Küsitluse kaalumise kalkulaator

Küsitlusuuringute läbiviimisel erineb kogutud valimi demograafiline või sotsiaalmajanduslik koosseis sageli sihtpopulatsiooni tegelikust jaotusest. Selliste nihkete korrigeerimiseks kasutatakse andmete kalibreerimist, mis kohandab üksikute vastajate kaale, kuni valimi marginaaljaotused vastavad teadaolevatele populatsiooni näitajatele. Küsitluse kaalumise kalkulaator võimaldab teostada seda kalibreerimist otse veebibrauseris, kasutades laialdaselt tunnustatud raking-algoritmi (iteratiivne proportsionaalne sobitamine).

Kogu andmetöötlus ja kaalude arvutamine toimub lokaalselt kasutaja veebibrauseris. Teie vastajate andmed ja arvutatud kaalud jäävad sellesse brauserisse ning neid ei laadita kunagi üles.

Küsitluse kalibreerimise põhimõtted ja raking-meetod

Küsitluse kalibreerimise eesmärk on viia valimi struktuur kooskõlla teadaolevate populatsiooni parameetritega, näiteks rahvaloenduse andmetega. Kui analüüsitakse mugavusvalimeid või esineb süstemaatilist vastamata jätmist, võivad teatud elanikkonnagrupid olla valimis üle- või alaesindatud. Kaalumise abil antakse alaesindatud gruppidele suurem kaal ja üleesindatud gruppidele väiksem kaal.

Raking ehk iteratiivne proportsionaalne sobitamine (IPF) on algoritm, mis kohandab valimi kaale mitme marginaalse sihtrühma järgi kordamööda. Erinevalt täielikust poststratifitseerimisest, mis nõuab vastajate olemasolu igas võimalikus demograafilises risttabeli lahtris (näiteks vanus × sugu × piirkond), vajab raking ainult iga muutuja üldiseid marginaalseid jaotusi. Algoritm kohandab kaale esimese muutuja järgi, seejärel teise järgi ja nii edasi, korrates tsüklit iteratiivselt, kuni kõigi muutujate marginaalsed jaotused ühtivad sihtväärtustega määratud tolerantsi piires.

Sisendandmete ettevalmistamine ja piirangud

Kalkulaatori korrektseks tööks on vajalik sisestada kaks tabelit, järgides täpseid formaadi- ja mahupiiranguid:

1. Vastanute andmed: Kopeeritav tabel, mis peab sisaldama päiserida ja vähemalt ühte vastaja rida. Maksimaalne lubatud maht on 20,000 vastaja rida ja tabeli suurus ei tohi ületada 2,000,000 märki.
   • Vorming: Toetatud on tabulaatorid, semikoolonid ja CSV-komad. Piirkondades, kus kümnendmärgina kasutatakse koma, on soovitatav kasutada eraldajana tabulaatorit või semikoolonit, et kümnendkoht jääks lahtri sisse.
   • Päised: Tabelis peab olema vähemalt kaks nimetatud veergu, päis ei tohi olla tühi ning igal veerul peab olema kordumatu nimi.
2. Populatsiooni marginaalid (%): Kolme veeruga tabel, mis sisaldab täpselt järgmisi veerge: muutuja, kategooria ja sihtprotsent.
   • Piirangud: Maksimaalselt on lubatud 500 sihtrühma rida, 6 kalibreerimismuutujat ning 100 sihtkategooriat ühe muutuja kohta. Iga muutuja sihtprotsentide summa peab olema täpselt 100% ning individuaalsed sihtväärtused peavad jääma vahemikku 0% kuni 100%.

Lisaks on võimalik määrata valikulised parameetrid:

• Algkaalu veerg: Määrab veeru, mis sisaldab algseid dimensioonita kaale (näiteks valikutõenäosuste pöördväärtused). Kui see jäetakse tühjaks, alustatakse kõigi vastajate puhul vaikimisi kaalust 1. Algkaalud peavad olema lõplikud arvud, mis on suuremad kui 0.
• Tulemusnäitaja veerg: Valikuline numbriline veerg, mida kasutatakse algse ja lõpliku kaalutud keskmise võrdlemiseks.
• Relatiivne tolerants: Määrab algoritmi seiskumise kriteeriumi vahemikus 1e-12 kuni 1e-2.
• Maksimaalselt iteratsioone: Piirab algoritmi tsüklite arvu vahemikus 1 kuni 500.

Kaalude arvutamine ja normaliseerimine

Raking-protsessi käigus kohandatakse kaale igas tsüklis järgmise valemi alusel:

‹variable› / ‹category›: tegur = sihtsumma ÷ praegune summa = ‹target› ÷ ‹current› = ‹factor›.

Pärast koondumist normaliseeritakse lõplikud kaalud keskmisele 1, mis tähendab, et kaalude summa võrdub vastajate koguarvuga: Normaliseerige lõplikud kaalud keskmisele 1, et nende summa võrduks vastajate arvuga: Σw = n = ‹count›..

