Нехай ми вирішили, що нам важлива висока точність результатів: похибка не має перевищувати 2%. У такому разі Δ = 0,02, а отже, формула набуває такого вигляду:
n = 1 / (0,022 + 1/N) = 1 / (0,0004 + 1/N).
Натомість якщо ми зупинили свій вибір на похибці 5%, то формула стає такою:
n = 1 / (0,052 + 1/N) = 1 / (0,0025 + 1/N).
У таблиці 4.1 наведено низку прикладів, яким має бути обсяг вибірки залежно від обсягу генеральної сукупності (N) та максимальної прийнятної похибки (Δ) за ймовірності 0,9545. У таблиці представлені різні генеральні сукупності від 50 одиниць до 50 млн. Аналогічну інформацію для ймовірності 0,95 рівно наведено в таблиці 4.2.
У таблицях 4.1 і 4.2 можемо побачити, що за малих обсягів генеральної сукупності (50, 100, 200) навряд чи доцільно формувати вибірку: варто опитати всю генеральну сукупність, якщо важлива висока точність результатів. Ми також можемо побачити в цих таблицях, що зі збільшенням обсягу генеральної сукупності розмір вибірки дедалі менше різниться й урешті-решт зовсім перестає збільшуватися.
Таблиця 4.1. Як змінюється обсяг вибірки залежно від обсягу генеральної сукупності та максимальної допустимої похибки за ймовірності 0,9545
| Обсяг вибірки, якщо максимальна допустима похибка становить... | ||||
| Обсяг генеральної сукупності | 2% | 5% | 7% | 10% |
| 50 | 49 | 44 | 40 | 33 |
| 100 | 96 | 80 | 67 | 50 |
| 200 | 185 | 133 | 101 | 67 |
| 300 | 268 | 171 | 121 | 75 |
| 400 | 345 | 200 | 135 | 80 |
| 500 | 417 | 222 | 145 | 83 |
| 600 | 484 | 240 | 152 | 86 |
| 700 | 547 | 255 | 158 | 88 |
| 800 | 606 | 267 | 163 | 89 |
| 900 | 662 | 277 | 166 | 90 |
| 1000 | 714 | 286 | 169 | 91 |
| 5000 | 1667 | 370 | 196 | 98 |
| 10 000 | 2000 | 385 | 200 | 99 |
| 50 000 | 2381 | 397 | 203 | 100 |
| 100 000 | 2439 | 398 | 204 | 100 |
| 200 000 | 2469 | 399 | 204 | 100 |
| 500 000 | 2488 | 400 | 204 | 100 |
| 1000 000 | 2494 | 400 | 204 | 100 |
| 2 000 000 | 2497 | 400 | 204 | 100 |
| 3 000 000 | 2498 | 400 | 204 | 100 |
| 5 000 000 | 2499 | 400 | 204 | 100 |
| 10 000 000 | 2499 | 400 | 204 | 100 |
| 30 000 000 | 2500 | 400 | 204 | 100 |
| 50 000 000 | 2500 | 400 | 204 | 100 |
Таблиця 4.2. Як змінюється обсяг вибірки залежно від обсягу генеральної' сукупності та максимальної допустимої похибки за ймовірності 0,950
| Обсяг вибірки, якщо максимальна допустима похибка становить... | ||||
| Обсяг генеральної сукупності | 2% | 5% | 7% | 10% |
| 50 | 49 | 44 | 40 | 33 |
| 100 | 96 | 79 | 66 | 49 |
| 200 | 185 | 132 | 99 | 65 |
| 300 | 267 | 168 | 119 | 73 |
| 400 | 343 | 196 | 132 | 77 |
| 500 | 414 | 217 | 141 | 81 |
| 600 | 480 | 234 | 148 | 83 |
| 700 | 542 | 248 | 153 | 84 |
| 800 | 600 | 260 | 157 | 86 |
| 900 | 655 | 269 | 161 | 87 |
| 1000 | 706 | 278 | 164 | 88 |
| 5000 | 1622 | 357 | 189 | 94 |
| 10 000 | 1936 | 370 | 192 | 95 |
| 50 000 | 2291 | 381 | 195 | 96 |
| 100 000 | 2345 | 383 | 196 | 96 |
| 200 000 | 2373 | 383 | 196 | 96 |
| 500 000 | 2390 | 384 | 196 | 96 |
| 1 000 000 | 2395 | 384 | 196 | 96 |
| 2 000 000 | 2398 | 384 | 196 | 96 |
| 3 000 000 | 2399 | 384 | 196 | 96 |
| 5 000 000 | 2400 | 384 | 196 | 96 |
| 10 000 000 | 2400 | 384 | 196 | 96 |
| 30 000 000 | 2401 | 384 | 196 | 96 |
| 50 000 000 | 2401 | 384 | 196 | 96 |
Річ у тім, що чим більший обсяг генеральної сукупності (тобто N у формулі), тим менше значення компонента 1/N. Тобто зі збільшенням N цей компонент зменшується та прямує до нуля. Якби в нас була нескінченно велика генеральна сукупність, то 1/N дорівнювало б нулю.
Таким чином, якщо ми працюємо з великими[4] генеральними сукупностями, наведену вище формулу можна спростити: n = 1 / (Δ2 + 0); n = 1 / Δ2.
