Стратифицированная выборка как составить

Рассмотрим ситуацию, когда исследовательская группа ищет мнения о религии среди различных возрастных групп. Вместо того чтобы собирать отзывы 326 044 985 граждан США, для исследования можно выбрать случайную выборку примерно из 10000 человек. Эти 10000 граждан можно разделить на группы в соответствии с возрастом, т.е. группы 18-29, 30-39, 40-49, 50-59, 60 и старше. Каждая страта будет иметь отдельных членов и количество членов. Возраст, социально-экономическое деление, национальность, религия, уровень образования и другие подобные классификации подпадают под стратифицированную случайную выборку.

Что такое стратифицированная случайная выборка?

Стратифицированная случайная выборка – это тип вероятностной выборки, с помощью которой исследовательская организация может разделить всю совокупность на несколько непересекающихся, однородных групп (страт) и случайным образом выбрать конечных членов из различных страт для исследования, что снижает затраты и повышает эффективность. Члены каждой из этих групп должны быть разными, чтобы каждый член всех групп получил равную возможность быть отобранным с помощью простой вероятности. Этот метод выборки также называется “случайной квотной выборкой”.

Выбор респондентов

8 шагов для выбора стратифицированной случайной выборки:

1. Определите целевую аудиторию.
2. Определите стратификационную переменную или переменные и определите количество страт, которые будут использоваться. Эти стратификационные переменные должны соответствовать цели исследования. Каждая дополнительная информация определяет переменные стратификации. Например, если цель исследования – понять все подгруппы, то переменные будут связаны с подгруппами, и вся информация, касающаяся этих подгрупп, будет влиять на переменные. В идеале в выборке должно использоваться не более 4-6 переменных стратификации и не более 6 страт, поскольку увеличение числа переменных стратификации увеличивает вероятность того, что одни переменные нивелируют влияние других переменных.
3. Используйте уже существующую выборочную совокупность или создайте совокупность, включающую всю информацию о переменной стратификации для всех элементов целевой аудитории.
4. Внести изменения после оценки выборочной совокупности на основе недостаточного охвата, избыточного охвата или группировки.
6. С учетом всего населения каждая страта должна быть уникальной и охватывать всех и каждого члена населения. Внутри страты различия должны быть минимальными, в то время как каждая страта должна сильно отличаться друг от друга. Каждый элемент популяции должен принадлежать только к одной страте.
7. Присвойте случайный уникальный номер каждому элементу.
8. Определите размер каждой страты в соответствии с вашими требованиями. Численное распределение между всеми элементами во всех стратах определит тип выборки. Это может быть пропорциональная или непропорциональная стратифицированная выборка.
9. Исследователь может выбрать случайные элементы из каждой страты для формирования выборки. Из каждой страты должен быть выбран минимум один элемент, чтобы обеспечить представительство каждой страты, но если из каждой страты выбраны два элемента, то можно легко рассчитать пределы погрешности при подсчете собранных данных.

Узнайте больше: Простая случайная выборка

Типы стратифицированной случайной выборки:

• Пропорциональная стратифицированная случайная выборка:

При таком подходе размер выборки каждой страты прямо пропорционален размеру популяции всей совокупности страт. Это означает, что каждая стратовая выборка имеет одинаковую долю выборки.

Формула пропорциональной стратифицированной случайной выборки: nh = ( Nh / N ) * n

nh= Объем выборки для hth страты

Nh= Размер популяции для hth страты

N = Размер всей популяции

n = Размер всей выборки

Если у вас есть 4 страты с соответствующими размерами 500, 1000, 1500, 2000 и исследовательская организация выбирает ? в качестве выборочной доли. Исследователь должен отобрать 250, 500, 750, 1000 человек из соответствующей страты.

Независимо от размера выборки совокупности, доля выборки останется одинаковой для всех страт.

Узнайте больше: Систематическая выборка

• Непропорциональная стратифицированная случайная выборка:

Доля выборки является основным отличительным фактором между пропорциональной и непропорциональной стратифицированной случайной выборкой. При непропорциональной выборке каждая страта будет иметь свою фракцию выборки.

Успех этого метода выборки зависит от точности исследователя при распределении фракций. Если выделенные фракции не точны, результаты могут быть необъективными из-за перепредставленных или недопредставленных страт.

