Калькулятор взвешивания выборки

Взвешивайте данные респондентов по известным маргинальным распределениям методом рейкинга, а затем анализируйте итоговые веса, остатки целей и эффективный размер выборки.

Выборка и целевые показатели

Данные респондентовВставьте заголовок и до 20,000 строк респондентов (2,000,000 символов). Используйте табуляцию или точку с запятой, чтобы десятичный разделитель вашей локали оставался внутри каждой ячейки.

Маргинальные распределения (%)Используйте переменные, категории и целевой процент (0%–100%): не более 500 строк, 6 переменных и 100 категорий в каждой. Каждая переменная должна охватывать все представленные в выборке категории и в сумме давать 100%.

Столбец базовых весовНеобязательно и безразмерно. Оставьте пустым, чтобы начать с веса 1 для всех. Значения должны быть конечными и больше 0.

Столбец показателейНеобязательный конечный числовой столбец, используемый только для сравнения взвешенных средних; результаты сохраняют единицу измерения самого столбца.

Относительная погрешностьБезразмерно. Остановка происходит, когда относительная погрешность каждой цели оказывается на уровне или ниже этого значения (от 1e-12 до 1e-2).

Максимум итерацийПоследние веса остаются исключительно диагностическими, если этот лимит достигается до сходимости (от 1 до 500).

Десятичные знаки при выводе

Откалиброванные веса

Соответствие маргиналий

—

Аудит целевых показателей

Переменная	Категория	Выборка n	Целевой показатель	Взвешенный	Остаток

Корректирующие коэффициенты первого цикла

Переменная	Категория	Текущая сумма	Целевая сумма	Коэффициент

Лог сходимости

Итерация	Макс. относительная погрешность	Худший целевой показатель

Веса респондентов

Строка	ID	Базовый вес	Корректировка	Итоговый вес	Показатель

Алгоритм и подстановка

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

Вставьте данные респондентов и целевые показатели генеральной совокупности для расчета весов.

Все ваши данные респондентов и рассчитанные веса остаются в этом браузере и никогда не отправляются на сервер.

Частые вопросы

Что такое рейкинг и когда одна маргиналия является просто постстратификацией?

Рейкинг (взвешивание по методу итеративного пропорционального вписывания) корректирует поочередно каждое известное маргинальное распределение генеральной совокупности, а затем циклически повторяет этот процесс, пока ранее скорректированные маргиналии не будут соответствовать целям после последующих корректировок. Если вы укажете только одну категориальную переменную, будет достаточно одного цикла: каждая категория получит стандартную корректировку вида «целевая доля ÷ текущая доля». Использование нескольких маргиналий не заставляет соответствовать их неуказанные перекрестные комбинации.

Что использовать в качестве базового веса?

Используйте вес, который должен быть до калибровки по генеральной совокупности — обычно это величина, обратная вероятности отбора каждого респондента, после любых корректировок на неответивших, которые требуются для вашего исследования. Если у вас нет вероятностных весов, оставьте поле пустым, чтобы начать с 1 для всех. Это позволит рассчитать калибровочные веса, но не превратит стихийную выборку в вероятностную.

Является ли весовой эффект Kish полным эффектом дизайна исследования?

Нет. Он измеряет только потерю точности, связанную с неравными весами: равные веса дают 1, а более вариативные веса уменьшают эффективный размер выборки. Кластеризация, стратификация, поправки на конечную совокупность и то, как целевой показатель связан с переменными калибровки, — все это может изменить реальную дисперсию. Для расчета стандартных ошибок и доверительных интервалов используйте программное обеспечение, учитывающее полную схему выборки.

Почему у целевого показателя может не быть решения или почему алгоритм не сходится?

Положительный целевой показатель невозможно рассчитать для категории, в которой нет ни одного опрошенного респондента. При наличии нескольких переменных наблюдаемые комбинации также могут сделать несовместимыми маргинальные распределения, которые по отдельности выглядят вполне разумно. Слишком малый лимит итераций или экстремальные начальные веса могут привести к остановке до достижения требуемой погрешности. Аудит целевых показателей и лог худших целей показывают, где сохраняется расхождение; не используйте эти последние веса как откалиброванные.

