El calibratge de dades mostrals és un pas fonamental en la investigació social i d'opinió per garantir que les conclusions d'un estudi representin fidelment la població de referència. Quan es realitza una enquesta, la distribució demogràfica dels enquestats (com ara l'edat, el gènere o la regió) rarament coincideix de manera exacta amb les estadístiques oficials del cens. La ponderació d'enquestes corregeix aquestes desviacions ajustant el pes estadístic de cada individu.
Aquesta eina en línia utilitza l'algorisme de raking (ajust proporcional iteratiu) per calibrar les dades de les respostes a partir dels marges de població coneguts. Tot el processament de les dades i els càlculs es realitzen localment dins del propi navegador web de l'usuari; cap dada es penja ni es transmet a servidors externs.
Introducció al calibratge d'enquestes i el mètode de raking
El calibratge d'enquestes consisteix a assignar un pes numèric a cada enquestat de la mostra perquè la suma ponderada de les seves característiques demogràfiques coincideixi amb els paràmetres coneguts de la població. El mètode de raking, o ajust proporcional iteratiu (IPF), és l'estàndard de la indústria per assolir aquesta coincidència quan es disposa de múltiples variables de calibratge de manera independent (marges unidimensionals), en lloc de la distribució conjunta completa.
A diferència de la postestratificació simple, que requereix conèixer la proporció exacta de cada combinació creuada de variables (per exemple, la proporció exacta de dones de 18 a 24 anys a la regió nord), el raking només requereix els totals marginals de cada variable per separat. L'algorisme funciona de manera cíclica: ajusta els pesos dels enquestats per fer-los coincidir amb els objectius de la primera variable, després pren aquests nous pesos i els ajusta per a la segona variable, i així successivament. Aquest procés es repeteix de manera iterativa fins que la distribució de la mostra ponderada convergeix simultàniament amb tots els marges de població sol·licitats dins d'un límit de tolerància especificat.
Preparació de les dades i requisits d'entrada
Per utilitzar la calculadora, cal preparar dues taules de dades independents que s'han d'enganxar directament a la interfície:
1. Dades de les respostes
Aquesta taula conté la informació individualitzada dels enquestats.
- Format: Ha d'incloure una fila de capçalera amb els noms de les variables i una fila per a cada enquestat. S'accepten tabuladors, punts i comes o comes com a delimitadors. En configuracions regionals on el punt decimal no és un punt, es recomana utilitzar tabuladors o punts i comes per evitar conflictes amb els valors numèrics.
- Límits: El text enganxat ha de tenir menys de 2,000,000 de caràcters i contenir com a màxim 20,000 files de respostes. Ha de tenir com a mínim dues columnes amb nom, cap capçalera pot estar en blanc i cada nom de columna ha de ser únic.
- Columna de pes base (opcional): Permet especificar una columna amb els pesos inicials de cada enquestat (per exemple, l'invers de la probabilitat de selecció). Si es deixa en blanc, s'assigna per defecte un pes inicial d'1 a tots els individus. Els valors d'aquesta columna han de ser nombres finits superiors a 0.
- Columna de resultat (opcional): Una columna numèrica de la mostra que s'utilitza per avaluar l'impacte del calibratge sobre una mètrica d'interès, comparant la mitjana ponderada inicial i la final.
2. Marges de població (%)
Aquesta taula defineix els objectius demogràfics que s'han d'assolir.
- Format: Ha de tenir exactament tres columnes sense capçalera: variable, categoria i percentatge objectiu.
- Límits: Com a màxim es poden incloure 500 files d'objectiu, 6 variables de calibratge i 100 categories per variable. Els percentatges objectiu han d'estar compresos entre el 0% i el 100%, i la suma dels percentatges de totes les categories d'una mateixa variable ha de ser exactament del 100%. Totes les categories presents a la mostra han d'estar definides a la taula d'objectius.
