Kalkulator Pemberat Tinjauan

Rake data responden kepada margin populasi yang diketahui, kemudian periksa setiap pemberat akhir, sisaan sasaran dan saiz sampel berkesan.

Sampel dan sasaran

Tampal pengepala dan sehingga 20,000 baris responden (2,000,000 aksara). Tab, koma bertitik dan koma CSV boleh digunakan; nombor menggunakan titik perpuluhan.
Gunakan pemboleh ubah, kategori dan peratusan sasaran (0%–100%): paling banyak 500 baris, 6 pemboleh ubah dan 100 kategori setiap satu. Setiap pemboleh ubah mesti merangkumi semua kategori sampel dan berjumlah 100%.
Pilihan dan tanpa dimensi. Biarkan kosong untuk memulakan setiap responden pada pemberat 1. Nilai mestilah terhingga dan lebih besar daripada 0.
Lajur berangka terhingga pilihan yang digunakan hanya untuk membandingkan min berwajar; keputusan mengekalkan unit lajur itu sendiri.
Tanpa dimensi. Berhenti apabila ralat relatif setiap sasaran berada pada atau di bawah nilai ini (1e-12 hingga 1e-2).
Pemberat terakhir kekal sebagai diagnostik sahaja jika had ini dicapai sebelum penumpuan (1 hingga 500).

Pemberat ditentukur

Padanan margin

—

Audit sasaran

Pemboleh ubahKategorin sampelSasaranWajarSisaan

Faktor pelarasan kitaran pertama

Pemboleh ubahKategoriJumlah semasaJumlah sasaranFaktor

Log penumpuan

LelaranRalat relatif maks.Sasaran terburuk

Pemberat responden

BarisIDPemberat asasPelarasanPemberat akhirHasil

Algoritma dan penggantian

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

    Tampal data responden dan sasaran populasi untuk membina pemberat.

    Data responden dan pemberat yang dikira kekal dalam penyemak imbas ini dan tidak akan sekali-kali dimuat naik.

    Soalan Lazim

    Apakah itu raking, dan bilakah satu margin dianggap sebagai penstratukan pasca sahaja?

    Raking melaraskan satu margin populasi yang diketahui pada satu-satu masa, kemudian mengitarinya sehingga margin terdahulu masih sepadan selepas pelarasan terkemudian. Jika anda membekalkan hanya satu pemboleh ubah kategori, satu kitaran sudah mencukupi: setiap kategori mendapat pelarasan bahagian sasaran ÷ bahagian semasa yang biasa. Margin berbilang tidak memaksa gabungan silang yang tidak disenaraikan untuk sepadan.

    Apakah yang patut saya gunakan sebagai pemberat asas?

    Gunakan pemberat sebelum penentukuran populasi — biasanya songsangan bagi kebarangkalian pemilihan akhir setiap responden, selepas sebarang pelarasan ketidakbalasan terdahulu yang diperlukan oleh kajian anda. Jika anda tidak mempunyai pemberat kebarangkalian, biarkan medan kosong untuk memulakan setiap responden pada 1. Ini menghasilkan pemberat penentukuran, tetapi ia tidak menukar sampel kemudahan menjadi sampel kebarangkalian.

    Adakah kesan pemberat Kish merupakan kesan reka bentuk tinjauan yang lengkap?

    Tidak. Ia hanya mengukur kehilangan kejituan yang dikaitkan dengan pemberat tidak sama: pemberat yang sama memberikan 1, dan pemberat yang lebih berubah-ubah mengurangkan saiz sampel berkesan. Pengelompokan, penstratukan, pembetulan populasi terhingga dan cara hasil berkaitan dengan pemboleh ubah penentukuran semuanya boleh mengubah varians sebenar. Gunakan perisian yang mengetahui reka bentuk sampel lengkap untuk ralat piawai dan selang keyakinan.

    Mengapakah sasaran boleh tiada penyelesaian atau gagal menumpu?

    Sasaran positif tidak boleh dibuat daripada kategori yang tiada responden sampel. Dengan beberapa pemboleh ubah, gabungan yang diperhatikan juga boleh menyebabkan margin yang kelihatan munasabah menjadi tidak serasi. Had lelaran yang sangat pendek atau pemberat permulaan yang ekstrem boleh berhenti sebelum toleransi yang diminta dicapai. Audit sasaran dan log sasaran terburuk menunjukkan bahagian yang masih tidak sepadan; jangan anggap pemberat terakhir tersebut sebagai telah ditentukur.