Написано и проверено редакцией BroBroGo.Последнее обновление: 2026-07-28

Введение в калибровку выборочных исследований

Калибровка данных опроса — это процедура статистического сопоставления структуры полученной выборки с известными параметрами генеральной совокупности. В процессе проведения социологических, маркетинговых или политических исследований реальная выборка респондентов часто отклоняется от целевой структуры общества по ключевым демографическим признакам, таким как пол, возраст или регион проживания.

Для устранения этого смещения применяется процедура взвешивания, при которой каждому респонденту присваивается индивидуальный калибровочный коэффициент. Если определенная группа населения представлена в выборке недостаточно, веса ее представителей увеличиваются; если группа представлена избыточно — их веса уменьшаются. Калькулятор взвешивания выборки реализует алгоритм рейкинга (итеративного пропорционального вписывания), позволяя исследователям быстро привести маргинальные распределения выборки в соответствие с целевыми параметрами генеральной совокупности.

Рейкинг и постстратификация: методологические различия

При калибровке данных по нескольким переменным исследователи выбирают между классической постстратификацией и рейкингом:

Постстратификация требует знания точных долей для каждой многомерной ячейки на пересечении всех калибровочных признаков (например, точной доли молодых мужчин с высшим образованием в конкретном регионе). С ростом числа переменных количество таких ячеек увеличивается экспоненциально, что приводит к появлению пустых ячеек в выборке и делает расчет невозможным.
Рейкинг (iterative proportional fitting) работает исключительно с одномерными маргинальными распределениями (маргиналиями) для каждой переменной отдельно. Алгоритм последовательно корректирует веса по одной переменной за раз, циклически повторяя этот процесс до тех пор, пока распределения по всем калибровочным признакам одновременно не сойдутся к целевым значениям с заданной точностью.

При использовании только одной калибровочной переменной калькулятор выполняет расчет за один цикл, применяя простое отношение целевой доли к текущей доле для каждой категории. При многомерном рейкинге важно помнить, что итоговые веса соответствуют только тем маргинальным распределениям, которые были явно указаны пользователем, но не гарантируют соответствия для непересекающихся комбинаций, которые не вводились в расчет.

Подготовка данных и настройка параметров калькулятора

Для успешного расчета весов необходимо правильно подготовить два набора данных и вставить их в соответствующие поля интерфейса:

1. Данные респондентов (поле «Данные респондентов»)

Таблица должна содержать строку заголовка и по одной строке на каждого респондента (максимум 20 000 строк, общий объем не более 2 000 000 символов). Обязательно наличие как минимум двух именованных столбцов с уникальными заголовками. В качестве разделителей поддерживаются табуляция, точка с запятой или запятые.

Если в вашей локали в качестве десятичного разделителя используется запятая, вставляйте данные с разделителями табуляцией или точкой с запятой, чтобы десятичный знак оставался внутри своей ячейки.

При обнаружении несоответствий калькулятор выводит точные сообщения об ошибках:

При отсутствии данных: error.emptyData («Добавьте строку заголовка и как минимум одну строку респондента.»).
При пустых или некорректных заголовках: error.dataHeader («Таблица респондентов должна содержать как минимум два именованных столбца без пустых заголовков.»).
При дублировании имен столбцов: error.duplicateHeader («Каждый столбец данных респондентов должен иметь уникальный заголовок.»).
При несовпадении количества ячеек в строке: error.dataRowWidth («Строка ‹line› содержит ‹actual› ячеек; в заголовке указано ‹expected›.»).
При превышении лимитов: error.tooManyRows («Используйте не более ‹max› строк респондентов.») или error.inputTooLarge («Используйте не более 2,000,000 символов в каждой из вставляемых таблиц.»).

2. Маргинальные распределения (поле «Маргинальные распределения (%)»)

Таблица целевых показателей должна состоять ровно из трех столбцов: переменная, категория и целевой процент. Лимиты составляют: до 500 строк целей, до 6 калибровочных переменных и до 100 категорий на одну переменную. Сумма целевых процентов для каждой переменной должна быть строго равна 100%.

