የሰርቬይ ክብደት ማስያ

የሰርቬይ ካሊብሬሽን መግቢያ

የሰርቬይ ጥናቶችን በሚያካሂዱበት ወቅት በናሙናው ውስጥ የተካተቱት ምላሽ ሰጪዎች ስብጥር ከእውነተኛው የህዝብ ብዛት ስርጭት ጋር የማይጣጣምበት ሁኔታ በተደጋጋሚ ያጋጥማል። ይህንን ልዩነት ለማስተካከል እና የናሙናውን ስብጥር ከታወቁ የህዝብ ብዛት ህዳጎች (ለምሳሌ በጾታ፣ በዕድሜ ወይም በክልል ስርጭት) ጋር ለማጣጣም የሰርቬይ ክብደት ማስተካከያ (survey weighting) ጥቅም ላይ ይውላል።

ይህ የሰርቬይ ክብደት ማስያ የ raking (iterative proportional fitting) አልጎሪዝምን በመጠቀም የምላሽ ሰጪዎችን ዳታ ከህዝብ ብዛት መረጃዎች ጋር ለማጣጣም የሚያስችል ነፃ የመስመር ላይ መሣሪያ ነው። ተጠቃሚዎች የምላሽ ሰጪዎቻቸውን ጥሬ ዳታ እና የዒላማ የህዝብ ብዛት መቶኛዎችን በማስገባት የግለሰብ ምላሽ ሰጪዎችን ክብደት ማስተካከል ይችላሉ። መሣሪያው ክብደቶቹ ምን ያህል እንደተስተካከሉ፣ አልጎሪዝሙ በተሳካ ሁኔታ መሰብሰቡን (converge ማድረጉን) እና የክብደት ማስተካከያው በሰርቬዩ ስታቲስቲካዊ ትክክለኛነትና ውጤታማ የናሙና መጠን ላይ የሚያሳድረውን ተጽዕኖ ወዲያውኑ ያሳያል።

Raking እና Post-Stratification

በሰርቬይ ካሊብሬሽን ውስጥ ናሙናን ከህዝብ ብዛት ጋር ለማጣጣም የተለያዩ መንገዶች አሉ። ከእነዚህም መካከል ፖስት-ስትራቲፊኬሽን (post-stratification) እና ሬኪንግ (raking) ዋናዎቹ ናቸው።

• ፖስት-ስትራቲፊኬሽን (Post-Stratification)፦ ይህ ዘዴ ናሙናውን በሴሎች (cells) በመከፋፈል ለእያንዳንዱ ጥምረት (ለምሳሌ፦ ወንድ ከ18-34 ዓመት) የተወሰነ ክብደት ይሰጣል። ነገር ግን ይህንን ለማድረግ ለእያንዳንዱ ጥምረት የህዝብ ብዛት መረጃ ማግኘት ያስፈልጋል።
• ሬኪንግ (Raking)፦ ይህ ዘዴ በአንጻሩ የጋራ ጥምረቶችን መረጃ ሳይፈልግ፣ እያንዳንዱን የህዝብ ብዛት ህዳግ (marginal targets) ለየብቻው በመውሰድ በደረጃ ያስተካክላል። አልጎሪዝሙ በአንድ ጊዜ አንድ የታወቀ የህዝብ ብዛት ህዳግ ያስተካክላል፣ ከዚያም የኋለኞቹ ማስተካከያዎች ከተደረጉ በኋላም የቀደሙት ህዳጎች አሁንም እንዲዛመዱ በነሱ ውስጥ ይደጋገማል።

አንድ የምድብ ተለዋዋጭ ብቻ በሚቀርብበት ጊዜ፣ መሣሪያው ካሊብሬሽኑን በአንድ ዑደት ውስጥ ያጠናቅቃል። በዚህ ጊዜ እያንዳንዱ ምድብ የተለመደውን የታርጌት-ድርሻ ÷ የአሁን-ድርሻ ማስተካከያ ያገኛል። በርካታ ህዳጎች በሚኖሩበት ጊዜ ግን በዝርዝሩ ውስጥ የሌሉትን የእርስ በርስ ጥምረቶቻቸውን እንዲዛመዱ አያስገድድም።

