• у межах кожного макрорегіону вибираємо певну кількість поштових індексів;
• у межах кожного поштового індексу – певну кількість будинків;
• у межах тих будинків – певну кількість квартир, якщо будинки багатоквартирні.
За такої процедури не кожна адреса мала однаковий шанс потрапити до нашої вибірки, адже ми кілька разів формували підвибірку й наступний вибір здійснювали лише в її межах. Таким чином і з'явився дизайн-ефект вибірки. Натомість дизайн-ефект дорівнював би одиниці (тобто був відсутній), якби ми могли отримати список усіх людей, які становлять доросле населення України, відібрати з них необхідну кількість осіб за допомогою таблиць випадкових чисел й опитати саме їх.
Наведемо ще один приклад, коли методика формування вибірки спричинює дизайн-ефект. Нехай ми плануємо опитування, репрезентативне для студентів ВНЗ України. Нам доведеться спершу відібрати самі ВНЗ, а потім уже студентів у межах кожного з них. Така процедура створює дизайн-ефект, тобто збільшує похибку, через те що спершу ми утворили вибіркову сукупність університетів, а потім уже відбирали студентів. Знову-таки дизайн-ефект дорівнював би одиниці (тобто ніяк не збільшував би теоретичної похибки), якби можна було отримати список усіх студентів України та відібрати на основі нього необхідну кількість респондентів за допомогою таблиць випадкових чисел.
Отже, при визначенні припустимої похибки потрібно брати до уваги, що теоретична похибка має бути помножена на величину дизайн-ефекту. Лише після цього ми отримаємо дійсну похибку результатів репрезентативного опитування.
У таблиці 4.4 наведені приклади похибок із урахуванням дизайн-ефекту 1,5. Варто наголосити: точне значення дизайн-ефекту можуть визначити лише ті, хто мають докладну інформацію про процедуру формування вибірки. Тому фахове повідомлення про репрезентативне опитування має містити уточнення, яким є дизайн-ефект вибірки; інакше залишається за лаштунками значення дійсної, а не теоретичної похибки.
Таблиця 4.4. Як змінюється максимальна похибка з урахуванням дизайн-ефекту 1,5 за ймовірності 0,9545 залежно від обсягу вибірки, репрезентативної для нескінченно великої генеральної сукупності
| 10 | 47,4% | 1250 | 4,2% | |
| 50 | 21,2% | 1500 | 3,9% | |
| 100 | 15,0% | 1750 | 3,6% | |
| 150 | 12,2% | 2000 | 3,4% | |
| 200 | 10,6% | 2250 | 3,2% | |
| 250 | 9,5% | 2500 | 3,0% | |
| 300 | 8,7% | 2750 | 2,9% | |
| 350 | 8,0% | 3000 | 2,7% | |
| 400 | 7,5% | 4000 | 2,4% | |
| 450 | 7,1% | 5000 | 2,1% | |
| 500 | 6,7% | 6000 | 1,9% | |
| 550 | 6,4% | 7000 | 1,8% | |
| 600 | 6,1% | 8000 | 1,7% | |
| 650 | 5,9% | 9000 | 1,6% | |
| 700 | 5,7% | 10 000 | 1,5% | |
| 750 | 5,5% | 15 000 | 1,2% | |
| 800 | 5,3% | 20 000 | 1,1% | |
| 850 | 5,1% | 50 000 | 0,7% | |
| 900 | 5,0% | 100 000 | 0,5% | |
| 950 | 4,9% | 200 000 | 0,3% | |
| 1000 | 4,7% | 300 000 | 0,3% | |
Як бачимо в таблиці 4.4, якщо маємо велику генеральну сукупність і нас влаштовує похибка 5% з імовірністю 0,9545, то можемо запланувати опитування 900 осіб. Однак це справедливо лише в тому разі, якщо наші висновки будуть у стилі: стільки-то відсотків висловили думку X. Натомість часто ми потребуємо від даних більшого, наприклад: дізнатися, що думають жінки про питання X, а що – чоловіки; що думають люди різних вікових категорій, різного рівня освіти, мешканці міст і сіл, різних регіонів. Такі очікування щодо результатів змінюють потрібний розмір вибірки. Як саме?
Приміром, нехай нам важлива максимальна похибка до 5% з урахуванням дизайн-ефекту 1,5 при визначенні думок жінок і чоловіків. Тоді потрібно, щоб у кожній категорії – як чоловіків, так і жінок – було щонайменше 900 осіб. Якщо в нас 900 жінок і 900 чоловіків, то розмір вибірки буде 1800. Оскільки жінок дещо більше загалом, ніж чоловіків, то це ще трохи збільшить вибірку, якщо ми не бажаємо втратити жодної десятої відсотка похибки. Нехай нам відомо з державної статистики, що жінок 18 років і старших в 1,17 раза більше, ніж чоловіків такого самого віку. Тоді потрібний нам розмір вибірки:
n = 900 + 900 * 1,17 = 900 + 1053 = 1953.
За такої вибірки зможемо довідатися думку чоловіків із похибкою, що не перевищує 5% з урахуванням дизайн-ефекту з імовірністю 0,9545, і жінок зі ще меншою похибкою – 4,6%, оскільки їх у вибірці дещо більше, ніж чоловіків, – 1053.
Якщо ми поділили Україну на 4 макрорегіони з приблизно однаковою кількістю населення й при цьому бажаємо, щоб похибка з урахуванням дизайн-ефекту 1,5 не перевищувала 5% для кожного із макрорегіонів, то нам потрібно опитати по 900 осіб у кожному з макрорегіонів. А отже, розмір вибірки має бути таким:
n = 900 * 4 = 3600.
Нерідко ми не знаємо точної частки тих категорій, інформація щодо яких нас цікавить. У такому разі вже після опитування розрахуємо точну похибку саме для цієї категорії. Наприклад, ми провели репрезентативне опитування 1000 містян і виявили, що 38% з них знають про заплановану реформу житлово-комунального господарства в місті. Цей результат має похибку 4,7% з імовірністю 0,9545 та з урахуванням дизайн-ефекту 1,5. Але нам ще потрібно довідатися, який відсоток людей, які знають про реформу, підтримує її запровадження. 38% від 1000 – це 380 осіб. Скористаймося вже відомою нам формулою:
Переводимо величину вибірки з частки у відсотки та враховуємо дизайн-ефект:
0,051 * 100 * 1,5 = 7,7%.
Отже, максимальна похибка за ймовірності 0,9545 та з урахуванням дизайн-ефекту 1,5 становитиме 7,7% для результатів серед містян, які знають про реформу X.
Похибка має вельми корисну для точності результатів властивість: вона є найбільшою для значень, близьких до 50%, а з наближенням до 100% або 0% зменшується. Згадаймо приклад повідомлення про репрезентативне опитування, наведений на початку підрозділу:
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 3. Приємного читання.