Узнайте больше: Кластерная выборка

Примеры стратифицированной случайной выборки:

Исследователи и статистики используют стратифицированную случайную выборку для анализа отношений между двумя или более стратами. Поскольку стратифицированная случайная выборка включает несколько слоев или страт, очень важно рассчитать страты до расчета значения выборки.

Узнайте больше: Количественные исследования рынка

Следующий пример классической стратифицированной случайной выборки:

Допустим, 100 (Nh) ученикам школы с 1000 (N) учениками были заданы вопросы об их любимом предмете. Факт, что ученики 8-го класса будут иметь другие предпочтения по предметам, чем ученики 9-го класса. Чтобы опрос дал точные результаты, идеальным способом будет разделение каждого класса на различные страты.

Здесь представлена таблица количества учеников в каждом классе:

Расчитайте выборку каждого класса, используя формулу стратифицированной случайной выборки:

Узнайте больше: Удобная выборка

Преимущества стратифицированной случайной выборки:

• Большая точность результатов по сравнению с другими вероятностными методами выборки, такими как кластерная выборка, простая случайная выборка, систематическая выборка или не вероятностные методы, такие как удобная выборка. Эта точность будет зависеть от разграничения различных страт, т.е, Результаты будут высокоточными, если все страты будут сильно различаться.
• Удобно обучать команду стратификации выборки из-за точности природы этого метода выборки.
• Вследствие статистической точности этого метода, меньшие размеры выборки также могут получить очень полезные результаты для исследователя.
• Этот метод выборки охватывает максимальное количество населения, поскольку исследователи полностью контролируют деление на страты.

Узнайте больше: Кластерная выборка против стратифицированной

Когда использовать стратифицированную случайную выборку?

• Стратифицированная случайная выборка является чрезвычайно продуктивным методом выборки в ситуациях, когда исследователь намерен сосредоточиться только на определенных стратах из имеющихся данных о населении. Таким образом, в выборке исследования можно найти желаемые характеристики страт.
• Исследователи полагаются на этот метод выборки в случаях, когда они намерены установить связь между двумя или более различными стратами. Если такое сравнение проводится с помощью простой случайной выборки, существует большая вероятность того, что целевые группы не будут представлены в равной степени.
• При использовании метода стратифицированной случайной выборки можно легко вовлечь в процесс исследования население, к которому трудно получить доступ или связаться с ним.
• Точность статистических результатов выше, чем при простой случайной выборке, поскольку элементы выборки выбираются из соответствующих страт. Диверсификация внутри страт будет намного меньше, чем диверсификация, существующая в целевой популяции. Благодаря точности, необходимый размер выборки будет гораздо меньше, что поможет исследователям сэкономить время и усилия.

Выбор респондентов

Читать подробнее:

• Последовательная выборка
• Квотная выборка
• Выборка снежного кома
• Количественные исследования рынка
• Количественные исследования рынка

Понятие
стратифицированной выборки.
Вероятностная
выборка с любой техникой отбора (простая
случайная, систематическая, се­рийная
или многоступенчатая) становится
стратифицированной,

если
процедурам отбора предшествует выделение
в генеральной со­вокупности однородных
частей, называемых стратами.

В статистическом
смысле стратификация соответствует
выделе­нию таких статистически
однородных групп, колеблемость изучае­мых
признаков которых внутри меньше, чем
между ними.

Эта дифференциация
внутри генеральной совокупности на
ка­чественно более однородные группы
содержательно связана с пред­метом
исследования.

Стратификация
совокупности оказывается необходимой
во всех случаях, когда совокупность
является неоднородной по социальным,
экономическим и другим характеристикам
единиц наблюдения.

Так, исследуя
профессиональную ориентацию школьников
в пре­делах одного города, можно в
одну страту отнести 16 школ, распо­ложенных
в районе старых застроек, во вторую —
20 школ, распо­ложенных в районах
новостроек. Для опроса можно отобрать
вы­пускников из двух школ первой
страты, а также из двух школ второй
страты. Если такая группировка школ
действительно отра­жает различия
районов, которые существенно учитывать
в исследо­вании профессиональной
структуры, то колеблемость изучаемых
признаков внутри каждой группы школ
должна быть меньше, чем между группами.