Diagnòstic de la ponderació: l'efecte Kish i la mida mostral efectiva
L'ajust dels pesos dels enquestats per corregir el biaix de representació té un cost estadístic: l'augment de la variància de les estimacions. Quan els pesos dels individus són molt desiguals, la precisió de l'enquesta disminueix. L'eina calcula automàticament aquest impacte mitjançant les fórmules de Leslie Kish per a l'efecte de pes i la mida mostral efectiva:
-
Efecte de pes de Kish: Mesura l'increment de la variància a causa de la desigualtat dels pesos. Es calcula com: On n és el nombre d'enquestats i w representa el pes final de cada individu. A la interfície de l'eina, aquesta fórmula es mostra com:
-
Mida mostral efectiva: Representa la mida que hauria de tenir una mostra aleatòria simple equivalent (amb pesos iguals) per obtenir el mateix nivell de precisió estadística. Es calcula com: A la interfície, es mostra com:
Aquests indicadors reflecteixen exclusivament la variabilitat introduïda pels pesos de calibratge. No incorporen altres elements del disseny mostral complex, com ara l'estratificació o la selecció per conglomerats.
‹variable› / ‹category›: factor = suma objectiu ÷ suma actual = ‹target› ÷ ‹current› = ‹factor›Normalitza els pesos finals a una mitjana d'1, de manera que la seva suma sigui igual al recompte d'enquestats: Σw = n = ‹count›.Efecte de pes de Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.Mida mostral efectiva = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.
Aquests pesos coincideixen amb els marges que heu proporcionat, no amb variables que no hàgiu proporcionat. El diagnòstic de Kish reflecteix únicament la desigualtat dels pesos; no inclou l'efecte de conglomerats, l'estratificació ni una estimació completa de la variància de l'enquesta.
Regles de càlcul, normalització i errors de l'algorisme
Durant el procés de calibratge, l'eina aplica de manera estricta les següents regles de comportament i control d'errors:
- Normalització: Un cop finalitzat el calibratge, els pesos s'escalen de manera que la seva mitjana sigui exactament 1. Això implica que la suma de tots els pesos finals és igual al nombre total d'enquestats de la mostra (Σ w = n). La fórmula de normalització es descriu com:
Normalitza els pesos finals a una mitjana d'1, de manera que la seva suma sigui igual al recompte d'enquestats: Σw = n = ‹count›. - Cas d'un sol marge: Si només es proporciona una variable de calibratge, l'algorisme es completa en un sol cicle aplicant la fórmula directa de factor d'ajust per a cada categoria:
‹variable› / ‹category›: factor = suma objectiu ÷ suma actual = ‹target› ÷ ‹current› = ‹factor› - Condició de cel·la buida: Si una categoria té un percentatge objectiu superior a zero però no hi ha cap enquestat a la mostra que hi pertanyi (o la suma dels seus pesos inicials és 0), l'algorisme no pot calcular un factor d'ajust i s'atura mostrant l'error:
«‹variable› / ‹category›» té un objectiu positiu però no té cap pes de mostra utilitzable, de manera que no existeix cap solució finita. - Pesos extrems: Si el calibratge té èxit però la relació entre el pes més gran i el més petit és excessivament alta, es mostra l'advertiment:
Els marges han coincidit, però el pes més gran és ‹ratio› vegades el més petit; comproveu la mida mostral efectiva abans d'utilitzar-los. - Pesos ja coincidents: Si la mostra ja està perfectament alineada amb els objectius demogràfics abans de començar, es mostra el missatge:
Els pesos inicials ja coincideixen amb tots els marges sol·licitats.