Возможные ошибки валидации целевых показателей:

Неверная структура: error.targetRowWidth («Целевая строка ‹line› должна содержать ровно три ячейки: переменную, категорию и процент.»).
Ошибка парсинга чисел: error.targetParse («“‹token›” не является целевым процентом (целевая строка ‹line›).»).
Выход за границы: error.targetOutOfRange («Целевая строка ‹line› должна быть в диапазоне от 0% до 100% включительно.»).
Несовпадение суммы: error.targetTotal («Сумма целевых показателей для “‹variable›” составляет ‹total›%; она должна быть строго равна 100%.»).
Дублирование категорий: error.duplicateTarget (««‹variable› / ‹category›» встречается в целевой таблице более одного раза.»).
Превышение лимитов переменных или категорий: error.tooManyMargins («Используйте не более ‹max› переменных калибровки.»), error.tooManyLevels («“‹variable›” содержит более ‹max› целевых категорий.») или error.tooManyTargets («Используйте не более ‹max› целевых строк.»).

Дополнительные параметры

Столбец базовых весов: Позволяет указать столбец, содержащий начальные относительные веса (например, обратные вероятности отбора). Значения должны быть конечными числами больше 0. При ошибках парсинга выводятся сообщения error.weightParse («“‹token›” не является конечным базовым весом (строка ‹line›).») или error.weightNonPositive («Базовый вес в строке ‹line› должен быть больше 0.»). Если поле пустое, по умолчанию всем респондентам присваивается начальный вес 1.
Столбец показателей: Необязательный числовой столбец для оценки сдвига среднего значения до и после взвешивания. При ошибке парсинга выводится error.outcomeParse («“‹token›” не является конечным значением показателя (строка ‹line›).»).
Относительная погрешность: Порог остановки алгоритма (от 1e-12 до 1e-2). Ошибка ввода: error.invalidTolerance («Выберите относительную погрешность от 1e-12 до 1e-2.»).
Максимум итераций: Лимит циклов алгоритма (от 1 до 500). Ошибка ввода: error.invalidIterations («Выберите лимит итераций от 1 до 500.»).

Математический аппарат и нормировка весов

В процессе калибровки на первом цикле для каждой категории рассчитывается корректирующий коэффициент по формуле:

factor = target sum / current sum

В интерфейсе это отображается в виде текстовой подстановки: ‹variable› / ‹category›: коэффициент = целевая сумма ÷ текущая сумма = ‹target› ÷ ‹current› = ‹factor›

После достижения сходимости алгоритм производит нормировку полученных весов к среднему значению 1, чтобы их сумма в точности равнялась фактическому числу респондентов в выборке: Нормируйте итоговые веса к среднему значению 1, чтобы их сумма была равна количеству респондентов: Σw = n = ‹count›.

Для каждого респондента итоговый вес рассчитывается как произведение его исходного базового веса на накопленный калибровочный коэффициент.

Эффект весов Kish и эффективный размер выборки

Введение калибровочных весов снижает систематическое смещение выборки, но неизбежно увеличивает дисперсию оценок из-за неоднородности весовых коэффициентов. Для оценки этой потери точности калькулятор рассчитывает два ключевых диагностических показателя:

Эффект весов Kish (Kish weight effect) — показатель увеличения дисперсии за счет вариативности весов: Эффект весов Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.
Эффективный размер выборки (Effective sample size) — реальный объем выборки с точки зрения статистической мощности после применения весов: Эффективный размер выборки = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

Исследователю необходимо соблюдать баланс: значительное снижение смещения может сопровождаться критическим падением эффективного размера выборки, что делает статистические выводы менее надежными.

