مردم از جمعیت ها و افراد مورد آزمایش نمونه گیری می کنند، زیرا این می تواند جایگزین ارزان تری نسبت به مشاهده گروه های کامل باشد. به طور مشابه، جمع آوری داده ها از یک نمونه به جای تلاش برای مشاهده کل گروه در یک دوره زمانی، ممکن است آسان تر باشد. دلیل نمونه گیری مجدد تأیید یا تقویت داده های جمع آوری شده هنگام نمونه گیری است. اگرچه نمونه‌گیری مجدد می‌تواند هزینه بیشتری داشته باشد، زیرا ممکن است چندین مشاهدات جدید انجام دهید، می‌تواند به شما در ارائه نتایج دقیق‌تر کمک کند.

خطاها

نمونه گیری چندین خطای رایج دارد که ممکن است مشاهده کنید:

• سوگیری نمونه گیری: سوگیری نمونه گیری زمانی اتفاق می افتد که هنگام انتخاب مشاهدات مشکلی وجود داشته باشد. به عنوان مثال، ممکن است شخصی فقط افرادی را که می شناسد یا دارای ویژگی های خاصی هستند برای پاسخ به سؤالات انتخاب کند.

• خطای نمونه گیری: خطای نمونه گیری زمانی است که نمونه انتخاب شده برای نمایش کل نادرست باشد. این بدان معنی است که پارامترهای جمعیت کامل با نمونه های مشاهده شده متفاوت است.

از آنجایی که نمونه گیری مجدد به شناسایی خطاها یا انحرافات در نمونه ها کمک می کند، خطاهای رایجی وجود ندارد. اگر محاسبات، مانند میانگین در نتایج نمونه‌گیری مجدد، خطا داشته باشند، باز هم ممکن است این اتفاق بیفتد.

انواع نمونه گیری مجدد

چندین نوع نمونه گیری مجدد وجود دارد:

بوت استرپ

تکنیک بوت استرپ زمانی است که مشاهداتی را که با نمونه گیری مکرر انجام می دهید تکرار می کنید. به عنوان مثال، اگر از بین ۱۰۰ نفر ۱۰ نفر را برای مشاهده یک فرضیه انتخاب کرده اید، می توانید این کار را چندین بار انجام دهید و هر بار ۱۰ نفر جدید را انتخاب کنید. این به کاهش خطاهای آماری کمک می کند، زیرا می توانید اندازه گیری هایی مانند میانگین یا میانه بین این نمونه ها را جمع آوری کنید تا نتایج دقیق تری به دست آورید. این روش که اغلب روش پلاگین نامیده می شود، در زمینه هایی مانند فیزیک و الگوریتم های ژنتیک رایج است.

جک چاقو

Jackknifing یک تکنیک نمونه‌گیری مجدد است که به افراد کمک می‌کند واریانس یا سوگیری‌ها را در نمونه‌ها شناسایی کنند. شما از این برای حذف یک مشاهده از یک گروه برای ایجاد یک نمونه فرعی استفاده می کنید. در نمونه، ممکن است هر بار یک مشاهده را حذف کنید و نتایج را جمع آوری کنید تا متوجه شوید که آیا سوگیری وجود دارد یا خیر. به عنوان مثال، اگر ۱۰ مشاهده با شماره یک تا ۱۰ دارید، می توانید یکی را حذف کرده و نتایج را مشاهده کنید. سپس می‌توانید دو مورد را حذف کنید و تا ۱۰ ادامه دهید تا ببینید آیا در نمونه‌گیری مواردی وجود دارد یا خیر.

اعتبار سنجی متقابل

آمارشناسان اغلب از اعتبارسنجی متقابل برای مدل های آماری پیش بینی کننده استفاده می کنند. با استفاده از این تکنیک، می توانید چندین قطعه داده را در یک نمونه برداری به عنوان مجموعه اعتبارسنجی کنار بگذارید. بقیه مشاهدات هنوز در گروه مجموعه آموزشی است. آزمایش مجموعه آموزشی به افراد امکان می دهد مجموعه اعتبار سنجی را پیش بینی کنند. هر بار که اعتبارسنجی متقابل انجام می دهید، می توانید میانگین دقت پیش بینی ها را جمع آوری کنید تا دقت هر مدل پیش بینی را یاد بگیرید.

تست جایگشت

تست های جایگشت زمانی هستند که تست دقیق را چندین بار با فرضیه صفر انجام دهید. این به شما کمک می کند تا به طور خودکار یک نمونه برداری در یک جمعیت بسازید و مشاهدات مشابهی را انجام دهید. این روش آزمایشی می‌تواند مبادله‌پذیری مشاهدات مختلف یا امکان تبادل برچسب‌ها در یک مجموعه را مشخص کند.