Сауалнама салмағын есептегіш

Респонденттер деректерін белгілі популяция шектеріне сәйкестендіріңіз (рейкинг), содан кейін әрбір соңғы салмақты, мақсатты қалдықты және тиімді таңдама көлемін тексеріңіз.

Іріктеме және нысаналар

Респонденттер деректеріТақырып жолын және 20,000-ға дейін респондент жолын (2,000,000 таңба) қойыңыз. Аймағыңыздың ондық бөлгіші әр ұяшықтың ішінде қалуы үшін табуляцияны немесе нүктелі үтірді пайдаланыңыз.

Популяция шектері (%)Айнымалыны, санатты және мақсатты пайызды (0%–100%) пайдаланыңыз: ең көбі 500 жол, 6 айнымалы және әрқайсысында 100 санат. Әрбір айнымалы барлық таңдалған санаттарды қамтуы және жалпы қосындысы 100% болуы керек.

Бастапқы салмақ бағаныМіндетті емес және өлшемсіз. Әркімнің бастапқы салмағын 1-ден бастау үшін бос қалдырыңыз. Мәндер шекті және 0-ден үлкен болуы тиіс.

Нәтиже бағаныТек өлшенген орташа мәндерді салыстыру үшін пайдаланылатын міндетті емес шекті сандық баған; нәтижелер бағанның өз өлшем бірлігін сақтайды.

Салыстырмалы рұқсат етілген ауытқуӨлшемсіз. Әрбір мақсатты мәннің салыстырмалы қатесі осы мәнге (1e-12-ден 1e-2-ге дейін) тең немесе одан төмен болғанда тоқтатыңыз.

Максималды итерацияларЕгер бұл шек жинақталуға дейін жетсе (1-ден 500-ге дейін), соңғы салмақтар тек диагностикалық болып қалады.

Көрсетілетін ондық таңбалар

Калибрленген салмақтар

Шектің сәйкестігі

—

Нысаналы аудит

Айнымалы	Санат	Іріктеме n	Нысана	Салмақталған	Қалдық

Бірінші циклдегі түзету коэффициенттері

Айнымалы	Санат	Ағымдағы қосынды	Нысаналы қосынды	Коэффициент

Жинақталу журналы

Итерация	Ең үлкен салыстырмалы қателік	Ең нашар нысана

Респонденттердің салмақтары

Жол	ID	Бастапқы салмақ	Түзету	Соңғы салмақ	Нәтиже

Алгоритм және алмастыру

S_mc = Σ w_i for i in category c

T_mc = n × target_mc ÷ 100

a_mc = T_mc ÷ S_mc

w_i ← w_i × a_mc

w_i,final = d_i × adjustment_i

DEFF_Kish = n·Σw_i² ÷ (Σw_i)²

n_eff = (Σw_i)² ÷ Σw_i²

Салмақтарды жасау үшін респонденттер деректерін және популяция шектерін қойыңыз.

Респонденттер деректері мен есептелген салмақтар осы браузерде қалады және ешқашан серверге жүктелмейді.

Жиі қойылатын сұрақтар

Рейкинг дегеніміз не және бір шек қашан жай ғана постстратификация болады?

Рейкинг (raking) бір уақытта бір белгілі популяция шегін түзетеді, содан кейін кейінгі түзетулерден кейін де алдыңғы шектер сәйкес келгенше оларды цикл бойынша қайталайды. Егер сіз тек бір санаттық айнымалыны ұсынсаңыз, бір цикл жеткілікті болады: әр санат таныс «мақсатты үлес ÷ ағымдағы үлес» түзетуін алады. Бірнеше шектер олардың тізімде жоқ айқас комбинацияларын сәйкес келуге мәжбүрлемейді.

Бастапқы салмақ ретінде нені пайдалануым керек?

Популяцияны калибрлеуге дейінгі тиісті салмақты пайдаланыңыз — әдетте бұл зерттеуіңіз талап ететін жауап бермеуді түзетуден кейінгі әрбір респонденттің соңғы таңдалу ықтималдығына кері мән. Егер сізде ықтималдық салмақтары болмаса, әркімді 1-ден бастау үшін өрісті бос қалдырыңыз. Бұл калибрлеу салмақтарын береді, бірақ ыңғайлы іріктемені ықтималдық іріктемесіне айналдырмайды.

Kish салмақ әсері толық сауалнама дизайнының әсері болып табыла ма?