Диагностика ошибок калибровки и экстремальных весов

Процесс калибровки может завершиться неудачей или привести к неоптимальным результатам в следующих случаях:

Пустая ячейка (Zero-Cell Condition): Если в выборке полностью отсутствуют респонденты для категории, имеющей положительный целевой показатель в генеральной совокупности, расчет невозможен. Калькулятор останавливает работу с ошибкой error.zeroCell («“‹variable› / ‹category›” имеет положительный целевой показатель, но не имеет применимого веса выборки, поэтому конечного решения не существует.»). Также проверяется отсутствие пустых значений в калибровочных столбцах: error.emptyCategory («Категория калибровки пуста в строке ‹line›. Укажите пропущенные значения явно, если они являются частью целевой структуры.»).
Отсутствие категории в целях: Если в выборке есть категория, не описанная в целевой таблице, выводится ошибка error.missingTarget («Выборка содержит “‹variable› / ‹category›”, но в целевой таблице этого нет.»).
Несходимость алгоритма: Если лимит итераций достигнут до выполнения условий погрешности, выводится статус statusNotConverged («Достигнут лимит итераций (‹iterations›) до сходимости. Последние веса показаны для диагностики, а не как откалиброванные результаты.»). На панели результатов отображается метка heroUnmatched («Остановлено с максимальной относительной погрешностью ‹residual›»).
Экстремальные веса: Если алгоритм сошелся, но отношение максимального веса к минимальному слишком велико, калькулятор выводит предупреждение statusExtreme («Маргинальные распределения совпали, но самый большой вес в ‹ratio› раз превышает самый маленький; изучите эффективный размер выборки перед их использованием.»).
Переполнение: При выходе вычислений за пределы допустимых значений выводится ошибка error.overflow («Вес, сумма или корректировка вышли за пределы диапазона конечных чисел. Измените масштаб базовых весов и повторите попытку.»).

При успешном совпадении выводится статус statusSuccess («Сходимость достигнута на итерации ‹iterations›; все требуемые маргинальные распределения соответствуют целям.») и метка heroMatched («Все маргинальные распределения (‹margins›) соответствуют генеральной совокупности»). Если исходные веса уже идеально соответствовали целям, отображается сообщение statusAlreadyMatched («Начальные веса уже соответствуют всем требуемым маргинальным распределениям.»).

Конфиденциальность и обработка данных

Все вычисления производятся локально на стороне пользователя. Введенные данные респондентов, целевые показатели и рассчитанные веса обрабатываются непосредственно в веб-браузере и никогда не передаются на внешние серверы, обеспечивая конфиденциальность вашей информации.

Часто задаваемые вопросы (FAQ)

Что использовать в качестве базового веса?
Используйте вес, который должен быть до калибровки по генеральной совокупности — обычно это величина, обратная вероятности отбора каждого респондента, после любых корректировок на неответивших, которые требуются для вашего исследования. Если у вас нет вероятностных весов, оставьте поле пустым, чтобы начать с 1 для всех. Это позволит рассчитать калибровочные веса, но не превратит стихийную выборку в вероятностную.

Почему у целевого показателя может не быть решения или почему алгоритм не сходится?
Положительный целевой показатель невозможно рассчитать для категории, в которой нет ни одного опрошенного респондента. При наличии нескольких переменных наблюдаемые комбинации также могут сделать несовместимыми маргинальные распределения, которые по отдельности выглядят вполне разумно. Слишком малый лимит итераций или экстремальные начальные веса могут привести к остановке до достижения требуемой погрешности. Аудит целевых показателей и лог худших целей показывают, где сохраняется расхождение; не используйте эти последние веса как откалиброванные.

Является ли весовой эффект Kish полным эффектом дизайна исследования?
Нет. Он измеряет только потерю точности, связанную с неравными весами: равные веса дают 1, а более вариативные веса уменьшают эффективный размер выборки. Кластеризация, стратификация, поправки на конечную совокупность и то, как целевой показатель связан с переменными калибровки, — все это может изменить реальную дисперсию. Для расчета стандартных ошибок и доверительных интервалов используйте программное обеспечение, учитывающее полную схему выборки.

Что такое рейкинг и когда одна маргиналия является просто постстратификацией?
Рейкинг (взвешивание по методу итеративного пропорционального вписывания) корректирует поочередно каждое известное маргинальное распределение генеральной совокупности, а затем циклически повторяет этот процесс, пока ранее скорректированные маргналии не будут соответствовать целям после последующих корректировок. Если вы укажете только одну категориальную переменную, будет достаточно одного цикла: каждая категория получит стандартную корректировку вида «целевая доля ÷ текущая доля». Использование нескольких маргиналий не заставляет соответствовать их неуказанные перекрестные комбинации.