Wegingscalculator voor enquêtes

Introductie tot enquêtekalibratie

Bij het uitvoeren van opiniepeilingen en marktonderzoek weerspiegelt de uiteindelijke steekproef zelden exact de demografische opbouw van de doelpopulatie. Enquêtekalibratie is het statistische proces waarmee de antwoorden van respondenten worden bijgesteld, zodat de gewogen steekproefverdelingen overeenkomen met bekende populatieparameters, zoals censusgegevens.

De Survey Weighting Calculator voert deze kalibratie uit via het raking-algoritme, ook wel bekend als iterative proportional fitting (IPF). Door respondentengegevens en populatiemarges in te voeren, past de calculator de individuele gewichten aan tot de marges van de steekproef exact aansluiten op de streefcijfers. Dit proces corrigeert voor onder- of oververtegenwoordiging van specifieke groepen, waardoor de externe validiteit van de enquêteresultaten wordt verbeterd.

Raking versus poststratificatie

Bij het wegen van enquêtes kan worden gekozen tussen poststratificatie en raking (IPF).

• Poststratificatie deelt de steekproef op in unieke cellen op basis van de kruising van alle achtergrondkenmerken (bijvoorbeeld leeftijdscategorie × geslacht × regio). Dit vereist dat de exacte populatieomvang voor elke specifieke cel bekend is. Naarmate het aantal variabelen toeneemt, ontstaan er snel lege cellen in de steekproef (de zogenaamde zero-cell condition), waardoor poststratificatie onuitvoerbaar wordt.
• Raking daarentegen vereist alleen de marginale verdelingen van de gekozen variabelen (bijvoorbeeld de totale verdeling van leeftijd, de totale verdeling van geslacht en de totale verdeling van regio afzonderlijk). Het algoritme past de gewichten opeenvolgend aan voor één variabele per keer en herhaalt deze cyclus totdat alle marges gelijktijdig binnen de tolerantiegrens vallen.

Wanneer er slechts één categorische variabele wordt opgegeven, is er sprake van een Single Margin Behavior. In dat geval voltooit de calculator de kalibratie in één enkele cyclus. Hierbij wordt een eenvoudige aanpassing van doelaandeel ÷ huidig aandeel op elke categorie toegepast, wat mathematisch identiek is aan poststratificatie.

Het voorbereiden van de invoergegevens

Voor een succesvolle kalibratie moeten de invoergegevens aan strikte formaten en limieten voldoen. De calculator verwerkt twee databronnen:

1. Respondentengegevens

De tabel met respondenten moet via het invoerveld Respondentengegevens worden geplakt.

• Formaat: De tabel moet een koprij bevatten en exact één respondent per rij. Kolommen kunnen worden gescheiden door tabs, puntkomma's of CSV-komma's. In regio's waar de komma als decmaalteken dient, is het raadzaam om tabs of puntkomma's te gebruiken zodat het decimaalteken binnen de cel blijft.
• Limieten: De invoer mag maximaal 2.000.000 tekens bevatten en is beperkt tot maximaal 20.000 respondentenrijen. De tabel moet minstens twee benoemde kolommen bevatten, waarbij elke kolomkop uniek moet zijn en lege kopteksten niet zijn toegestaan.

2. Populatiemarges (%)

De streefcijfers worden ingevoerd in het veld Populatiemarges (%).

• Formaat: Deze tabel moet exact drie kolommen bevatten: de variabele, de categorie en het doelpercentage.
• Limieten: Maximaal 500 doelrijen, verdeeld over maximaal zes kalibratievariabelen, met maximaal 100 categorieën per variabele. De doelpercentages moeten tussen 0% en 100% liggen en per variabele exact optellen tot 100%. Elke categorie die in de steekproef voorkomt, moet in deze tabel zijn opgenomen.

