حاسبة أوزان الاستطلاع

قم بوزن بيانات المستجيبين لتطابق هوامش المجتمع المعروفة بالـ Raking، ثم افحص كل وزن نهائي، وبواقي الأهداف، وحجم العينة الفعال.

العينة والأهداف

ألصق ترويسة وما يصل إلى 20,000 صف من صفوف المستجيبين (2,000,000 حرف). تعمل علامات التبويب والفواصل المنقوطة وفواصل CSV؛ وتستخدم الأرقام النقطة كعلامة عشرية.
استخدم المتغير، والفئة، والنسبة المئوية المستهدفة (0%–100%): 500 صف كحد أقصى، و6 متغيرات، و100 فئة لكل منها. يجب أن يغطي كل متغير جميع الفئات التي تم أخذ عينات منها وأن يبلغ مجموعه 100%.
اختياري وبدون أبعاد. اتركه فارغًا لبدء وزن الجميع عند 1. يجب أن تكون القيم محدودة وأكبر من 0.
عمود رقمي محدود اختياري يستخدم فقط لمقارنة المتوسطات الموزونة؛ وتحتفظ النتائج بوحدة العمود الخاصة به.
بدون أبعاد. توقف عندما يكون الخطأ النسبي لكل هدف عند هذه القيمة أو أقل منها (1e-12 إلى 1e-2).
تظل الأوزان الأخيرة للتشخيص فقط إذا تم الوصول إلى هذا الحد قبل التقارب (1 إلى 500).

الأوزان المعايرة

تطابق الهوامش

—

تدقيق الأهداف

المتغيرالفئةحجم العينة nالهدفالموزونالباقي

عوامل تعديل الدورة الأولى

المتغيرالفئةالمجموع الحاليمجموع الهدفالعامل

سجل التقارب

التكرارأقصى خطأ نسبيأسوأ هدف

أوزان المستجيبين

الصفIDالوزن الأساسيالتعديلالوزن النهائيالنتيجة

الخوارزمية والتعويض

Smc = Σ wi for i in category c

Tmc = n × targetmc ÷ 100

amc = Tmc ÷ Smc

wi ← wi × amc

wi,final = di × adjustmenti

DEFFKish = n·Σwi² ÷ (Σwi)²

neff = (Σwi)² ÷ Σwi²

    ألصق بيانات المستجيبين وأهداف المجتمع لإنشاء الأوزان.

    تبقى بيانات المستجيبين والأوزان المحسوبة في هذا المتصفح ولا يتم رفعها أبدًا.

    الأسئلة الشائعة

    ما هو الـ Raking، ومتى يكون الهامش الواحد مجرد بعد-طبقي؟

    يقوم الـ Raking بتعديل هامش مجتمع معروف واحد في كل مرة، ثم يدور عبرها حتى تظل الهوامش السابقة متطابقة بعد التعديلات اللاحقة. إذا قدمت متغيرًا فئويًا واحدًا فقط، فإن دورة واحدة تكفي: تحصل كل فئة على التعديل المألوف (الحصة المستهدفة ÷ الحصة الحالية). الهوامش المتعددة لا تجبر تركيباتها المتقاطعة غير المدرجة على التطابق.

    ما الذي يجب أن أستخدمه كوزن أساسي؟

    استخدم الوزن الذي ينتمي إلى ما قبل معايرة المجتمع — عادةً ما يكون مقلوب احتمال الاختيار النهائي لكل مستجيب، بعد أي تعديل لعدم الاستجابة السابقة تتطلبه دراستك. إذا لم تكن لديك أوزان احتمالية، فاترك الحقل فارغًا لبدء الجميع عند 1. ينتج عن ذلك أوزان معايرة، لكنه لا يحول عينة ملائمة إلى عينة احتمالية.

