เครื่องคำนวณค่าน้ำหนักการสำรวจ

ปรับค่าน้ำหนักข้อมูลผู้ตอบแบบสอบถาม (Rake) ให้ตรงกับสัดส่วนประชากรเป้าหมายที่ทราบ พร้อมตรวจสอบค่าน้ำหนักสุดท้าย ค่าส่วนเหลือของเป้าหมาย และขนาดกลุ่มตัวอย่างที่มีประสิทธิผลได้ทันที

กลุ่มตัวอย่างและเป้าหมาย

ข้อมูลผู้ตอบแบบสอบถามวางแถวส่วนหัวและข้อมูลผู้ตอบแบบสอบถามได้สูงสุด 20,000 แถว (2,000,000 ตัวอักษร) รองรับการใช้แท็บ อัฒภาค และจุลภาคสำหรับ CSV โดยตัวเลขจะใช้จุดทศนิยม

สัดส่วนประชากรเป้าหมาย (%)ใช้ตัวแปร หมวดหมู่ และเปอร์เซ็นต์เป้าหมาย (0%–100%): กำหนดได้ไม่เกิน 500 แถว, 6 ตัวแปร และตัวแปรละ 100 หมวดหมู่ โดยทุกตัวแปรต้องครอบคลุมทุกหมวดหมู่ในกลุ่มตัวอย่างและมีผลรวมเท่ากับ 100%

คอลัมน์ค่าน้ำหนักเริ่มต้นระบุหรือไม่ก็ได้และไม่มีหน่วย วัดค่าไม่ได้ ปล่อยว่างไว้เพื่อเริ่มค่าถ่วงน้ำหนักของทุกคนที่ 1 ค่าต้องเป็นจำนวนจริงจำกัดและมากกว่า 0

คอลัมน์ผลลัพธ์คอลัมน์ตัวเลขที่มีค่าจำกัด (ระบุหรือไม่ก็ได้) ใช้สำหรับเปรียบเทียบค่าเฉลี่ยถ่วงน้ำหนักเท่านั้น ผลลัพธ์จะใช้หน่วยเดียวกันกับคอลัมน์ดังกล่าว

ค่าความคลาดเคลื่อนสัมพัทธ์ที่ยอมรับได้ไม่มีหน่วย การคำนวณจะหยุดลงเมื่อค่าความคลาดเคลื่อนสัมพัทธ์ของทุกเป้าหมายมีค่าเท่ากับหรือต่ำกว่าค่านี้ (1e-12 ถึง 1e-2)

จำนวนรอบการวนซ้ำสูงสุดค่าน้ำหนักรอบสุดท้ายจะคงไว้เพื่อการวินิจฉัยเท่านั้น หากการคำนวณถึงขีดจำกัดนี้ก่อนที่จะลู่เข้าหาคำตอบ (1 ถึง 500)

ตำแหน่งทศนิยมที่แสดง

ค่าน้ำหนักที่ปรับเทียบแล้ว

ความสอดคล้องของสัดส่วนประชากร

—

การตรวจสอบเป้าหมาย

ตัวแปร	หมวดหมู่	กลุ่มตัวอย่าง n	เป้าหมาย	ถ่วงน้ำหนักแล้ว	ค่าส่วนเหลือ

ตัวคูณการปรับค่าในรอบแรก

ตัวแปร	หมวดหมู่	ผลรวมปัจจุบัน	ผลรวมเป้าหมาย	ตัวคูณ

บันทึกการลู่เข้าหาคำตอบ

รอบการคำนวณ	ค่าความคลาดเคลื่อนสัมพัทธ์สูงสุด	เป้าหมายที่แย่ที่สุด

ค่าน้ำหนักของผู้ตอบแบบสอบถาม

แถว	ID	ค่าน้ำหนักเริ่มต้น	การปรับค่า	ค่าน้ำหนักสุดท้าย	ผลลัพธ์

อัลกอริทึมและการแทนค่า

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

วางข้อมูลผู้ตอบแบบสอบถามและสัดส่วนประชากรเป้าหมายเพื่อสร้างค่าน้ำหนัก

ข้อมูลผู้ตอบแบบสอบถามและค่าน้ำหนักที่คำนวณได้ของคุณจะอยู่ภายในเบราว์เซอร์นี้เท่านั้นและจะไม่ถูกอัปโหลดไปยังเซิร์ฟเวอร์

คำถามที่พบบ่อย

Raking คืออะไร และเมื่อใดที่การปรับสัดส่วนประชากรตัวแปรเดียวถือเป็นเพียงการแบ่งชั้นภูมิภายหลัง?