Optionele parameters

• Kolom basisgewicht: Hier kan een kolom uit de respondentendata worden geselecteerd die de startgewichten bevat. Indien leeggelaten, start elke respondent met een standaardgewicht van 1. Waarden in deze kolom moeten eindige getallen groter dan 0 zijn.
• Resultaatkolom: Een optionele numerieke kolom om de verschuiving tussen het ongewogen en gewogen gemiddelde te analyseren.
• Relatieve tolerantie: De drempelwaarde waarbij het algoritme stopt met aanpassen, instelbaar van 1e-12 tot en met 1e-2.
• Maximaal aantal iteraties: De limiet voor het aantal rekenrondes, instelbaar van 1 tot en met 500.

Het raking-algoritme en de normalisatie

Tijdens de eerste cyclus berekent de calculator de initiële aanpassingsfactoren voor elke variabele en categorie volgens de formule:

factor = doelsom ÷ huidige som

Dit wordt in de interface als volgt weergegeven onder de Aanpassingsfactoren eerste cyclus: ‹variable› / ‹category›: factor = doelsom ÷ huidige som = ‹target› ÷ ‹current› = ‹factor›

Na het doorlopen van de iteraties en het bereiken van convergentie, worden de definitieve gewichten genormaliseerd. De calculator hanteert de regel dat de som van de eindgewichten gelijk moet zijn aan de totale steekproefomvang (n):

Normaliseer de eindgewichten naar een gemiddelde van 1, zodat hun som gelijk is aan het aantal respondenten: Σw = n = ‹count›.

Hierdoor blijft het gewogen aantal respondenten gelijk aan het werkelijke aantal geanalyseerde personen.

Het Kish-gewichtseffect en de effectieve steekproefomvang

Het toepassen van gewichten corrigeert voor selectiebias, maar introduceert ook extra variantie in de schattingen. Dit precisieverlies wordt gekwantificeerd met het Kish-gewichtseffect. De calculator berekent dit effect en de resulterende Effectieve steekproefomvang met de volgende formules:

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

Effectieve steekproefomvang = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

Een grotere spreiding in de gewichten leidt tot een hoger Kish-gewichtseffect en een lagere effectieve steekproefomvang. Dit betekent dat de statistische power van de gewogen steekproef kleiner is dan die van een even grote, ongewogen representatieve steekproef.

Foutmeldingen en diagnostische waarschuwingen

Bij het uitvoeren van de berekeningen valideert de calculator de invoer en de voortgang van het algoritme. Hieronder staan de specifieke foutmeldingen en waarschuwingen die kunnen optreden:

Invoer- en formaatfouten

• Lege invoer: De respondententabel moet ten minste twee benoemde kolommen bevatten zonder lege koptekst. of Voeg een koprij en ten minste één respondentenrij toe.
• Koptekstfouten: Elke kolom met respondentengegevens moet een unieke koptekst hebben.
• Rijbreedte-afwijking: Rij ‹line› heeft ‹actual› cellen; de koptekst heeft er ‹expected›.
• Datagrootte: Gebruik niet meer dan 2,000,000 tekens in elk van de geplakte tabellen. of Gebruik maximaal ‹max› respondentenrijen.
• Ontbrekende kolom: De gegevens bevatten geen kolom met de naam “‹column›”.

Validatie van gewichten en doelen

• Foutieve gewichten: “‹token›” is geen eindig basisgewicht (rij ‹line›). of Het basisgewicht op rij ‹line› moet groter zijn dan 0.
• Foutieve doelen: Doelrij ‹line› moet exact drie cellen bevatten: variabele, categorie en percentage. of “‹token›” is geen doelpercentage (doelrij ‹line›). of Doelrij ‹line› moet inclusief tussen 0% en 100% liggen.
• Doelsom afwijking: Doelen voor “‹variable›” tellen op tot ‹total›%; ze moeten opgeteld exact 100% zijn.
• Dubbele of ontbrekende doelen: “‹variable› / ‹category›” komt vaker dan één keer voor in de doeltabel. of De steekproef bevat “‹variable› / ‹category›”, maar de doeltabel niet.
• Lege categorie: Een kalibratiecategorie is leeg op rij ‹line›. Geef ontbrekende waarden expliciet een naam als ze deel uitmaken van het doel.