Жоқ. Ол тек біркелкі емес салмақтарға байланысты дәлдіктің жоғалуын өлшейді: тең салмақтар 1 мәнін береді, ал неғұрлым өзгермелі салмақтар тиімді таңдама көлемін азайтады. Кластерлеу, стратификация, шекті популяция түзетулері және нәтиженің калибрлеу айнымалыларымен байланысы — мұның бәрі нақты дисперсияны өзгерте алады. Стандартты қателер мен сенімділік аралықтары үшін толық таңдама дизайнын ескеретін бағдарламалық жасақтаманы пайдаланыңыз.

Неліктен мақсатты мәннің шешімі болмауы немесе жинақталмауы мүмкін?

Оң мақсатты мәнді таңдамада респонденті жоқ санаттан жасау мүмкін емес. Бірнеше айнымалы болған кезде, бақыланатын комбинациялар басқа жағдайда қисынды көрінетін шектерді үйлесімсіз етуі де мүмкін. Өте қысқа итерация шегі немесе шектен тыс бастапқы салмақтар қажетті рұқсат етілген ауытқуға жетпей тұрып тоқтауы мүмкін. Мақсатты аудит пен ең нашар мақсатты мәндер журналы сәйкессіздіктің қай жерде қалғанын көрсетеді; бұл соңғы салмақтарды калибрленген деп есептемеңіз.

BroBroGo редакция тобы жазып, тексерген.Соңғы рет жаңартылды: 2026-07-28

Сауалнама деректерін калибрлеу негіздері

Сауалнама жүргізу барысында алынған іріктеме сипаттамалары (мысалы, респонденттердің жынысы, жасы, білімі немесе тұратын аймағы) бас жиынтықтың, яғни зерттелетін жалпы популяцияның нақты құрылымына сәйкес келмей жатады. Мұндай сәйкессіздіктерді түзету және іріктеме негізінде жасалатын қорытындылардың дәлдігін арттыру үшін сауалнама деректерін калибрлеу әдісі қолданылады.

Калибрлеудің негізгі мақсаты — әрбір респондентке арнайы статистикалық салмақтар тағайындау. Осы салмақтарды қолданған кезде, іріктемедегі демографиялық немесе әлеуметтік топтардың үлесі белгілі популяциялық көрсеткіштерге (мысалы, ұлттық санақ деректеріне) дәл сәйкес келетін болады. Бұл процесс жүйелі ауытқуларды азайтып, зерттеу нәтижелерінің репрезентативтілігін қамтамасыз етеді.

Рейкинг және постстратификация әдістерін салыстыру

Іріктемені популяция шектеріне сәйкестендірудің бірнеше жолы бар. Ең қарапайым әдіс — постстратификация. Бұл әдісте респонденттер барлық калибрлеу айнымалыларының қиылысуы бойынша топтарға (ұяшықтарға) бөлінеді (мысалы, «18–29 жастағы жоғары білімді әйелдер») және әр ұяшыққа жеке салмақ беріледі. Алайда, айнымалылар мен олардың санаттары көбейген сайын, кейбір ұяшықтарда респонденттер мүлдем болмай қалуы мүмкін (нөлдік ұяшық мәселесі), бұл постстратификацияны қолдануды қиындатады.

Рейкинг (немесе итерациялық пропорционалды сәйкестендіру алгоритмі) бұл мәселені басқаша шешеді. Ол айнымалылардың өзара қиылысуын емес, тек олардың жекелеген маргиналды (шекті) үлестерін ғана пайдаланады. Алгоритм әрбір айнымалының шектерін кезек-кезек түзете отырып, барлық көрсеткіштер бойынша белгіленген мақсатты мәндерге қол жеткізгенше бірнеше цикл (итерация) бойы жұмыс істейді.

Егер пайдаланушы тек бір ғана калибрлеу айнымалысын енгізсе, құрал өз жұмысын бір циклде аяқтайды. Бұл жағдайда әрбір санатқа қарапайым «мақсатты үлес ÷ ағымдағы үлес» түзетуі қолданылады, бұл дәстүрлі постстратификация әдісіне толықтай сәйкес келеді.

Бастапқы салмақтарды түсіну және қолдану

Калибрлеу процесін бастамас бұрын, әрбір респонденттің бастапқы салмағын (base weight) анықтап алу қажет. Бастапқы салмақтар респонденттердің іріктемеге таңдалу ықтималдығына кері шама ретінде есептеледі және жауап бермеу жағдайларын түзету үшін қолданылады.