Taula de missatges d'error de validació
L'eina valida exhaustivament les dades d'entrada abans d'executar l'algorisme de raking. A continuació es detallen els missatges d'error que es poden produir durant la càrrega i validació de les dades:
| Àmbit de validació | Missatge d'error de la interfície |
|---|---|
| Dades buides | Incloeu una fila de capçalera i com a mínim una fila de respostes. |
| Capçalera de dades | La taula de respostes necessita com a mínim dues columnes amb nom i cap capçalera en blanc. |
| Capçaleres duplicades | Cada columna de dades de respostes necessita una capçalera única. |
| Ample de fila incorrecte | La fila ‹line› té ‹actual› cel·les; la capçalera en té ‹expected›. |
| Mida de l'entrada | No utilitzeu més de 2,000,000 de caràcters a cap de les taules enganxades. |
| Límit de files | Utilitzeu com a màxim ‹max› files de respostes. |
| Columna absent | Les dades no contenen cap columna anomenada «‹column›». |
| Lectura de pes | «‹token›» no és un pes base finit (fila ‹line›). |
| Pes no positiu | El pes base a la fila ‹line› ha de ser superior a 0. |
| Lectura de resultat | «‹token›» no és un valor de resultat finit (fila ‹line›). |
| Ample de fila d'objectiu | La fila d'objectiu ‹line› necessita exactament tres cel·les: variable, categoria i percentatge. |
| Lectura d'objectiu | «‹token›» no és un percentatge objectiu vàlid (fila d'objectiu ‹line›). |
| Objectiu fora de rang | La fila d'objectiu ‹line› ha d'estar entre el 0% i el 100%, ambdós inclosos. |
| Suma d'objectius | Els objectius per a «‹variable›» sumen un ‹total›%; han de sumar exactament el 100%. |
| Objectiu duplicat | «‹variable› / ‹category›» apareix més d'una vegada a la taula d'objectius. |
| Límit de variables | Utilitzeu com a màxim ‹max› variables de calibratge. |
| Límit de categories | «‹variable›» té més de ‹max› categories d'objectiu. |
| Límit de files d'objectiu | Utilitzeu com a màxim ‹max› files d'objectiu. |
| Categoria buida | Hi ha una categoria de calibratge en blanc a la fila ‹line›. Nomeneu els valors que falten de manera explícita si formen part de l'objectiu. |
| Objectiu absent | La mostra conté «‹variable› / ‹category›», però la taula d'objectius no. |
| Tolerància incorrecta | Trieu una tolerància relativa d'1e-12 a 1e-2. |
| Iteracions incorrectes | Trieu un límit d'iteracions de l'1 al 500. |
| Desbordament numèric | Un pes, una suma o un ajust ha sortit del rang de nombres finits. Torneu a escalar els pesos base i proveu-ho de nou. |
Preguntes freqüents (FAQ)
Què he d'utilitzar com a pes base?
Utilitzeu el pes corresponent abans del calibratge de la població; normalment, l'invers de la probabilitat de selecció final de cada enquestat, després de qualsevol ajust previ per falta de resposta que requereixi el vostre estudi. Si no disposeu de pesos de probabilitat, deixeu el camp en blanc per començar amb un valor d'1 per a tothom. Això genera pesos de calibratge, però no converteix una mostra de conveniència en una mostra probabilística.
Què és el raking i quan un marge és simplement una postestratificació?
El mètode de raking ajusta un marge de població conegut cada vegada i, a continuació, va fent cicles fins que els marges anteriors continuen coincidint després dels ajustos posteriors. Si només proporcioneu una variable categòrica, n'hi ha prou amb un sol cicle: cada categoria rep l'ajust habitual de proporció objectiu ÷ proporció actual. L'ús de múltiples marges no obliga a coincidir les seves combinacions creuades no llistades.
Per què un objectiu pot no tenir solució o no convergir?
No es pot crear un objectiu positiu a partir d'una categoria sense cap enquestat a la mostra. Amb diverses variables, les combinacions observades també poden fer que marges que d'altra manera semblarien raonables siguin incompatibles. Un límit d'iteracions molt curt o uns pesos inicials extrems poden aturar el procés avant d'assolir la tolerància sol·licitada. L'auditoria de l'objectiu i el registre del pitjor objectiu mostren on es manté el desajust; no considereu aquests últims pesos com a calibrats.
L'efecte de pes de Kish és l'efecte complet del disseny de l'enquesta?
No. Només mesura la pèrdua de precisió associada a la desigualtat dels pesos: uns pesos iguals donen 1, i uns pesos més variables redueixen la mida mostral efectiva. L'efecte de conglomerats, l'estratificació, les correccions de població finita i la relació del resultat amb les variables de calibratge poden modificar la variància real. Utilitzeu programari que conegui el disseny mostral complet per calcular els errors estàndard i els intervals de confiança.