    هل تأثير وزن Kish هو تأثير تصميم الاستطلاع الكامل؟

    لا. فهو يقيس فقط فقدان الدقة المرتبط بالأوزان غير المتساوية: الأوزان المتساوية تعطي 1، والأوزان الأكثر تباينًا تقلل من حجم العينة الفعال. يمكن للعنقودية، والطبقية، وتصحيحات المجتمع المحدود، وكيفية ارتباط النتيجة بمتغيرات المعايرة أن تغير التباين الحقيقي. استخدم برنامجًا يعرف تصميم العينة الكامل للحصول على الأخطاء المعيارية وفترات الثقة.

    لماذا يمكن ألا يكون للهدف حل أو يفشل في التقارب؟

    لا يمكن إنشاء هدف إيجابي من فئة لا تحتوي على مستجيبين في العينة. مع وجود متغيرات متعددة، يمكن للتركيبات المرصودة أيضًا أن تجعل الهوامش التي تبدو معقولة غير متوافقة. قد يتوقف حد التكرار القصير جدًا أو الأوزان البدائية المتطرفة قبل الوصول إلى التسامح المطلوب. يوضح تدقيق الأهداف وسجل أسوأ هدف مكان بقاء عدم التطابق؛ لا تتعامل مع تلك الأوزان الأخيرة على أنها تمت معايرتها.

    كتبه وراجعه فريق التحرير في BroBroGo.آخر تحديث:

    مقدمة في معايرة الاستطلاعات

    تعد معايرة بيانات المستجيبين خطوة أساسية في تحليل الاستطلاعات لضمان أن العينة المستهدفة تمثل المجتمع الفعلي بدقة. عند جمع البيانات، غالبًا ما تختلف توزيعات العينة الديموغرافية (مثل العمر، والجنس، والمنطقة الجغرافية) عن النسب المعروفة في المجتمع نتيجة لعدم الاستجابة أو التحيزات في المعاينة. تتيح أداة "حاسبة أوزان الاستطلاع" للباحثين والمحللين ضبط هذه البيانات باستخدام خوارزمية الـ Raking (المعروفة بالتكرار النسبي المتناسب) لتتوافق هوامش العينة مع أهداف المجتمع المحددة.

    تتم عملية المعالجة والحسابات بالكامل محليًا داخل متصفح الويب الخاص بالمستخدم؛ حيث تبقى بيانات المستجيبين والأوزان المحسوبة في هذا المتصفح ولا يتم رفعها أبدًا إلى أي خادم خارجي.

    آلية عمل الخوارزمية: الـ Raking مقابل بعد-الطبقية

    تعتمد الأداة على خوارزمية الـ Raking لضبط الأوزان. في حال وجود متغير فئوي واحد فقط، يتم تطبيق "Single Margin Behavior" حيث تكتمل المعايرة في دورة واحدة عبر تعديل بسيط يتمثل في قسمة الحصة المستهدفة على الحصة الحالية لكل فئة.

    أما عند وجود متغيرات متعددة، فإن بعد-الطبقية التقليدي (Post-Stratification) يتطلب معرفة النسب المشتركة لكل الخلايا المتقاطعة (مثل نسبة الإناث في فئة عمرية معينة وموقع جغرافي محدد)، وهو ما قد لا يكون متاحًا أو يؤدي إلى خلايا فارغة. هنا يأتي دور الـ Raking (Iterative Proportional Fitting) الذي يقوم بتعديل هامش مجتمع معروف واحد في كل مرة، ثم يدور عبر المتغيرات بشكل متكرر حتى تتطابق جميع الهوامش وتستقر الفروق ضمن حد التسامح النسبي المحدد.