В качестве страт
могут быть использованы как естественные
образования, так и специально формируемые
для определенного исследования. Например,
такими стратами могут выступать
эконо­мико-географические регионы
или области страны, города, класси­фицированные
по их административному статусу и по
численности населения. Стратами могут
выступать и идеальные образования.
Примером является выделение в генеральной
совокупности при ис­следовании
отношения молодежи к труду, шести групп
по содер­жанию труда¹¹⁹.

Стратифицирующий
признак.
Признак, по значениям которого производится
стратификация генеральной совокупности,
называется признаком стратификации.
Стратификация может проводиться по
одному или нескольким признакам.

Организация
стратифицированной выборки.
Организация стра­тифицированной
выборки требует представления о характере
рас­пределения по всей совокупности
тех признаков, которые должны быть
положены в основу образования типических
групп, или страт.

Неправильный выбор
признака для группировки элементов
ге­неральной совокупности может не
увеличить репрезентативность выборочных
данных по сравнению со случайной выборкой
того же объема.

Организация
стратифицированной репрезентативной
выборки связана на практике с известными
трудностями, особенно если вы­деленные
страты неравночисленны Математическая
статистика ре­комендует в этих случаях,
чтобы размеры выборки из каждой страты
были пропорциональны средним квадратическим
отклонениям в соответствующих стратах
генеральной совокупности. Но дисперсии,
как правило, неизвестны. Поэтому часто
при организации отбора из страт
генеральной совокупности производится
отбор пропорциональ­но их размеру
(доле) в общей численности совокупности.

Еще один употребляемый
в социологии вариант выбора — это отбор
одинакового количества единиц наблюдения
из неравных типических групп.

Выборка организуется
в зависимости от рассмотренных вариан­тов
отбора с объемом, который рассчитывается
по следующим формулам.

1. Пропорционально
среднеквадратическому отклонению 5; в
1-й типической группе, найденному по
результатам пробного исследо­вания.
Размер ()
выборки изi-й
типической группы равен

где п
— объем всей
выборки;
— объем
i-й
группы в генеральной совокупности; l
— количество
групп. Весь объем выборки равен

2.
Пропорционально размеру групп:
,
гдеN
объем генеральной совокупности. Весь
объем выборки равен
.

3. Отбор равного
числа единиц наблюдения
.
Весь объем выборки определяется по
формуле.

Расчет характеристик
стратифицированной выборки.
Характери­стики такой выборки
рассчитываются как взвешенные величины:
показатели по каждой страте комбинируются
в общую среднюю; вклад групповых средних
пропорционален весу каждой страты в
выборочной или генеральной совокупности.

В стратифицированной
выборке общая дисперсия выборки имеет
как бы два источника: дисперсию групповых
средних, которые характеризуют каждую
страту ,
и среднюю дисперсию из дисперсий внутри
каждой из этих страт
.
Первую
составляющую принято называть межгрупповой
дисперсией,
а вторую — внутригрупповой
дисперсией.

Это
записывается следующим образом:

(7)

Расчет средней
ошибки при отборе, пропорциональном
числен­ности единиц в стратах,
производится по формуле

(8)

или, если пренебречь
отношением
n/N,

(9)

В выражениях (8) и
(9)
вычисляется исходя из формулы (7), т. е.,
где— общая дисперсия
выборки — подсчиты­вается как для
простой выборки, не принимая во внимание
страти­фикацию.

Таблица 19.
Данные к примеру

Из соотношения
для средней ошибки (7) следует, что ошибка
стратифицированной выборки меньше
средней ошибки чисто слу­чайной
выборки либо равна ей, когда межгрупповая
дисперсия равна нулю.

Пример.
Предположим, что выборка содержит 5
страт (группы семей по среднему доходу¹²⁰).
Необходимо определить величину рас­ходов
на годовую подписку. Из каждой i-й
страты взяты по две семьи (объем выборки
п =
10, см. табл. 19),

Расчет:

Найдем дисперсию,
не учитывая расслоение семей на 5 групп:

Отсюда внутригрупповая
дисперсия
,
ошибка для стратифицированной выборки.

Для случайной
выборки
.

Таким образом, как
видно из рассмотренного примера,
страти­фицированная выборка при
прочих равных условиях дает более точные
результаты.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

Стратификация, или как научиться доверять данным

Посмотрите на эти два набора точек и подумайте: какой из них вам кажется более «случайным»? Распределение на левом рисунке явно неравномерно. Есть места, в которых точки сгущаются, а есть и такие, в которых точек почти нет: из-за этого даже может показаться, что левый график более тёмный. На правом рисунке локальные сгущения и разрежения тоже присутствуют, но меньше бросаются в глаза.

