سازوکار نمونه‌گیری: مقایسه روش‌های تصادفی ساده، طبقه‌بندی‌شده، خوشه‌ای و سهمیه‌ای

اغلب مردم تصور می‌کنند که اندازه نمونه بزرگ‌تر به طور خودکار به معنای نتیجه دقیق‌تر است. آنها یک نظرسنجی اینترنتی عظیم با ۱۰۰٬۰۰۰ نفر را تصور می‌کنند و فرض می‌کنند که باید دقیق‌تر از یک گروه ۱٬۰۰۰ نفری باشد که با دقت انتخاب شده است. شواهد خلاف این را نشان می‌دهد. سازوکار انتخاب بسیار مهم‌تر از تعداد خام پاسخ‌دهندگان است. یک نمونه مغرضانه از یک میلیون نفر تنها یک پاسخ اشتباه با اطمینان بالا به شما می‌دهد، در حالی که یک نمونه‌گیری تصادفی دقیق از ۱٬۲۰۰ نفر می‌تواند جمعیت ۳۳۰ میلیونی را به درستی منعکس کند.[2][3]

نمونه‌گیری پل ریاضی بین شناخته‌ها و ناشناخته‌ها است. این فرآیند بر اساس اصل احتمال کار می‌کند: اگر هر عضو از یک جمعیت شانس شناخته‌شده و غیرصفری برای انتخاب شدن داشته باشد، ویژگی‌های نمونه، در محدوده یک حاشیه خطای قابل محاسبه، کل جمعیت را منعکس خواهد کرد. اما دستیابی به این شانس شناخته‌شده در دنیای واقعی به طور مشهوری دشوار است و محققان را مجبور می‌کند بین مدل‌های ریاضی رقیب یکی را انتخاب کنند.[2]

استاندارد طلایی در تئوری، نمونه‌گیری تصادفی ساده است. تصور کنید نام هر شهروند را در یک کلاه بزرگ قرار دهید و ۱٬۰۰۰ نام را به صورت کور انتخاب کنید. هر فرد احتمال انتخاب شدن دقیقاً یکسانی دارد. در تحقیقات بالینی، این روش سوگیری انتخاب را حذف می‌کند و تضمین می‌کند که هر اثر مشاهده‌شده احتمالاً ناشی از مداخله است، نه تفاوت‌های جمعیتی از پیش موجود.[1][3]

با این حال، شواهد نشان می‌دهد که نمونه‌گیری تصادفی ساده در عمل بسیار شکننده است. اگر ۱٬۰۰۰ آمریکایی را به صورت تصادفی انتخاب کنید، ممکن است صرفاً بر حسب شانس، هیچ فردی از ایالت وایومینگ انتخاب نشود. اگر تحقیق شما به نمایندگی جغرافیایی وابسته باشد، این روش می‌تواند شما را ناکام بگذارد. علاوه بر این، شما به یک چارچوب نمونه‌گیری کامل—یک فهرست اصلی از همه افراد در جمعیت—نیاز دارید که تقریباً هرگز برای گروه‌های بزرگ و پویا وجود ندارد.[2][3]

برای رفع مشکل نمایندگی، محققان به نمونه‌گیری طبقه‌بندی‌شده روی می‌آورند. جمعیت به زیرگروه‌های انحصاری متقابل یا طبقات (Strata)—مانند گروه‌های سنی، سطوح درآمد یا ایالت‌ها—تقسیم می‌شود. سپس، یک نمونه تصادفی ساده از درون هر طبقه استخراج می‌شود. این تضمین می‌کند که هر گروه تعیین‌شده در داده‌های نهایی نماینده داشته باشد.[2]

داده‌ها نشان می‌دهند که نمونه‌گیری طبقه‌بندی‌شده از نظر ریاضی تضمین می‌کند که گروه‌های اقلیت به اندازه کافی نمایندگی شوند. اگر یک بیماری با نرخ بالاتری بر یک گروه جمعیتی خاص تأثیر بگذارد، آزمایش‌های بالینی باید طبقه‌بندی شوند تا قدرت آماری کافی در آن زیرگروه برای تشخیص اثر تضمین شود. این روش واریانس کلی نمونه را کاهش می‌دهد و تخمین‌ها را دقیق‌تر از یک نمونه تصادفی ساده با همان اندازه می‌کند.[1][3]