    مدخلات الأداة وشروط البيانات

    تتطلب الحاسبة مدخلات محددة لضمان سير الخوارزمية بشكل صحيح وتجنب الأخطاء:

    1. بيانات المستجيبين (Respondents)

    • التنسيق: جدول يحتوي على صف ترويسة وصف لكل مستجيب. يدعم علامات التبويب (Tabs)، الفواصل المنقوطة (;)، أو الفواصل العادية (CSV). في البيئات التي تستخدم الفاصلة العشرية المحلية غير النقطة، يفضل استخدام علامات التبويب أو الفواصل المنقوطة لضمان بقاء العلامة العشرية داخل الخلية.
    • القيود: يجب ألا يتجاوز حجم النص 2,000,000 حرف، وألا تزيد الصفوف عن 20,000 صف. يجب أن يحتوي الجدول على عمودين مسميين على الأقل بترويسات فريدة وغير فارغة.

    2. هوامش المجتمع (%) (Population margins)

    • التنسيق: جدول يتكون من ثلاثة أعمدة بالضبط: المتغير (Variable)، الفئة (Category)، والنسبة المئوية المستهدفة (Target percent).
    • القيود: 500 صف كحد أقصى، و6 متغيرات معايرة، و100 فئة لكل متغير. يجب أن تغطي الفئات كافة القيم الموجودة في العينة، وأن يكون مجموع نسب كل متغير 100% بالضبط، وقيم النسب الفردية بين 0% و100%.

    3. خيارات إضافية وإعدادات التحكم

    • عمود الوزن الأساسي (Base-weight column): اختياري وبدون أبعاد. يمثل الوزن البدائي للمستجيب بناءً على احتمالية الاختيار. إذا ترك فارغًا، يبدأ وزن الجميع عند القيمة الافتراضية 1. يجب أن تكون القيم أرقامًا محدودة أكبر من 0.
    • عمود النتيجة (Outcome column): عمود رقمي محدود اختياري لمقارنة المتوسطات الموزونة قبل وبعد المعايرة.
    • التسامح النسبي (Relative tolerance): يحدد حد توقف الخوارزمية، ويجب أن يتراوح بين 1e-12 و1e-2.
    • الحد الأقصى للتكرارات (Maximum iterations): عدد دورات الخوارزمية، ويجب أن يكون عددًا صحيحًا بين 1 و500.
    • المنازل العشرية المعروضة: اختر 4 أو 6 أو 8 منازل عشرية للعرض فقط؛ لا يغيّر ذلك دقة الحسابات الوسيطة.

    مخرجات الحسابات والتشخيص الإحصائي

    عند تشغيل الأداة، تظهر النتائج مقسمة إلى عدة أقسام تشخيصية:

    ملخص الإحصاءات وتطابق الهوامش

    تظهر في الأعلى لافتة "تطابق الهوامش" وتعرض إما:

    • "تمت مطابقة جميع هوامش المجتمع الـ ‹margins›"
    • "توقف عند أقصى خطأ نسبي قدره ‹residual›"

    وتعرض الإحصاءات الأساسية التالية:

    • المستجيبون (Respondents)
    • الهوامش (Margins)
    • التكرارات (Iterations)
    • أكبر متبقٍ (Largest residual)
    • تأثير وزن Kish (Kish weight effect)
    • حجم العينة الفعال (Effective sample size)
    • كفاءة الوزن (Weighting efficiency)
    • نطاق الوزن النهائي (Final weight range)

    وفي حال تحديد عمود النتيجة، يظهر قسم "تحول النتيجة" ويعرض:

    • المتوسط الموزون البدائي (Starting weighted mean)
    • المتوسط الموزون النهائي (Final weighted mean)
    • التغيير (Change)

    الجداول التفصيلية وسجل التقارب

    1. تدقيق الأهداف: جدول يعرض المقارنة بين العينة والأهداف ويحتوي على الأعمدة: المتغير، الفئة، حجم العينة n، الهدف، الموزون، الباقي.
    2. عوامل تعديل الدورة الأولى: يوضح التعديلات الأولية بالأعمدة: المتغير، الفئة، المجموع الحالي، مجموع الهدف، العامل.
    3. سجل التقارب: يتتبع مسار الخوارزمية خطوة بخطوة عبر الأعمدة: التكرار، أقصى خطأ نسبي، أسوأ هدف.
    4. أوزان المستجيبين: يعرض جدولاً بالصفوف الفردية يحتوي على: الصف، الوزن الأساسي، التعديل، الوزن النهائي، والنتيجة (إن وجدت). يعرض المتصفح أول 500 صف فقط للحفاظ على الأداء، ويمكن نسخ البيانات الكاملة عبر زر "نسخ البيانات الموزونة".