Меж тем, именно левый график получен при помощи «честного» генератора случайных чисел. Правый график тоже содержит сплошь случайные точки; но эти точки сгенерированы так, чтобы все маленькие квадраты содержали равное количество точек.

Стратификация — метод выбора подмножества объектов из генеральной совокупности, разбитой на подмножества (страты). При стратификации объекты выбираются таким образом, чтобы итоговая выборка сохраняла соотношения размеров страт (либо контролируемо нарушала эти соотношения, см. пункт 3). Скажем, в рассмотренном примере генеральная совокупность — точки внутри единичного квадрата; стратами являются наборы точек внутри квадратов меньшего размера.

Стратификацию разумно применять при любом семплинге. Скажем, в социологических исследованиях необходимо соблюдать стратификацию как минимум по возрасту и месту проживания респондентов. В машинном обучении стратификация бывает полезна как на этапе сбора данных, так в процессе кросс-валидации .

1. Простой пример: вычисление площади фигуры

Для начала, чтобы продемонстрировать мощь стратификации, я использую сгенерированные во введении наборы точек для вычисления площади закрашенной фигуры — четверти круга с радиусом, равным 0.4. Случайные точки будут бросаться внутрь единичного квадрата и увеличивать счётчик при попадании внутрь круга. Отношение полученного числа к общему числу бросков будет оценкой площади фигуры по методу Монте-Карло.

Простейший (нестратифицированный) способ генерации случайных точек для этой задачи можно реализовать так:

import random

random.seed(100)

for i in range(500):
    x, y = random.random(), random.random()
    print x, y

Стратификацию можно реализовать разными способами, я выбрал следующий: все маленькие квадратики пронумерованы, и при генерации очередная точка попадает в квадратик со следующим номером; номера зациклены. Этот метод работает хорошо только если общее число точек кратно числу страт, но, к счастью, в данном случае так и есть.

import random

random.seed(100)

cellsCount = 10
cellId = 0

for i in range(500):
    cellVerticalIdx = (cellId / cellsCount) % cellsCount
    cellHorizontalIdx = cellId % cellsCount
    cellId += 1

    left = float(cellVerticalIdx + 0) / cellsCount
    right = float(cellVerticalIdx + 1) / cellsCount

    top = float(cellHorizontalIdx + 1) / cellsCount
    bottom = float(cellHorizontalIdx + 0) / cellsCount

    x, y = random.random(), random.random()
    x = left + x * (right - left)
    y = bottom + y * (top - bottom)

    print x, y

Теперь будем генерировать наборы точек многократно и проследим за невязкой — величиной отклонения полученной оценки площади от истинного значения. Код для простого алгоритма находится здесь, а для стратифицированного — здесь.

Видно, что оценка, полученная стратифицированным методом, выигрывает по точности и имеет меньшую дисперсию.

В этот момент вы можете возразить, что нужно было просто взять регулярную сетку и таким образом сделать дисперсию равной нулю. Однако такая оценка не была бы несмещённой! К тому же рассматриваемая задача является модельной, а на множестве людей или, скажем, поисковых запросов никакой регулярной сеткой воспользоваться не удастся.

2. Кросс-валидация

Следующие примеры относится к области машинного обучения.

Ситуация первая: в задаче существуют объективные зависимости, которые нужно учитывать для адекватной оценки качества моделей. Например, в задачах кластеризации функция близости двух объектов может зависеть от размера кластера, и нужно добиваться равномерного распределения размеров кластеров между обучающими и тестовыми выборками. Если этого не делать, оценки качества будут заниженными.

Ситуация вторая: нестационарный характер восстанавливаемых зависимостей, т.е. их изменчивость во времени. Так, предсказание посещаемости торговых центров существенно зависит от того, является ли выбранный день выходным. Для получения адекватных оценок обобщающей способности все дни в обучающей выборке должны предшествовать дням, входящим в тестовую выборку. Если этого не делать, оценки качества будут завышены, как правило — чрезвычайно сильно.