Kui algkaalud juba vastavad sihtrühmadele, kuvatakse teade: „Algkaalud ühtivad juba kõigi soovitud marginaalidega.“. Ühe muutuja puhul teeb kalkulaator vaid ühe tsükli, rakendades lihtsat osakaalude suhte kohandust.

Diagnostika: Kishi kaaluefekt ja efektiivne valim

• Kishi kaaluefekt = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.
• Efektiivne valimi maht = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

Kishi diagnostika kajastab ainult ebavõrdsetest kaaludest tulenevat dispersiooni suurenemist. See ei võta arvesse klasterdamist, stratifitseerimist ega muid uuringudisaini aspekte.

Need kaalud ühtivad teie esitatud marginaalidega, mitte muutujatega, mida te ei esitanud. Kishi diagnostika kajastab ainult ebavõrdseid kaale; see ei sisalda klasterdamist, stratifitseerimist ega uuringu täielikku dispersioonihinnangut.

Vigade ja erijuhtude diagnoosimine

Kalkulaator kuvab sisend- ja koondumisprobleemid konkreetsete teadetena:

• Lisage päiserida ja vähemalt üks vastaja rida.
• Vastanute tabelis peab olema vähemalt kaks nimetatud veergu ja päis ei tohi olla tühi.
• Real ‹line› on ‹actual› lahtrit; päises on ‹expected›.
• Igal vastanute andmete veerul peab olema kordumatu päis.
• „‹token›“ ei ole lõplik algkaal (rida ‹line›).
• Algkaal real ‹line› peab olema suurem kui 0.
• Sihtrühma rida ‹line› peab olema vahemikus 0% kuni 100% (kaasa arvatud).
• Muutuja „‹variable›“ sihtväärtuste summa on ‹total›%; see peab olema täpselt 100%.
• Väärtusel „‹variable› / ‹category›“ on positiivne sihtväärtus, kuid puudub kasutatav valimi kaal, mistõttu lõplikku lahendust ei eksisteeri.

Koondumise hoiatus: Enne koondumist saavutati iteratsioonide piirarv (‹iterations›). Viimaseid kaale kuvatakse diagnoosimiseks, mitte kalibreeritud tulemustena.

Äärmuslike kaalude hoiatus: Marginaalid ühtisid, kuid suurim kaal on ‹ratio› korda väikseimast suurem; enne nende kasutamist kontrollige efektiivset valimi mahtu.

Korduma kippuvad küsimused

Mida peaksin kasutama algkaaluna?

Kasutage kaalu, mis kuulub populatsiooni kalibreerimise eelsesse aega — tavaliselt iga vastaja lõpliku valikutõenäosuse pöördväärtust pärast mis tahes varasemat vastamata jätmise kohandamist, mida teie uuring nõuab. Kui teil tõenäosuslikke kaale pole, jätke väli tühjaks, et alustada kõigi puhul väärtusest 1. See loob kalibreerimiskaalud, kuid ei muuda mugavusvalimit tõenäosuslikuks valimiks.

Miks võib sihtrühmal puududa lahendus või miks koondumine ebaõnnestub?

Positiivset sihtväärtust ei saa luua kategooriast, kus puudub valimisse kuuluv vastaja. Mitme muutuja puhul võivad vaadeldavad kombinatsioonid muuta ka muidu mõistlikuna tunduvad marginaalid ühildamatuks. Väga lühike iteratsioonide piirarv või äärmuslikud algkaalud võivad peatada protsessi enne soovitud tolerantsi saavutamist. Sihtrühmade audit ja halvima sihtrühma logi näitavad, kuhu mittevastavus jääb; ärge käsitlege neid viimaseid kaale kalibreeritutena.

Kas Kishi kaaluefekt on täielik uuringudisaini efekt?

Ei. See mõõdab ainult ebavõrdsete kaaludega seotud täpsuse kadu: võrdsed kaalud annavad tulemuseks 1 ja varieeruvamad kaalud vähendavad efektiivset valimi mahtu. Klasterdamine, stratifitseerimine, lõpliku populatsiooni korrektsioonid ja see, kuidas tulemusnäitaja on seotud kalibreerimismuutujatega, võivad kõik tegelikku dispersiooni muuta. Standardvigade ja usaldusvahemike leidmiseks kasutage tarkvara, mis tunneb täielikku valimidisaini.

Mis on raking ja millal on üks marginaal lihtsalt poststratifitseerimine?

Raking kohandab ühte teadaolevat populatsiooni marginaali korraga, seejärel kordab tsüklit läbi nende kõigi, kuni varasemad marginaalid ühtivad ka pärast hilisemaid kohandusi. Kui esitate ainult ühe kategoorilise muutuja, piisab ühest tsüklist: iga kategooria saab tuttava kohanduse (sihtosakaal ÷ praegune osakaal). Mitmed marginaalid ei sunni nende nimekirja kandmata ristkombinatsioone ühtima.