    المعادلات الرياضية المستخدمة

    تعتمد الحاسبة على المعادلات التالية في حساب التعديلات والمؤشرات التشخيصية:

    • حساب عامل التعديل لكل فئة: ‹variable› / ‹category›: العامل = مجموع الهدف ÷ المجموع الحالي = ‹target› ÷ ‹current› = ‹factor›

    • تقييس الأوزان (Normalization): معايرة الأوزان النهائية ليكون متوسطها 1، بحيث يساوي مجموعها عدد المستجيبين: Σw = n = ‹count›.

    • تأثير وزن Kish (Kish weight effect): يقيس الفقدان في كفاءة التقدير الناتج عن تباين الأوزان: تأثير وزن Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.

    • حجم العينة الفعال (Effective sample size): يعبر عن حجم العينة الفعلي بعد خصم تأثير تباين الأوزان: حجم العينة الفعال = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

    ملاحظة هامة: تطابق هذه الأوزان الهوامش التي قدمتها، وليس المتغيرات التي لم تقدمها. يعكس تشخيص Kish الأوزان غير المتساوية فقط؛ ولا يشمل العنقودية أو الطبقية أو تقدير تباين الاستطلاع الكامل.

    معالجة الأخطاء والحالات الاستثنائية

    تمتلك الأداة نظامًا دقيقًا للتحقق من البيانات وإصدار رسائل خطأ واضحة عند مواجهة قيم غير صالحة أو حالات رياضية مستحيلة:

    • حالة الخلية الصفرية (Zero-Cell): إذا كانت هناك فئة في المجتمع لها نسبة مستهدفة إيجابية ولكن لا يوجد أي مستجيب في العينة ينتمي إليها، تعجز الخوارزمية عن الحل وتظهر الرسالة: "‹variable› / ‹category›" يحتوي على هدف إيجابي ولكن لا يوجد وزن عينة قابل للاستخدام، لذا لا يوجد حل محدود.
    • عدم التقارب (Convergence Failure): إذا انتهت التكرارات المتاحة دون الوصول للتسامح المطلوب، تظهر الرسالة: تم الوصول إلى حد التكرار (‹iterations›) قبل التقارب. يتم عرض الأوزان الأخيرة للتشخيص، وليس كأوزان معايرة.
    • الأوزان المتطرفة: إذا نجحت المعايرة ولكن كانت الفجوة بين الأوزان ضخمة، يظهر تحذير: تطابقت الهوامش، ولكن أوسع وزن يعادل ‹ratio› ضعف أصغر وزن؛ افحص حجم العينة الفعال قبل استخدامها.
    • تطابق مسبق: إذا كانت البيانات متطابقة بالفعل مع الأهداف دون حاجة لتعديل: تتطابق الأوزان البدائية بالفعل مع كل هامش مطلوب.

    الأسئلة الشائعة

    س: ما الذي يجب أن أستخدمه كوزن أساسي؟
    ج: استخدم الوزن الذي ينتمي إلى ما قبل معايرة المجتمع — عادةً ما يكون مقلوب احتمال الاختيار النهائي لكل مستجيب، بعد أي تعديل لعدم الاستجابة السابقة تتطلبه دراستك. إذا لم تكن لديك أوزان احتمالية، فاترك الحقل فارغًا لبدء الجميع عند 1. ينتج عن ذلك أوزان معايرة، لكنه لا يحول عينة ملائمة إلى عينة احتمالية.