Продемонстрирую стратификацию на модельной задаче первого типа. Рассмотрим такую зависимость:

Пусть эта зависимость приближается одномерной линейной моделью. Лишь небольшая часть примеров отклоняется от простого линейного приближения, и именно эти примеры будут давать основной вклад в величину ошибки модели. По существу, чем больше таких «выбросов» попадёт в тестовую выборку, тем меньше их окажется в обучающей выборке, тем выше будет ошибка на тестовой выборке. Можно даже сказать, что измерению всякий раз подвергается не метод обучения, а степень равномерности распределения выбросов между обучающей и тестовой выборками!

Генерацию выборки, обучение одномерной линейной модели, многократный процесс кросс-валидации, в т.ч. стратифицированной, а также построение вариационных рядов я реализовал вот так. Не буду сейчас вдаваться в детали реализации (тем более что она не слишком аккуратна), а сразу приведу графики вариационных рядов полученных оценок:

Действительно, без стратификации оценки имеют большую дисперсию и, кроме того, занижены. Нужно, однако, понимать, что стратифицированная оценка будет корректной только в том случае, если доля выбросов в выборке репрезентативна доле выбросов в генеральной совокупности.

3. Немного математики

Методы стратификации часто используются в онлайн-экспериментах, это достаточно естественно для веб-сервисов: поведение пользователей зависит от характеристик устройств, операционных систем, версий браузеров, характеристик самих пользователей и так далее. Поэтому без стратификации в A/B-тестах легко столкнуться с тем, что, скажем, доля мобильных пользователей в разбиениях различается на 0.5% и интегральные метрики измеряют эффект от этого перекоса, а не от вносимого изменения.

Стратифицированный подход в данном случае предписывает разбивать наблюдения на страты (по версиям устройств, ОС, браузеров и т.д.), вычислять метрики внутри страт, взвешивать их сообразно размерам этих страт и таким образом получать значения интегральных показателей.

Классической работой в этой области является статья Online Stratified Sampling: Evaluating Classifiers at Web-Scale от Microsoft Research, которую я решительно рекомендую к прочтению.

В общем случае будем считать, что дана генеральная совокупность размера , из которой выбираются без повторений представителей для оценки вероятности принадлежности элемента совокупности некоторому классу .

Генеральная совокупность разбита на непересекающихся подмножеств — страт. Внутри -й страты размера возможно вычислить оценку вероятности принадлежности элемента страты классу . Тогда стратифицированная оценка вероятности будет вычисляться как

Дисперсия этой величины благодаря независимости выборов внутри каждой из страт вычисляется просто:

Интересно, что для минимизации дисперсии требуется семплить из страт непропорционально их размерам!

Если выбираются объектов из генеральной совокупности, количество объектов из -й страты для минимизации дисперсии оказывается пропорциональным произведению размера страты на стандартное отклонение величины внутри этой страты:

Единственная сложность здесь в том, что для осуществления оптимального семплинга нужно заранее знать дисперсии внутри страт. Впрочем, на практике они часто известны с достаточной точностью.

Теперь понятно, что делать с систематическими смещениями в данных: их можно нивелировать стратификацией и последующим перевзвешиванием. Например, если в данных существенно смещены социально-демографические показатели, можно стратифицировать именно по ним, а веса страт взять из соответствующей официальной статистики.

Заключение и прагматика

При работе с данными, так же как и при социологических исследованиях, потребность в качественной стратификации может быть чрезвычайной. При анализе логов веб-панелей типа SimilarWeb или Alexa можно получить некорректные результаты из-за нерепрезентативности множества пользователей, поставивших себе расширение. Клиентские части сервисов теряют часть информации при логировании, причём чаще для пользователей со слабыми сетевыми соединениями. Подобного рода ошибки могут портить аналитику и, в конечном счёте, приводить к неверным решениям в развитии продуктов и бизнеса.

Всякий раз при обработке очередного набора данных полезно спросить себя: репрезентативен ли он? Не нужно ли его дополнительно стратифицировать и перевзвесить? Что известно о его происхождении и возможных искажениях?

Если ответов нет или они неудовлетворительны — очень может быть, что данные вас обманут.

Стратифицированная выборка – это такая, которая гарантирует, что каждая подгруппа (страта) данной совокупности адекватно представлена ​​во всей выборочной совокупности исследовательского исследования. Например, можно разделить выборку взрослых на подгруппы по возрасту: 18–29, 30–39, 40–49, 50–59, 60 и старше. Чтобы стратифицировать эту выборку, исследователь случайным образом выбирал пропорциональное количество людей из каждой возрастной группы. Это эффективный метод выборки для изучения того, как тенденция или проблема может отличаться в разных подгруппах.