    Ditulis dan disemak oleh pasukan editorial BroBroGo.Terakhir dikemas kini:

    Pengenalan kepada Penentukuran Tinjauan

    Penentukuran tinjauan ialah proses melaraskan data responden sampel supaya taburan demografi atau ciri pentingnya sepadan dengan taburan populasi sasaran yang telah diketahui. Dalam kajian lapangan, sampel yang diperoleh sering kali mengalami herotan akibat kadar respons yang tidak sekata atau ralat pensampelan. Melalui penentukuran, penyelidik boleh memastikan bahawa analisis yang dihasilkan mewakili populasi sebenar dengan lebih tepat.

    Proses ini berfungsi dengan memberikan pemberat pelarasan kepada setiap responden. Responden daripada kumpulan yang kurang diwakili (under-represented) akan menerima pemberat yang lebih besar daripada 1, manakala responden daripada kumpulan yang terlebih diwakili (over-represented) akan menerima pemberat yang lebih kecil. Kalkulator Pemberat Tinjauan menyediakan kemudahan untuk mengira pemberat ini secara automatik menggunakan algoritma raking.

    Raking lwn. Penstratukan Pasca

    Terdapat dua pendekatan utama untuk menyesuaikan sampel tinjauan dengan margin populasi: penstratukan pasca (post-stratification) berasaskan sel dan raking (iterative proportional fitting atau IPF).

    • Penstratukan Pasca: Pendekatan ini memerlukan maklumat populasi untuk setiap sel silang yang unik (contohnya, peratusan spesifik untuk "Lelaki berumur 18–24 tahun di Wilayah Persekutuan"). Kaedah ini sukar dilaksanakan apabila bilangan pemboleh ubah meningkat kerana saiz sampel dalam sel tertentu boleh menjadi sifar, yang menghalang pengiraan pemberat.
    • Raking (IPF): Raking hanya memerlukan margin populasi bagi setiap pemboleh ubah secara berasingan (contohnya, jumlah peratusan jantina, jumlah peratusan kumpulan umur, dan jumlah peratusan wilayah secara berasingan). Algoritma ini melaraskan satu margin populasi pada satu-satu masa secara berulang (lelaran) sehingga semua taburan margin sampel sepadan dengan sasaran populasi.

    Jika pengguna hanya membekalkan satu pemboleh ubah kategori sahaja, alat ini akan menyelesaikan penentukuran dalam satu kitaran tunggal menggunakan pelarasan mudah.

    Memahami Pemberat Asas

    Sebelum memulakan penentukuran margin, penyelidik sering kali menetapkan pemberat permulaan yang dikenali sebagai pemberat asas. Pemberat asas ini biasanya dikira berdasarkan songsangan kebarangkalian pemilihan responden (probability of selection) atau pelarasan ketidakbalasan awal.

    Di dalam alat ini, input Lajur pemberat asas adalah pilihan. Jika medan ini dibiarkan kosong, setiap responden akan bermula dengan pemberat lalai iaitu 1. Sekiranya lajur ini digunakan, nilainya mestilah nombor terhingga yang lebih besar daripada 0. Sebarang nilai yang tidak memenuhi syarat ini akan menghasilkan ralat seperti “‹token›” bukan pemberat asas terhingga (baris ‹line›). atau Pemberat asas pada baris ‹line› mestilah lebih besar daripada 0..

    Kesan Pemberat Kish dan Saiz Sampel Berkesan

    Walaupun pemberian pemberat membantu mengurangkan bias demografi, ia juga memperkenalkan variasi pada pemberat responden. Variasi pemberat yang ekstrem akan meningkatkan ralat piawai (standard error) dan mengurangkan kejituan statistik bagi anggaran tinjauan. Fenomena ini diukur menggunakan formula Kish.

    Alat ini memaparkan metrik diagnostik penting berikut berdasarkan formula matematik yang tepat:

    • Kesan pemberat Kish: Mengukur peningkatan varians akibat pemberat yang tidak sama.
    • Saiz sampel berkesan: Menunjukkan saiz sampel setara jika pensampelan rawak mudah tanpa pemberat digunakan.