اما طبقه‌بندی هنوز هم به یک فهرست اصلی نیاز دارد. هنگامی که محققان باید یک جمعیت بزرگ و پراکنده را مورد بررسی قرار دهند—مانند آزمایش یک واکسن در یک کشور در حال توسعه یا نظرسنجی در یک منطقه روستایی وسیع—از نمونه‌گیری خوشه‌ای استفاده می‌کنند. به جای انتخاب تصادفی افراد، آنها گروه‌ها یا خوشه‌ها (مانند بیمارستان‌ها، مدارس یا بلوک‌های شهری) را به صورت تصادفی انتخاب می‌کنند و سپس از همه افراد درون آن خوشه‌های انتخاب‌شده نظرسنجی می‌کنند.[2]

هزینه این سهولت لجستیکی، کارایی آماری است. افراد درون یک خوشه واحد تمایل دارند که نسبت به جمعیت عمومی شباهت بیشتری به یکدیگر داشته باشند—پدیده‌ای که به عنوان همبستگی درون‌خوشه‌ای شناخته می‌شود. این امر خطای استاندارد را افزایش می‌دهد. برای جبران، نمونه‌های خوشه‌ای باید بزرگتر از نمونه‌های تصادفی ساده باشند تا به همان حاشیه خطا دست یابند، جریمه‌ای ریاضی که به عنوان اثر طراحی (Design Effect) شناخته می‌شود.[1][2]

تمام موارد فوق روش‌های احتمالی هستند. نمونه‌گیری سهمیه‌ای (Quota Sampling)، که به شدت در تحقیقات بازار و نظرسنجی‌های سریع استفاده می‌شود، یک روش غیر احتمالی است. به محققان سهمیه‌هایی داده می‌شود—مانند یافتن ۵۰ مرد و ۵۰ زن بالای ۴۰ سال—و آنها با استفاده از نمونه‌گیری در دسترس (Convenience Sampling) این سهمیه‌ها را پر می‌کنند تا زمانی که سهمیه تکمیل شود. این روش سریع، ارزان است و به فهرست اصلی نیازی ندارد.[3]

در حالی که نمونه‌گیری سهمیه‌ای تضمین می‌کند که نمونه نهایی از نظر جمعیتی بر اساس متغیرهای انتخاب‌شده صحیح به نظر برسد، فاقد مبنای ریاضی نمونه‌گیری احتمالی است. از آنجا که مصاحبه‌گر انتخاب می‌کند چه کسی سهمیه را پر کند، سوگیری‌های پنهان به ناچار وارد می‌شوند. نمی‌توان به طور مشروع حاشیه خطا را برای یک نمونه سهمیه‌ای محاسبه کرد، اگرچه بسیاری از نظرسنجی‌کنندگان تجاری همچنان آنها را منتشر می‌کنند، گویی که نمونه‌های احتمالی بوده‌اند.[2][3]

انتخاب روش به ندرت صرفاً در مورد ریاضیات محض است؛ بلکه یک مسئله بهینه‌سازی است که دقت آماری را در برابر هزینه لجستیکی متعادل می‌کند. نمونه‌گیری طبقه‌بندی‌شده بالاترین دقت را ارائه می‌دهد اما بیشترین داده‌های اولیه را می‌طلبد. نمونه‌گیری خوشه‌ای دقت را فدای امکان‌پذیری عملیاتی می‌کند. نمونه‌گیری سهمیه‌ای قطعیت ریاضی را به طور کامل در ازای سرعت و هزینه کم قربانی می‌کند.[1][4]

امروزه، سقوط نرخ پاسخ‌دهی به نظرسنجی‌ها—که اغلب برای نظرسنجی‌های تلفنی به زیر ۵٪ می‌رسد—باعث شده است که در سازوکار نمونه‌گیری تجدید نظر شود. حتی یک نمونه احتمالی طبقه‌بندی‌شده که به طور کامل طراحی شده باشد، اگر ۹۵٪ از افراد انتخاب‌شده از مشارکت خودداری کنند، عملاً به یک نمونه غیر احتمالی تبدیل می‌شود و بنیان تصادفی را که ریاضیات بر آن تکیه دارد، از بین می‌برد.[2][4]

در نتیجه، تحلیل داده‌های مدرن به طور فزاینده‌ای بر مدل‌های ترکیبی تکیه دارد. محققان ممکن است از نمونه‌گیری خوشه‌ای برای انتخاب مناطق جغرافیایی، نمونه‌گیری طبقه‌بندی‌شده در داخل آن مناطق، و سپس از وزن‌دهی پیچیده پس از طبقه‌بندی برای اصلاح عدم پاسخ‌دهی استفاده کنند. سازوکار نمونه‌گیری دیگر فقط در مورد این نیست که چه کسی را انتخاب می‌کنید، بلکه در مورد این است که چگونه به طور ریاضی افرادی را که شما را نادیده می‌گیرند، تنظیم و اصلاح می‌کنید.[1][4]