Panimula sa Pag-calibrate ng Survey
Ang pag-calibrate sa mga tugon ng survey ay isang mahalagang hakbang upang matiyak na ang nakolektang sample ay tumpak na kumakatawan sa mas malawak na populasyon. Madalas na nagkakaroon ng pagkakaiba ang distribusyon ng mga respondent kumpara sa aktwal na demograpiko ng populasyon dahil sa nonresponse bias o mga limitasyon sa sampling. Sa pamamagitan ng paggamit sa Kalkulador ng Survey Weighting, maaaring i-adjust ang mga indibidwal na timbang ng mga respondent upang ang mga marginal distribution ng sample ay sumunod sa mga kilalang benchmark ng populasyon.
Ang prosesong ito ay gumagamit ng raking algorithm, na kilala rin bilang iterative proportional fitting (IPF). Awtomatikong inaayos ng tool ang mga timbang hanggang sa magtugma ang mga margin ng sample at populasyon, habang nagbibigay ng mga diagnostic metric tulad ng epektibong laki ng sample at epekto ng timbang ng Kish upang masuri ang katumpakan ng survey.
Raking kumpara sa Post-Stratification
Sa pagsusuri ng survey, may dalawang pangunahing paraan upang i-adjust ang mga timbang ng sample:
- Post-Stratification: Ang pamamaraang ito ay nag-aatas ng target na porsyento para sa bawat partikular na kumbinasyon ng mga katangian (halimbawa, isang partikular na cell para sa "Babae, Edad 18–29, nakatira sa Luzon"). Nangangailangan ito ng kumpletong kaalaman sa magkakasamang distribusyon (joint distribution) ng populasyon, na madalas ay hindi magagamit o may napakaliit na sample size sa ilang cell.
- Raking (Iterative Proportional Fitting): Sa halip na gumamit ng mga kumplikadong cell, gumagamit ang raking ng mga hiwalay na marginal distribution (tulad ng kabuuang porsyento ng kasarian, kabuuang porsyento ng edad, at kabuuang porsyento ng rehiyon). Isa-isang inaayos ng algorithm ang bawat variable, at paulit-ulit na dadaan sa mga ito hanggang sa mag-converge ang lahat ng margin sa mga target na halaga.
Kung isang categorical variable lamang ang ibinigay, ang tool ay gumagana bilang isang simpleng post-stratification kung saan ang pagsasaayos ay nakukuha sa isang cycle lamang sa pamamagitan ng paghahati ng target-share sa kasalukuyang-share.
Paghahanda ng Data at mga Limitasyon sa Input
Upang magamit ang kalkulador, kailangang ihanda ang dalawang pangunahing talahanayan:
1. Data ng respondent (Respondents)
Ito ay isang pasted table na naglalaman ng isang header row at isang respondent sa bawat hanay.
- Mga Tinatanggap na Format: Sinusuportahan ang mga tab, semicolon, o CSV comma bilang delimiter. Para sa mga locale na gumagamit ng kuwit (comma) bilang decimal mark, iminumungkahing gumamit ng tab o semicolon upang manatili ang decimal mark sa loob ng cell nito.
- Mga Limitasyon: Ang kabuuang sukat ay dapat na mas mababa sa 2,000,000 karakter at hindi hihigit sa 20,000 hanay ng respondent. Dapat mayroong hindi bababa sa dalawang may pangalang kolum na walang blangkong header, at ang bawat header ay kailangang natatangi.
2. Mga margin ng populasyon (%) (Population margins)
Ito ang talahanayan ng mga target ng populasyon na may eksaktong tatlong kolum: variable, kategorya, at porsyento ng target.
- Mga Limitasyon: Limitado sa maximum na 500 target na hanay, 6 na variable ng kalibrasyon, at 100 target na kategorya bawat variable. Ang bawat variable ay dapat sumaklaw sa lahat ng kategoryang nasa sample at may kabuuang eksaktong 100%. Ang mga indibidwal na target ay dapat nasa pagitan ng 0% at 100%.
Opsyonal na mga Input
- Kolum ng base-weight: Kolum para sa mga panimulang timbang (base weights). Kung walang ilalagay, ang default na timbang na 1 ay ilalapat sa lahat. Ang mga halaga ay dapat na may-hangganang numero na mas malaki sa 0.
- Kolum ng outcome: Isang opsyonal na numerikong kolum upang ihambing ang panimula at pinal na weighted mean.
- Relatibong tolerance: Ang threshold kung kailan hihinto ang algorithm (mula 1e-12 hanggang 1e-2).
- Maximum na mga iterasyon: Limitasyon sa cycle ng pagtakbo ng algorithm (mula 1 hanggang 500).
Pag-unawa sa Base Weight at Pagsasaayos
Ang mga panimulang timbang o base weights ay karaniwang kumakatawan sa kabaligtaran ng posibilidad ng pagpili ng isang respondent (inverse of selection probability) kasama ang mga paunang pagsasaayos para sa nonresponse.
Sa unang cycle ng raking, kinakalkula ng tool ang mga salik sa pagsasaayos para sa bawat variable at kategorya gamit ang formula:
factor = target na kabuuan ÷ kasalukuyang kabuuan
Ipinapakita ito sa interface sa format na:
‹variable› / ‹category›: factor = target na kabuuan ÷ kasalukuyang kabuuan = ‹target› ÷ ‹current› = ‹factor›
Pagkatapos ng huling iterasyon, ang mga pinal na timbang ay ninormalisa upang ang kanilang kabuuan ay maging katumbas ng kabuuang bilang ng mga respondent (n):
Σ w = n
Ipinapakita ito sa ilalim ng formula na:
I-normalize ang mga pinal na timbang sa mean na 1, upang ang kanilang kabuuan ay katumbas ng bilang ng respondent: Σw = n = ‹count›.