Егер зерттеуде ықтималдық іріктемесі қолданылмаса немесе бастапқы салмақтар туралы ақпарат болмаса, құралдағы «Бастапқы салмақ бағаны» өрісін бос қалдыруға болады. Бұл жағдайда әрбір респондентке әдепкі бойынша 1-ге тең бастапқы салмақ беріледі. Айта кету керек, бастапқы салмақтарды қолдану немесе калибрлеу жүргізу ыңғайлы іріктемені (convenience sample) автоматты түрде қатаң ықтималдық іріктемесіне айналдырмайды, бірақ қолжетімді демографиялық көрсеткіштер бойынша ауытқуларды түзетуге мүмкіндік береді.

Kish салмақ әсері және тиімді таңдама көлемі

Сауалнама деректерін салмақтау барысында респонденттерге әртүрлі салмақтар тағайындалады. Салмақтардың дисперсиясы (бір-бірінен алшақтығы) артқан сайын, статистикалық бағалаулардың дәлдігі төмендейді. Бұл құбылыс Kish салмақ әсері (Kish weight effect) деп аталады және ол келесі формула бойынша есептеледі:

Kish салмақ әсері = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.

Мұндағы n — респонденттер саны, ал w — соңғы салмақтар. Салмақтардың біркелкі болмауы нәтижесінде іріктеменің тиімді көлемі (effective sample size) азаяды:

Тиімді таңдама көлемі = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

Мысалы, егер іріктемедегі респонденттер саны 1000 болып, бірақ салмақтардың айырмашылығы өте үлкен болса, тиімді таңдама көлемі 600-ге дейін төмендеуі мүмкін. Бұл зерттеудің қателік шегі іс жүзінде 1000 респондентке емес, 600 респондентке сәйкес келетінін білдіреді.

Ескеретін жайт, бұл көрсеткіш тек салмақтардың біркелкі еместігін ғана сипаттайды. Ол кластерлеуді, стратификацияны немесе сауалнама дисперсиясының толық бағасын қамтымайды.

Деректерді дайындау және енгізу ережелері

Құралдың дұрыс жұмыс істеуі үшін енгізілетін деректер келесі талаптарға сай болуы тиіс:

Респонденттер деректері: Кестеде міндетті түрде тақырып жолы және кемінде екі бірегей баған болуы керек. Ең көп дегенде 20,000 респондент жолын (немесе 2,000,000 таңбаны) енгізуге болады. Деректерді бөлгіш ретінде табуляция, нүктелі үтір немесе үтір (CSV) қолданылады. Егер аймақтық параметрлерде ондық бөлгіш үтір болса, ұяшық ішіндегі мәндер бұзылмас үшін табуляция немесе нүктелі үтірді пайдаланған жөн.
Популяция шектері (%): Бұл кесте дәл үш бағаннан тұруы тиіс: айнымалы, санат және мақсатты пайыз. Ең көп дегенде 6 калибрлеу айнымалысы, 500 нысаналы жол және әр айнымалы үшін 100 санат рұқсат етіледі. Әрбір айнымалы бойынша пайыздардың қосындысы дәл 100% болуы керек.

Егер бастапқы салмақтар бағаны көрсетілсе, ондағы мәндер 0-ден үлкен шекті сандар болуы тиіс. Сондай-ақ, нәтижелердің өзгерісін бақылау үшін міндетті емес сандық нәтиже бағанын қосуға болады.

Қателерді диагностикалау және шектеулер

Рейкинг алгоритмі жұмыс істеу барысында келесі ерекше жағдайлар мен қателерге тап болуы мүмкін:

Нөлдік ұяшық (Zero-Cell Condition): Егер популяция шегінде белгілі бір санат үшін оң мақсатты пайыз көрсетілсе, бірақ іріктемеде сол санатқа жататын бірде-бір респондент болмаса (немесе олардың бастапқы салмағы 0 болса), құрал «“‹variable› / ‹category›” үшін оң нысана бар, бірақ жарамды іріктеме салмағы жоқ, сондықтан шекті шешім табылмады.» деген қатені көрсетеді.
Жинақталудың болмауы (Convergence Failure): Егер алгоритм белгіленген максималды итерация санына жеткенше берілген салыстырмалы рұқсат етілген ауытқу шегіне жете алмаса, есептеу тоқтап, келесі хабарлама шығады: «Жинақталуға дейін итерация шегіне (‹iterations›) жетті. Соңғы салмақтар калибрленген нәтижелер ретінде емес, диагностика үшін көрсетілген.».
Шектен тыс салмақтар (Extreme Weights): Егер калибрлеу сәтті аяқталғанымен, ең үлкен және ең кіші соңғы салмақтардың арақатынасы тым үлкен болса, құрал ескерту жасайды: «Шектер сәйкес келді, бірақ ең үлкен салмақ ең кішісінен ‹ratio› есе үлкен; оларды пайдаланбас бұрын тиімді таңдама көлемін тексеріңіз.».
Алдын ала сәйкестік: Егер енгізілген бастапқы салмақтар популяция шектеріне толық сәйкес келіп тұрса, алгоритм есептеуді жүргізбейді және «Бастапқы салмақтар барлық сұралған шектерге сәйкес келіп тұр.» деген мәртебені көрсетеді.