    س: ما هو الـ Raking، ومتى يكون الهامش الواحد مجرد بعد-طبقي؟
    ج: يقوم الـ Raking بتعديل هامش مجتمع معروف واحد في كل مرة، ثم يدور عبرها حتى تظل الهوامش السابقة متطابقة بعد التعديلات اللاحقة. إذا قدمت متغيرًا فئويًا واحدًا فقط، فإن دورة واحدة تكفي: تحصل كل فئة على التعديل المألوف (الحصة المستهدفة ÷ الحصة الحالية). الهوامش المتعددة لا تجبر تركيباتها المتقاطعة غير المدرجة على التطابق.

    س: لماذا يمكن ألا يكون للهدف حل أو يفشل في التقارب؟
    ج: لا يمكن إنشاء هدف إيجابي من فئة لا تحتوي على مستجيبين في العينة. مع وجود متغيرات متعددة، يمكن للتركيبات المرصودة أيضًا أن تجعل الهوامش التي تبدو معقولة غير متوافقة. قد يتوقف حد التكرار القصير جدًا أو الأوزان البدائية المتطرفة قبل الوصول إلى التسامح المطلوب. يوضح تدقيق الأهداف وسجل أسوأ هدف مكان بقاء عدم التطابق؛ لا تتعامل مع تلك الأوزان الأخيرة على أنها تمت معايرتها.

    س: هل تأثير وزن Kish هو تأثير تصميم الاستطلاع الكامل؟
    ج: لا. فهو يقيس فقط فقدان الدقة المرتبط بالأوزان غير المتساوية: الأوزان المتساوية تعطي 1، والأوزان الأكثر تباينًا تقلل من حجم العينة الفعال. يمكن للعنقودية، والطبقية، وتصحيحات المجتمع المحدود، وكيفية ارتباط النتيجة بمتغيرات المعايرة أن تغير التباين الحقيقي. استخدم برنامجًا يعرف تصميم العينة الكامل للحصول على الأخطاء المعيارية وفترات الثقة.

    حاسبة الانحدار الخطيطابق خط المربعات الصغرى مع البيانات المزدوجة واقرأ ميله، وقيمة R²، وقيمة p، وفترات الثقة، والبواقي والتوقعات في مكان واحد.حاسبة قيمة Z والانحراف المعياريألصق مجموعة بيانات للحصول على متوسطها وانحرافها المعياري وقيم z لكل قيمة، أو حل المعادلة z = (x − μ) / σ لمجهول واحد مع احتمالات المنحنى الطبيعي.حاسبة النسبة المئويةما هي قيمة نسبة مئوية من رقم ما، ونسبة قيمة إلى أخرى، وإجمالي القيمة بناءً على نسبة معروفة، والزيادة أو النقصان بين رقمين، وأسعار البيع بعد الخصم — كل ذلك في صفحة واحدة.حاسبة النسبةبسّط نسبة، أو احسب القيمة الفارغة في تناسب، أو اضرب طرفي النسبة في العامل نفسه.حاسبة مركز الكتلةأدخل وزن كل قطعة وموقعها، وشاهد نقطة الاتزان مع المجموع الموزون خلف كل محور.حاسبة معدل الحدوث والانتشارحوّل أعداد الحالات والمجموعات السكانية إلى حدوث تراكمي، ومعدل حدوث بالوقت الشخصي، وانتشار نقطي — مع إظهار المقام بوضوح خلف كل مقياس.برنامج رسم الهرم السكانيحوّل أعداد الأعمار والجنس إلى هرم سكاني تفاعلي مع نسب الإعالة، والوسيط العمري، وتحليل لشكل الهرم.مقارن طرق التصويتقم بتشغيل سيناريو واحد لأوراق الاقتراع المرتبة عبر خمس قواعد فرز واعرف بالضبط سبب اختلاف الفائزين.