የመነሻ ክብደቶች (Base Weights) እና አጠቃቀማቸው

የመነሻ ክብደቶች (base weights) በካሊብሬሽን ሂደት ውስጥ እያንዳንዱ ምडलाሽ ሰጪ የሚጀምርበትን አንጻራዊ ክብደት ይወስናሉ።

ከህዝብ ብዛት ካሊብሬሽን በፊት የሚገባውን ክብደት መጠቀም ተገቢ ነው። ይህ በተለምዶ የእያንዳንዱ ምላሽ ሰጪ የመጨረሻ ምርጫ ዕድል ግልባጭ (inverse) ሲሆን፣ ጥናትዎ ከሚያስፈልገው ከማንኛውም የቀድሞ ምላሽ-አለመስጠት ማስተካከያ በኋላ የሚሰላ ነው። የፕሮባብሊቲ ክብደቶች ከሌሉዎት፣ እያንዳንዱን ሰው በ1 ለመጀመር የመነሻ-ክብደት አምድ መስኩን ባዶ መተው ይቻላል። ይህ የካሊብሬሽን ክብደቶችን ያመነጫል፣ ነገር ግን የምቾት ናሙናን (convenience sample) ወደ ፕሮባብሊቲ ናሙና አይቀይረውም።

የ Kish ክብደት ተፅዕኖ እና ውጤታማ የናሙና መጠን

በናሙናዎች ላይ የተለያየ ክብደት መስጠት የናሙናውን ስብጥር ቢያስተካክልም፣ በስታቲስቲካዊ ትክክለኛነት ላይ የራሱ የሆነ ተጽዕኖ አለው። ክብደቶች እጅግ በጣም የተለያዩ በሚሆኑበት ጊዜ የሰርቬዩ ልዩነት (variance) ይጨምራል፣ ይህም ውጤታማ የናሙና መጠንን (effective sample size) ይቀንሳል።

ይህንን ተጽዕኖ ለመለካት የ Kish ክብደት ተፅዕኖ (Kish weight effect) ጥቅም ላይ ይውላል። ይህ መለኪያ እኩል ካልሆኑ ክብደቶች ጋር ተያይዞ የሚመጣውን የትክክለኛነት ማጣትን ብቻ ነው የሚለካው። እኩል ክብደቶች 1ን ይሰጣሉ፣ እና ይበልጥ ተለዋዋጭ የሆኑ ክብደቶች ውጤታማ የናሙና መጠንን ይቀንሳሉ።

ይሁን እንጂ የ Kish ክብደት ተፅዕኖ ሙሉው የሰርቬይ ዲዛይን ተፅዕኖ (design effect) አይደለም። ክላስተሪንግ፣ ስትራቲፊኬሽን፣ የተወሰነ የህዝብ ብዛት ማስተካከያዎች እና ውጤቱ ከካሊብሬሽን ተለዋዋጮች ጋር እንዴት እንደሚዛመድ ሁሉም ትክክለኛውን ልዩነት (variance) ሊለውጡት ይችላሉ። ለስታንዳርድ ስህተቶች እና ለኮንፊደንስ ኢንተርቫሎች ሙሉውን የናሙና ንድፍ የሚያውቅ ሶፍትዌር መጠቀም ያስፈልጋል።

የካሊብሬሽን ውድቀቶችን መመርመር

የሬኪንግ አልጎሪዝም ሁልጊዜ በተሳካ ሁኔታ ላይሰበሰብ (converge ላይያደርግ) ይችላል። ለዚህም የተለያዩ ምክንያቶች አሉ፦

1. የዜሮ-ሴል ችግር (Zero-Cell Condition)፦ አዎንታዊ የታርጌት እሴት ከተጠኚዎች ናሙና ውስጥ ምንም ምላሽ ሰጪ ከሌለው ምድብ ሊፈጠር አይችልም። በአንድ ምድብ ውስጥ ምንም ምላሽ ሰጪ ከሌለ ወይም የመነሻ ክብደቱ 0 ከሆነ አልጎሪዝሙ መፍትሄ ማግኘት አይችልም።
2. የማይጣጣሙ ዒላማዎች፦ ከበርካታ ተለዋዋጮች ጋር በሚሆንበት ጊዜ፣ የታዩት ጥምረቶች በሌላ መልኩ ምክንያታዊ የሚመስሉትን ህዳጎች እርስ በርሳቸው የማይጣጣሙ ሊያደርጓቸው ይችላሉ።
3. የድግግሞሽ ገደብ ማለቅ፦ በጣም አጭር የድግግሞሽ ገደብ ወይም እጅግ በጣም ከፍተኛ የሆኑ መነሻ ክብደቶች የተፈለገው የቶለራንስ ገደብ ከመድረሱ በፊት ሂደቱን ሊያቆሙት ይችላሉ።