Algoritmische fouten en waarschuwingen

• Zero-Cell conditie: Als een categorie een doelstelling heeft maar geen respondenten bevat, stopt de calculator met de melding: “‹variable› / ‹category›” heeft een positief doel maar geen bruikbaar steekproefgewicht, waardoor er geen eindige oplossing bestaat.
• Geen convergentie: Indien de iteratielimiet wordt bereikt zonder dat de tolerantie is behaald: Iteratielimiet (‹iterations›) bereikt vóór convergentie. De laatste gewichten worden getoond voor diagnose, niet als gekalibreerde resultaten.
• Extreme gewichten: Als de marges succesvol zijn gematcht maar de gewichtsverhouding extreem is: De marges kwamen overeen, maar het grootste gewicht is ‹ratio› keer zo groot als het kleinste; controleer de effectieve steekproefomvang voordat je ze gebruikt.
• Reeds passend: De startgewichten komen al overeen met elke gevraagde marge.
• Numerieke overflow: Een gewicht, som of aanpassing viel buiten het eindige getallenbereik. Schaal de basisgewichten opnieuw en probeer het nogmaals.

Privacy en gegevensverwerking

Bij het gebruik van de Survey Weighting Calculator is de privacy van de respondentendata gewaarborgd. Alle berekeningen en gegevensverwerkingen vinden lokaal plaats binnen de webbrowser van de gebruiker. Er worden geen respondentengegevens of berekende gewichten geüpload naar een externe server.

---

Veelgestelde vragen (FAQ)

Wat moet ik gebruiken als basisgewicht?

Gebruik het gewicht dat hoort vóór de populatiekalibratie — meestal het omgekeerde van de uiteindelijke selectiekans van elke respondent, na eventuele eerdere non-responscorrecties die je onderzoek vereist. Als je geen kansgewichten hebt, laat het veld dan leeg om iedereen op 1 te laten starten. Dit levert kalibratiegewichten op, maar maakt van een gelegenheidssteekproef geen kanssteekproef.

Waarom kan een doel geen oplossing hebben of niet convergeren?

Een positief doel kan niet worden gemaakt op basis van een categorie zonder bemonsterde respondent. Bij meerdere variabelen kunnen de waargenomen combinaties er bovendien voor zorgen dat anderszins redelijk ogende marges onverenigbaar worden. Een zeer korte iteratielimiet of extreme startgewichten kunnen de berekening stoppen voordat de gewenste tolerantie is bereikt. De doelgroepcontrole en het logboek met het slechtste doel laten zien waar de afwijking blijft; beschouw die laatste gewichten niet als gekalibreerd.

Is het Kish-gewichtseffect het volledige design-effect van de survey?

Nee. Het meet alleen het precisieverlies dat gepaard gaat met ongelijke gewichten: gelijke gewichten geven 1, en meer variabele gewichten verkleinen de effectieve steekproefomvang. Clustering, stratificatie, eindige-populatiecorrecties en de relatie tussen het resultaat en de kalibratievariabelen kunnen de werkelijke variantie allemaal veranderen. Gebruik software die het volledige steekproefontwerp kent voor standaardfouten en betrouwbaarheidsintervallen.

Wat is raking, en wanneer is één marge gewoon poststratificatie?

Raking past één bekende populatiemarge per keer aan en doorloopt deze vervolgens in cycli totdat de eerdere marges na de latere aanpassingen nog steeds overeenkomen. Als je slechts één categorische variabele invoert, is één cyclus voldoende: elke categorie krijgt de bekende aanpassing van doelaandeel ÷ huidig aandeel. Meerdere marges dwingen hun niet-vermelde kruiscombinaties niet om overeen te komen.