    Sila ambil perhatian bahawa diagnostik Kish ini hanya mencerminkan kesan daripada pemberat yang tidak sama sahaja. Ia tidak merangkumi kesan reka bentuk tinjauan yang lengkap seperti pengelompokan (clustering) atau penstratukan (stratification).

    • ‹variable› / ‹category›: faktor = jumlah sasaran ÷ jumlah semasa = ‹target› ÷ ‹current› = ‹factor›
    • Normalkan pemberat akhir kepada min 1, supaya jumlahnya sama dengan bilangan responden: Σw = n = ‹count›.
    • Kesan pemberat Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.
    • Saiz sampel berkesan = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

    Pemberat ini sepadan dengan margin yang anda bekalkan, bukan pemboleh ubah yang tidak anda bekalkan. Diagnostik Kish mencerminkan pemberat tidak sama sahaja; ia tidak termasuk pengelompokan, penstratukan atau anggaran varians tinjauan yang lengkap.

    Menyediakan Data dan Sasaran Populasi

    Untuk memastikan algoritma raking berjalan lancar, data input mestilah diformatkan dengan betul mengikut had dan peraturan yang ditetapkan:

    1. Data Responden

    • Mestilah mengandungi baris pengepala dan sekurang-kurangnya satu baris responden, dengan had maksimum 20,000 baris dan saiz fail di bawah 2,000,000 aksara.
    • Mempunyai sekurang-kurangnya dua lajur bernama yang unik tanpa pengepala kosong.
    • Pemisah lajur yang diterima ialah tab, koma bertitik, atau koma CSV. Bagi pengguna di kawasan yang menggunakan koma sebagai tanda perpuluhan tempatan, penggunaan tab atau koma bertitik adalah sangat disyorkan supaya tanda perpuluhan kekal di dalam sel masing-masing.

    2. Margin Populasi (%)

    • Jadual sasaran mestilah mengandungi tepat tiga lajur: pemboleh ubah, kategori, dan peratusan sasaran.
    • Had maksimum ialah 500 baris sasaran, 6 pemboleh ubah penentukur, dan 100 kategori sasaran bagi setiap pemboleh ubah.
    • Jumlah peratusan sasaran bagi setiap pemboleh ubah mestilah tepat 100%. Jika tidak, ralat Sasaran untuk “‹variable›” berjumlah ‹total›%; ia mestilah berjumlah tepat 100%. akan dipaparkan.

    Mendiagnosis Kegagalan Raking dan Amaran

    Algoritma raking boleh menghadapi masalah penumpuan (convergence) disebabkan oleh beberapa faktor struktur data:

    • Kategori Kosong (Zero-Cell Condition): Jika sesuatu kategori mempunyai sasaran populasi positif tetapi tiada seorang pun responden sampel yang tergolong dalam kategori tersebut, penyelesaian matematik tidak dapat ditemui. Alat akan memaparkan ralat: “‹variable› / ‹category›” mempunyai sasaran positif tetapi tiada pemberat sampel yang boleh digunakan, jadi tiada penyelesaian terhingga wujud..
    • Kegagalan Penumpuan: Jika had lelaran maksimum dicapai sebelum ralat berada di bawah toleransi relatif yang ditetapkan, alat akan berhenti dan memaparkan status: Mencapai had lelaran (‹iterations›) sebelum penumpuan. Pemberat terakhir ditunjukkan untuk diagnosis, bukan sebagai keputusan ditentukur..
    • Pemberat Ekstrem: Jika penumpuan berjaya dicapai tetapi menghasilkan jurang yang terlalu besar antara pemberat terbesar dan terkecil, amaran berikut akan dipaparkan: Margin sepadan, tetapi pemberat paling lebar adalah ‹ratio› kali ganda daripada yang terkecil; periksa saiz sampel berkesan sebelum menggunakannya..

    Pemprosesan Tempatan dan Privasi

    Semua pemprosesan data responden dan pengiraan pemberat dilakukan secara tempatan di dalam pelayar web pengguna. Tiada data yang dimuat naik ke pelayan luar, sekali gus memastikan data tinjauan anda kekal berada dalam peranti anda sepanjang sesi analisis.