Після такого спрощення вельми зручним стає підрахунок похибки залежно від розміру вибірки:
Якщо ми бажаємо отримати похибку, виражену у відсотках, а не часткою (наприклад, 3%, а не 0,03), потрібно просто помножити Δ на 100. У таблиці 4.3 наведені приклади похибок вибірок різного обсягу для нескінченно великої генеральної сукупності та ймовірності 0,9545. У цій самій таблиці допитливі читачі можуть побачити, яким буде розмір вибірки, якщо ймовірність наближатиметься до 100 (на прикладі значення ймовірності 0,99993).
На прикладі даних таблиці 4.3 легко побачити, чому обсяг вибірок зазвичай становить сотні або тисячі осіб, але не десятки: для вибірки 10 одиниць похибка не перевищує 63,1% з імовірністю 0,99993, для вибірки 50 одиниць – 28,2%, 100 – 20,0%. Зайве казати, що результати з такою похибкою мало кого задовольнять! Натомість вибірка 400 одиниць уможливлює вже таку точність результату, яка була б прийнятною в багатьох дослідницьких проектах: похибка до 5% з імовірністю 0,9545 та до 10% з імовірністю 0,99993.
Таблиця 4.3. Як змінюється максимальна допустима похибка за ймовірностей 0,9545 та 0,99993[5] залежно від обсягу вибірки, репрезентативної для нескінченно великої[6] генеральної сукупності
| 10 | 31,6% | 63,1% | 1250 | 2,8% | 5,6% | ||
| 50 | 14,1% | 28,2% | 1500 | 2,6% | 5,2% | ||
| 100 | 10,0% | 20,0% | 1750 | 2,4% | 4,8% | ||
| 150 | 8,2% | 16,3% | 2000 | 2,2% | 4,5% | ||
| 200 | 7,1% | 14,1% | 2250 | 2,1% | 4,2% | ||
| 250 | 6,3% | 12,6% | 2500 | 2,0% | 4,0% | ||
| 300 | 5,8% | 11,5% | 2750 | 1,9% | 3,8% | ||
| 350 | 5,3% | 10,7% | 3000 | 1,8% | 3,6% | ||
| 400 | 5,0% | 10,0% | 4000 | 1,6% | 3,2% | ||
| 450 | 4,7% | 9,4% | 5000 | 1,4% | 2,8% | ||
| 500 | 4,5% | 8,9% | 6000 | 1,3% | 2,6% | ||
| 550 | 4,3% | 8,5% | 7000 | 1,2% | 2,4% | ||
| 600 | 4,1% | 8,1% | 8000 | 1,1% | 2,2% | ||
| 650 | 3,9% | 7,8% | 9000 | 1,1% | 2,1% | ||
| 700 | 3,8% | 7,5% | 10 000 | 1,0% | 2,0% | ||
| 750 | 3,7% | 7,3% | 15 000 | 0,8% | 1,6% | ||
| 800 | 3,5% | 7,1% | 20 000 | 0,7% | 1,4% | ||
| 850 | 3,4% | 6,8% | 50 000 | 0,4% | 0,9% | ||
| 900 | 3,3% | 6,7% | 100000 | 0,3% | 0,6% | ||
| 950 | 3,2% | 6,5% | 200000 | 0,2% | 0,4% | ||
| 1000 | 3,2% | 6,3% | 300000 | 0,2% | 0,4% | ||
Важливо наголосити: вказані в таблицях 4.1-4.3 похибки справджуються лише для ідеально випадкового відбору респондентів – такого, ніби вибірку нам сформував генератор випадкових чисел. Такі похибки називають теоретичними. Однак це не означає, що вони неможливі на практиці. У низці випадків теоретична похибка – це і є дійсна похибка реальної вибірки.
Проте на практиці процедура формування вибірки часто спричинює так званий дизайн-ефект, який збільшує похибку в півтора-два рази. У цьому контексті "дизайн" означає "методика формування вибірки"; "ефект" – вплив (від англ, design-effect). Відповідно дизайн-ефект – це величина, що показує, у скільки разів теоретична похибка збільшилася внаслідок специфіки застосованої методики формування вибірки[7]. Наприклад, якщо теоретична похибка – 5%, дизайн-ефект – 1,5, то похибка становить:
5% * 1,5 = 7,5%.
Чому з'являється дизайн-ефект? Коли його немає? Уявімо планування опитування, репрезентативного для мешканців певного населеного пункту, певного регіону або певної країни. В усіх цих випадках дослідникам потрібно придумати, як визначити географічні точки, у яких шукати респондентів, а також процедуру випадкового відбору респондента в тій унікальній точці[8]. Щоб дослідження не було надто дорогим, намагаються спланувати його таким чином, щоб опитати кількох людей поруч, а не всіх респондентів у рівновіддалених точках. Наприклад, якщо вибірка 2000, репрезентативна для дорослого населення України, на практиці людей не опитують у 2000 різних населених пунктах. Натомість процедура формування вибірки може бути приблизно такою:
• спершу всі поштові індекси ділимо за чотирма макрорегіонами (для того щоб вибірка була репрезентативною не лише для України загалом, а й для кожного з чотирьох макрорегіонів);
Сторінки
В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Що варто знати про соціологію та соціальні дослідження?» автора Богдан О. на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Загадкові похибки й імовірності репрезентативної вибірки“ на сторінці 2. Приємного читання.