Para sa bawat indibidwal na respondent, ang pinal na timbang ay kinakalkula bilang:
Batayang timbang × Pagsasaayos = Pinal na timbang
Ang Kish Weight Effect at Epektibong Laki ng Sample
Ang paglalapat ng hindi pantay na timbang sa mga respondent ay nagpapataas ng variance ng mga pagtatantya sa survey. Upang masuri ang pagkawala ng katumpakan, kinakalkula ng kalkulador ang Kish weight effect at ang epektibong laki ng sample (effective sample size) gamit ang mga sumusunod na formula:
- Epekto ng timbang ng Kish:
Epekto ng timbang ng Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›. - Epektibong laki ng sample:
Epektibong laki ng sample = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.
Ang mga diagnostic na ito ay sumasalamin lamang sa epekto ng hindi pantay na mga timbang. Hindi kasama rito ang iba pang kumplikadong disenyo ng survey tulad ng clustering, stratification, o buong pagtatantya ng variance.
Pag-diagnose ng mga Error at Babala sa Raking
Maaaring makaranas ng mga isyu sa pag-converge ang raking algorithm dahil sa mga sumusunod na sitwasyon:
- Zero-Cell Condition: Kung ang isang kategorya ay may positibong target sa populasyon ngunit walang respondent sa sample (o may kabuuang panimulang timbang na 0), walang finite na solusyon at ipapakita ang error na: “
‹variable›/‹category›” ay may positibong target ngunit walang magagamit na timbang ng sample, kaya walang may-hangganang solusyon na umiiral. - Convergence Failure: Kung maabot ang limitasyon ng iterasyon bago makuha ang tolerance, ipapakita ang status na: Naabot ang limitasyon sa iterasyon (
‹iterations›) bago ang convergence. Ang mga huling timbang ay ipinapakita para sa diagnosis, hindi bilang mga na-calibrate na resulta. - Extreme Weights: Kung matagumpay ang pagtutugma ngunit masyadong malaki ang agwat ng mga timbang, babalaan ang user ng: Nagtugma ang mga margin, ngunit ang pinakamalawak na timbang ay
‹ratio›na beses ng pinakamaliit; suriin ang epektibong laki ng sample bago gamitin ang mga ito. - Already Matched: Kung ang mga panimulang timbang ay tugma na sa mga target, ipapakita ang: Ang mga panimulang timbang ay tumutugma na sa bawat hiniling na margin.
Pagproseso ng Data at Privacy
Ang lahat ng pagproseso ng data ng respondent at pagkalkula ng mga timbang ay lokal na nagaganap sa loob ng web browser ng user. Walang anumang data ang ipinapadala o ia-upload sa mga panlabas na server, na nagbibigay ng lokal na seguridad para sa iyong mga hawak na impormasyon.
Mga Madalas Itanong (FAQ)
Ano ang dapat kong gamitin bilang base weight?
Gamitin ang timbang na nararapat bago ang kalibrasyon ng populasyon — karaniwang ang kabaligtaran ng pinal na posibilidad ng pagpili ng bawat respondent, pagkatapos ng anumang mas maagang pagsasaayos sa hindi pagtugon na kinakailangan ng iyong pag-aaral. Kung wala kang mga probability weight, iwanang blanko ang field upang simulan ang lahat sa 1. Lumilikha iyon ng mga calibration weight, ngunit hindi nito ginagawang probability sample ang isang convenience sample.
Bakit maaaring walang solusyon ang isang target o mabigong mag-converge?
Ang isang positibong target ay hindi maaaring malikha mula sa isang kategoryang walang na-sample na respondent. Sa ilang variable, ang mga naobserbahang kumbinasyon ay maaari ding maging sanhi upang ang mga margin na mukhang makatwiran ay maging hindi tugma. Ang napakaikling limitasyon sa iterasyon o matitinding panimulang timbang ay maaaring huminto bago maabot ang hiniling na tolerance. Ipinapakita ng target audit at log ng pinakamalalang target kung saan nananatili ang hindi pagkakatugma; huwag ituring ang mga huling timbang na iyon bilang na-calibrate.
Ang Kish weight effect ba ang buong survey design effect?
Hindi. Sinusukat lamang nito ang pagkawala ng katumpakan na nauugnay sa hindi pantay na mga timbang: ang mga pantay na timbang ay nagbibigay ng 1, at ang mas nagbabagong mga timbang ay nagpapababa sa epektibong laki ng sample. Ang clustering, stratification, mga pagwawasto sa may-hangganang populasyon, at kung paano nauugnay ang outcome sa mga variable ng kalibrasyon ay maaaring magpabago sa totoong variance. Gumamit ng software na nakakaalam sa kumpletong disenyo ng sample para sa mga standard error at agwat ng kumpiyansa.
Ano ang raking, at kailan nagiging post-stratification lamang ang isang margin?
Iniaayos ng raking ang isang kilalang margin ng populasyon sa bawat pagkakataon, pagkatapos ay paulit-ulit na dadaan sa mga ito hanggang sa tumugma pa rin ang mga naunang margin pagkatapos ng mga huling pagsasaayos. Kung magbibigay ka ng isa lamang na categorical variable, sapat na ang isang cycle: ang bawat kategorya ay makakakuha ng pamilyar na pagsasaayos na target-share ÷ kasalukuyang-share. Ang maramihang margin ay hindi pumipilit sa kanilang mga hindi nakalistang cross-combination na magtugma.