    Soalan Lazim (FAQ)

    Apakah yang patut saya gunakan sebagai pemberat asas? Gunakan pemberat sebelum penentukuran populasi — biasanya songsangan bagi kebarangkalian pemilihan akhir setiap responden, selepas sebarang pelarasan ketidakbalasan terdahulu yang diperlukan oleh kajian anda. Jika anda tidak mempunyai pemberat kebarangkalian, biarkan medan kosong untuk memulakan setiap responden pada 1. Ini menghasilkan pemberat penentukuran, tetapi ia tidak menukar sampel kemudahan menjadi sampel kebarangkalian.

    Mengapakah sasaran boleh tiada penyelesaian atau gagal menumpu? Sasaran positif tidak boleh dibuat daripada kategori yang tiada responden sampel. Dengan beberapa pemboleh ubah, gabungan yang diperhatikan juga boleh menyebabkan margin yang kelihatan munasabah menjadi tidak serasi. Had lelaran yang sangat pendek atau pemberat permulaan yang ekstrem boleh berhenti sebelum toleransi yang diminta dicapai. Audit sasaran dan log sasaran terburuk menunjukkan bahagian yang masih tidak sepadan; jangan anggap pemberat terakhir tersebut sebagai telah ditentukur.

    Adakah kesan pemberat Kish merupakan kesan reka bentuk tinjauan yang lengkap? Tidak. Ia hanya mengukur kehilangan kejituan yang dikaitkan dengan pemberat tidak sama: pemberat yang sama memberikan 1, dan pemberat yang lebih berubah-ubah mengurangkan saiz sampel berkesan. Pengelompokan, penstratukan, pembetulan populasi terhingga dan cara hasil berkaitan dengan pemboleh ubah penentukuran semuanya boleh mengubah varians sebenar. Gunakan perisian yang mengetahui reka bentuk sampel lengkap untuk ralat piawai dan selang keyakinan.

    Apakah itu raking, dan bilakah satu margin dianggap sebagai penstratukan pasca sahaja? Raking melaraskan satu margin populasi yang diketahui pada satu-satu masa, kemudian mengitarinya sehingga margin terdahulu masih sepadan selepas pelarasan terkemudian. Jika anda membekalkan hanya satu pemboleh ubah kategori, satu kitaran sudah mencukupi: setiap kategori mendapat pelarasan bahagian sasaran ÷ bahagian semasa yang biasa. Margin berbilang tidak memaksa gabungan silang yang tidak disenaraikan untuk sepadan.

    Kalkulator Regresi LinearSuaikan garis kuasa dua terkecil pada data berpasangan dan baca kecerunan, R², nilai-p, selang keyakinan, sisaan serta ramalannya di satu tempat.Kalkulator Skor-Z & Sisihan PiawaiTampal set data untuk mendapatkan min, sisihan piawai dan skor-z bagi setiap nilai, atau selesaikan z = (x − μ) / σ untuk satu nilai tidak diketahui dengan kebarangkalian lengkung normal.Kalkulator PeratusanBerapakah X% daripada sesuatu nombor, berapa peratuskah nilai satu nombor berbanding nombor lain, nilai keseluruhan di sebalik peratusan yang diketahui, kenaikan atau penurunan antara dua angka, dan harga jualan selepas diskaun — semuanya dalam satu halaman.Kalkulator NisbahRingkaskan nisbah, selesaikan tempat kosong dalam perkadaran, atau skalakan kedua-dua sisi dengan faktor yang sama.Kalkulator Pusat JisimSenaraikan berat setiap bahagian dan kedudukannya, dan lihat titik keseimbangan berserta hasil tambah terberat di sebalik setiap paksi.Kalkulator Insidens & PrevalensTukarkan bilangan kes dan populasi kepada insidens kumulatif, kadar insidens masa-orang dan prevalens titik — dengan penyebut di sebalik setiap ukuran dipaparkan dengan jelas.Penjana Piramid PopulasiTukarkan bilangan umur dan jantina menjadi piramid populasi interaktif lengkap dengan nisbah tanggungan, umur penengah, serta bacaan bentuk.Pembanding Kaedah PengundianJalankan satu senario kertas undi mengikut kedudukan melalui lima peraturan pengiraan dan lihat dengan tepat sebab pemenangnya berbeza.