混合抽样设计.PPT

Ch 12 本章大綱 抽樣的概念 抽樣的專有名詞 抽樣的原則 影響樣本推論的因素 選擇樣本的目標 抽樣的類型 隨機 / 機率抽樣設計 非隨機 / 非機率抽樣設計 混合抽樣設計 樣本大小的計算 抽樣的概念 優點：節省時間、財力、及人力資源。 缺點：只能估計或預測，有誤差的存在。 抽樣的專有名詞 母群體(Population)或研究母群體(Study population) 樣本 (Sample) 樣本大小 (Sample size) 抽樣設計或策略 (Sampling design or strategy) 抽樣單位 (Sampling unit) 抽樣架構 (Sampling frame) 樣本的統計量 (Sample statistics) 母數 (Population parameters) 抽樣的原則:原則一 在樣本的統計量與母群體的真實母數間通常都有差異存在，而其主要的原因是由於樣本中所選擇的個體不同所造成。 例:A=18，B=20，C=23，D=25。(樣本大小=2) 抽樣的原則:原則二 樣本的大小越大，則所估計的母群體母數便越正確。 例:A=18，B=20，C=23，D=25。(樣本大小=3) 抽樣的原則:原則三 所欲研究的母群體變項其差異越大，則樣本統計量與母群體平均數間的差異越大。 例:A=18，B=26，C=32，D=40。(樣本大小=3) 影響樣本推論的因素 樣本大小﹔ 抽樣母群體變異的範圍。 選擇樣本的目標 選擇樣本的目標： 一定的樣本大小，增加估計的精確性﹔ 樣本選擇時能避免偏誤。 樣本選擇時可能發生偏誤的情形： 以非隨機的方法抽樣﹔ 抽樣架構未正確且完整的涵蓋所有抽樣母體﹔ 抽樣母群體的某一部分無法掌握。 歷史故事 抽樣分配 固定母體並且固定樣本數的條件下，統計量的抽樣分配 (sampling distribution) 是該統計量所有可能值的機率分配。 樣本數固定在 n ，而且每一個樣本元素都來自某個固定的母體， 的抽樣分配是隨機變數 所有可能值的機率分配。 中央極限定理 從一個平均μ與標準差σ的母體抽樣。如果樣本數持續增加，樣本平均的抽樣分配會接近一個有著平均等於μ跟標準差 等於的常態分配。 對夠大的樣本數n 常態分配母體不同樣本數之樣本平均的抽樣分配 當樣本數遞增下的抽樣分配 中央極限定理 中央極限定理說明樣本平均 的抽樣分配會接近常態分配，無論樣本來自的母體是何種分配。 此定理讓我們有能力產生樣本平均可能存在區域的機率陳述，同時計算 與它所估計的母體平均離多遠的機率。 中央極限定理的效果：各種不同母體與各種不同樣本數之 的分配 中央極限定理的三個面向 如果樣本數夠大， 的抽樣分配是常態的。 的期望值等於μ。 的標準差等於 。 抽樣的類型 隨機 / 機率抽樣設計 隨機/機率樣本須符合下列兩要件： 相等：被抽取的機率相同﹔ 獨立：不受其他因素影響。 隨機/機率樣本主要的優點： 可代表抽樣的母群體﹔ 可作為機率理論統計的資料。 抽選隨機樣本的方法 抽選隨機樣本的方法 籤筒﹔ 電腦程式抽樣﹔ 亂數表抽樣。 抽選隨機樣本的不同系統 不置回抽樣﹔ 置回抽樣。 亂數表抽樣程序 隨機 / 機率抽樣設計的種類 簡單隨機抽樣(Simple random sampling) 分層隨機抽樣(Stratified random sampling) 叢集抽樣(Cluster sampling) 簡單隨機抽樣的步驟 分層隨機抽樣的步驟 分層隨機抽樣的步驟(續) 叢集抽樣 將抽樣母體分成若干團體，稱為“叢集”。 對每個叢集使用簡單隨機抽樣，抽出所需個數。 範例： 非隨機 / 非機率抽樣設計 定額抽樣(quota sampling)﹔ 偶遇抽樣(accidental sampling)﹔ 立意抽樣(judgemental or purpose sampling)﹔ 滾雪球抽樣(snowball sampling)。 定額抽樣 主要考量： 很容易接近母群體的便利性﹔ 研究者受母群體一些顯而易見的特質所引導。 優點： 花費最少的抽樣方法﹔ 不需要母群體的相關資訊﹔ 保證所抽選的人確為研究所需的人。 缺點： 樣本非隨機樣本﹔ 抽選個體具有某特質，無法代表母體。 偶遇抽樣 主要考量： 很容易接近母群體的便利性。 優、缺點與定額抽樣相似。但是較無法獲得所想要的資訊。 應用面： 市場調查﹔ 新聞報導。 立意抽樣 研究者僅選擇具有所需資訊的人來訪問。 應用面： 建構歷史真相﹔ 描述現象﹔ 發展鮮為人知的事實。 滾雪球抽樣 使用網絡來選擇樣本的過程。 應用面： 溝通型態﹔ 決策﹔ 團體中知識的傳播。 缺點： 整體樣本的選擇依賴第一次所接觸的人。 母群體很大不適