Важно отметить, что слои, используемые в этом методе, не должны перекрываться, потому что если они действительно, у одних людей шансы быть отобранными выше, чем у других. Это приведет к искажению выборки, что приведет к смещению результатов исследования и сделает результаты недействительными.

Некоторые из наиболее распространенных слоев, используемых в стратифицированной случайной выборке, включают возраст, пол , религия, раса, уровень образования, социально-экономический статус и национальность.

Когда использовать стратифицированную выборку

Есть много ситуаций в котором исследователи предпочли бы стратифицированную случайную выборку другим типам выборки. Во-первых, он используется, когда исследователь хочет изучить подгруппы в популяции. Исследователи также используют этот метод, когда они хотят наблюдать отношения между двумя или более подгруппами, или когда они хотят изучить редкие крайности популяции. При таком типе выборки исследователю гарантируется, что субъекты из каждой подгруппы включены в окончательную выборку, тогда как простая случайная выборка не гарантирует, что подгруппы представлены в выборке одинаково или пропорционально.

Пропорциональная стратифицированная случайная выборка

В пропорциональной стратифицированной случайной выборке размер каждой страты пропорционален размеру генеральной совокупности страт при исследовании всей генеральной совокупности. Это означает, что каждая страта имеет одинаковую долю выборки.

Например, предположим, что у вас есть четыре страты с размерами населения 200, 400, 600 и 800 Если вы выбираете долю выборки, равную ½, это означает, что вы должны случайным образом выбрать 100, 200, 300 и 400 субъектов из каждой страты соответственно. Для каждой страты используется одна и та же фракция выборки, независимо от различий в размере генеральной совокупности страт.

Непропорциональная стратифицированная случайная выборка

При непропорциональной стратифицированной случайной выборке разные страты не имеют одинаковых долей выборки друг с другом. Например, если ваши четыре страты содержат 200, 400, 600 и 800 человек, вы можете выбрать разные фракции выборки для каждой страты. Возможно, первая страта из 200 человек имеет фракцию выборки ½, в результате чего для выборки выбрано 100 человек, в то время как последняя группа из 800 человек имеет фракцию выборки, в результате чего для выборки выбрано 200 человек..

Точность использования непропорциональной стратифицированной случайной выборки сильно зависит от фракций выборки, выбранных и используемых исследователем. Здесь исследователь должен быть очень осторожным и точно знать, что делает. Ошибки, допущенные при выборе и использовании фракций выборки, могут привести к чрезмерному или недостаточному представлению страты, что приведет к искаженным результатам.

Преимущества стратифицированной выборки

Использование стратифицированной выборки всегда обеспечивает более высокую точность, чем простая случайная выборка, при условии, что страты были выбраны таким образом, чтобы члены одной и той же страты были максимально похожи с точки зрения интересующей характеристики . Чем больше разница между стратами, тем больше выигрыш в точности.

С административной точки зрения часто удобнее стратифицировать выборку, чем выбирать простой случайный образец. Например, интервьюеров можно обучить тому, как лучше всего работать с одним определенным возрастом или этнической группой, в то время как других обучат тому, как лучше всего работать с другим возрастом или этнической группой. Таким образом, интервьюеры могут сконцентрироваться на небольшом наборе навыков и усовершенствовать его, и это будет менее своевременным и дорогостоящим для исследователя.

Стратифицированная выборка также может быть меньше по размеру, чем простые случайные выборки, что может сэкономить много времени, денег и усилий исследователям. Это связано с тем, что этот тип метода выборки имеет высокую статистическую точность по сравнению с простой случайной выборкой.

Последним преимуществом является то, что стратифицированная выборка гарантирует лучший охват Население. Исследователь контролирует подгруппы, включенные в выборку, тогда как простая случайная выборка не гарантирует, что какой-либо один тип людей будет включен в окончательную выборку.

Недостатки стратифицированной выборки

Одним из основных недостатков стратифицированной выборки является то, что бывает трудно определить подходящие страты для исследования. Второй недостаток – сложность организации и анализа результатов по сравнению с простой случайной выборкой.

Обновлено Ники Лиза Коул, Доктор философии