የታርጌት ኦዲቱ እና የከፋው ታርጌት መዝገብ አለመጣጣሙ የት ላይ እንደቀረ ያሳያሉ፤ እነዚያን የመጨረሻ ክብደቶች እንደተስተካከሉ አድርገው መውሰድ የለብዎትም።

የዳታ ዝግጅት እና የግብዓት ገደቦች

መሣሪያውን በትክክል ለመጠቀም የናሙና እና የዒላማ ዳታዎችን በተገቢው ፎርማት ማዘጋጀት ያስፈልጋል።

የምላሽ ሰጪ ዳታ (Respondent data)

• የራስጌ ረድፍ እና ቢያንስ አንድ የምላሽ ሰጪ ረድፍ ማካተት አለበት።
• በአጠቃላይ ከ 2,000,000 ቁምፊዎች በታች እና ቢበዛ 20,000 የምላሽ ሰጪ ረድፎችን መያዝ አለበት።
• ቢያንስ ሁለት ስም ያላቸው አምዶች ሊኖሩት ይገባል፣ እያንዳንዱም አምድ ልዩ ራስጌ ሊኖረው ይገባል።
• ታቦች፣ ሴሚኮሎኖች ወይም የ CSV ኮማዎች እንደ መለያያ ያገለግላሉ። የአካባቢዎ የነጥብ አስርዮሽ ምልክት በእያንዳንዱ ሴል ውስጥ እንዲቆይ ታቦችን ወይም ሴሚኮሎኖችን መጠቀም ይመረጣል።

የህዝብ ብዛት ህዳጎች (Population margins)

• በትክክል ሶስት አምዶችን መያዝ አለበት፦ ተለዋዋጭ፣ ምድብ እና ፐርሰንት።
• ቢበዛ 500 የዒላማ ረድፎች፣ 6 የካሊብሬሽን ተለዋዋጮች ወይም ለእያንዳንዱ ተለዋዋጭ 100 የዒላማ ምድቦች ብቻ መፈቀድ አለባቸው።
• ለእያንዳንዱ ተለዋዋጭ የዒላማዎች ድምር በትክክል 100% መሆን አለበት፣ እና እያንዳንዱ ዒላማ ከ 0% እስከ 100% መሆን አለበት።

የአልጎሪዝም ቀመሮች

መሣሪያው ክብደቶችን ለማስላት እና መደበኛ ለማድረግ የሚከተሉትን ቀመሮች ይጠቀማል፦

• የመጀመሪያ ዑደት ማስተካከያ፦ ‹variable› / ‹category›፦ ፋክተር = የታርጌት ድምር ÷ የአሁኑ ድምር = ‹target› ÷ ‹current› = ‹factor›
• የክብደት መደበኛነት (Normalization)፦ የመጨረሻዎቹን ክብደቶች አማካያቸው 1 እንዲሆን ያድርጉ፣ በዚህም ድምራቸው ከምላሽ ሰጪዎች ብዛት ጋር እኩል ይሆናል፦ Σw = n = ‹count›።
• የ Kish ክብደት ተፅዕኖ፦ የ Kish ክብደት ተፅዕኖ = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›።
• ውጤታማ የናሙና መጠን፦ ውጤታማ የናሙና መጠን = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›።

የግላዊነት እና የዳታ አያያዝ መረጃ

የእርስዎ የምላሽ ሰጪ ዳታ እና የተሰሉ ክብደቶች በዚህ አሳሽ ውስጥ ይቆያሉ እና መቼም ቢሆን አይሰቀሉም። ሁሉም ስሌቶች የሚከናወኑት በተጠቃሚው የድር አሳሽ ውስጥ ብቻ ነው።

---