Құралдың интерфейсі және нәтижелерді шығару

Есептеу аяқталғаннан кейін пайдаланушыға келесі нәтижелер мен кестелер ұсынылады:

Нысаналы аудит: Бұл кестеде әрбір айнымалы мен санат бойынша іріктемедегі респонденттер саны (Іріктеме n), мақсатты пайыз (Нысана), салмақталған пайыз (Салмақталған) және олардың арасындағы айырмашылық (Қалдық) көрсетіледі.
Бірінші циклдегі түзету коэффициенттері: Алгоритмнің алғашқы қадамында қолданылған түзетулерді көрсететін кесте. Онда келесі формула қолданылады: ‹variable› / ‹category›: коэффициент = мақсатты қосынды ÷ ағымдағы қосынды = ‹target› ÷ ‹current› = ‹factor›
Жинақталу журналы: Әрбір итерация бойынша ең үлкен салыстырмалы қателік пен ең нашар нысананы көрсететін қадамдық есеп.
Респонденттердің салмақтары: Әрбір респондент үшін есептелген соңғы салмақтар кестесі. Браузердің жылдамдығын сақтау үшін экранда тек алғашқы 500 жол көрсетіледі. Пайдаланушы «Салмақталған деректерді көшіру» батырмасын басқанда, барлық респонденттердің деректері жаңадан қосылған raking_adjustment және raking_weight бағандарымен бірге алмасу буферіне толық көшіріледі.

Соңғы салмақтарды нормалау келесі ереже бойынша орындалады: «Соңғы салмақтарды орташа мәні 1 болатындай етіп нормалаңыз, сонда олардың қосындысы респонденттер санына тең болады: Σw = n = ‹count›.»

Құпиялылық және деректерді өңдеу

Пайдаланушының қауіпсіздігі мен құпиялылығын қамтамасыз ету мақсатында барлық есептеулер мен деректерді өңдеу процестері тек пайдаланушының веб-браузерінде жергілікті түрде орындалады. Респонденттердің деректері немесе есептелген салмақтар ешқашан сыртқы серверлерге жүктелмейді және үшінші тарапқа жіберілмейді.

Жиі қойылатын сұрақтар (FAQ)

Сұрақ: Бастапқы салмақ ретінде нені пайдалануым керек?
Жауап: Популяцияမှုကို калибрлеуге дейінгі тиісті салмақты пайдаланыңыз — әдетте бұл зерттеуіңіз талап ететін жауап бермеуді түзетуден кейінгі әрбір респонденттің соңғы таңдалу ықтималдығына кері мән. Егер сізде ықтималдық салмақтары болмаса, әркімді 1-ден бастау үшін өрісті бос қалдырыңыз. Бұл калибрлеу салмақтарын береді, бірақ ыңғайлы іріктемені ықтималдық іріктемесіне айналдырмайды.

Сұрақ: Неліктен мақсатты мәннің шешімі болмауы немесе жинақталмауы мүмкін?
Жауап: Оң мақсатты мәнді таңдамада респонденті жоқ санаттан жасау мүмкін емес. Бірнеше айнымалы болған кезде, бақыланатын комбинациялар басқа жағдайда қисынды көрінетін шектерді үйлесімсіз етуі де мүмкін. Өте қысқа итерация шегі немесе шектен тыс бастапқы салмақтар қажетті рұқсат етілген ауытқуға жетпей тұрып тоқтауы мүмкін. Мақсатты аудит пен ең нашар мақсатты мәндер журналы сәйкессіздіктің қай жерде қалғанын көрсетеді; бұл соңғы салмақтарды калибрленген деп есептемеңіз.