Raking คือการปรับสัดส่วนประชากรที่ทราบทีละตัวแปร จากนั้นจะวนซ้ำไปเรื่อยๆ จนกระทั่งสัดส่วนของตัวแปรก่อนหน้ายังคงสอดคล้องกันหลังจากปรับตัวแปรหลังแล้ว หากคุณระบุตัวแปรเชิงหมวดหมู่เพียงตัวเดียว การวนซ้ำเพียงรอบเดียวก็เพียงพอแล้ว โดยแต่ละหมวดหมู่จะได้รับการปรับค่าตามสูตรทั่วไปคือ สัดส่วนเป้าหมาย ÷ สัดส่วนปัจจุบัน ทั้งนี้การมีสัดส่วนประชากรหลายตัวแปรไม่ได้บังคับให้การรวมกันของข้อมูลที่ไม่ได้ระบุไว้ต้องสอดคล้องกันตามไปด้วย

ฉันควรใช้ค่าใดเป็นค่าน้ำหนักเริ่มต้น?

ใช้ค่าน้ำหนักที่ควรจะเป็นก่อนการปรับเทียบกับประชากร ซึ่งโดยทั่วไปคือส่วนกลับของความน่าจะเป็นในการสุ่มตัวอย่างสุดท้ายของผู้ตอบแต่ละคน หลังจากปรับแก้การไม่ตอบกลับที่งานวิจัยของคุณต้องการแล้ว หากคุณไม่มีค่าน้ำหนักความน่าจะเป็น ให้ปล่อยช่องนี้ว่างไว้เพื่อเริ่มค่าของทุกคนที่ 1 ซึ่งจะสร้างค่าน้ำหนักการปรับเทียบขึ้นมา แต่จะไม่เปลี่ยนกลุ่มตัวอย่างตามความสะดวกให้กลายเป็นกลุ่มตัวอย่างตามหลักความน่าจะเป็น

ผลกระทบของน้ำหนักแบบ Kish คือผลกระทบจากการออกแบบการสำรวจทั้งหมดใช่หรือไม่?

ไม่ใช่ ค่านี้วัดเฉพาะการสูญเสียความแม่นยำที่เกี่ยวข้องกับค่าน้ำหนักที่ไม่เท่ากันเท่านั้น โดยค่าน้ำหนักที่เท่ากันทั้งหมดจะให้ค่าเท่ากับ 1 และค่าน้ำหนักที่มีความแปรปรวนมากขึ้นจะทำให้ขนาดกลุ่มตัวอย่างที่มีประสิทธิผลลดลง ทั้งการรวมกลุ่ม (Clustering) การแบ่งชั้นภูมิ (Stratification) การปรับแก้ประชากรจำกัด และความสัมพันธ์ระหว่างผลลัพธ์กับตัวแปรปรับเทียบ ล้วนส่งผลต่อความแปรปรวนที่แท้จริงได้ โปรดใช้ซอฟต์แวร์ที่เข้าใจการออกแบบกลุ่มตัวอย่างทั้งหมดเพื่อคำนวณหาค่าความคลาดเคลื่อนมาตรฐานและช่วงความเชื่อมั่น

ทำไมเป้าหมายจึงไม่มีผลเฉลยหรือการคำนวณไม่ลู่เข้าหาคำตอบ?

เป้าหมายที่เป็นบวกจะไม่สามารถสร้างขึ้นได้จากหมวดหมู่ที่ไม่มีผู้ตอบแบบสอบถามในกลุ่มตัวอย่างเลย และเมื่อมีหลายตัวแปร การรวมกันของข้อมูลที่สังเกตได้ก็อาจทำให้สัดส่วนประชากรที่ดูสมเหตุสมผลในตอนแรกกลายเป็นข้อมูลที่ขัดแย้งกันเองได้ นอกจากนี้ การจำกัดจำนวนรอบการวนซ้ำที่น้อยเกินไปหรือค่าน้ำหนักเริ่มต้นที่ต่างกันสุดขั้วก็อาจทำให้การคำนวณหยุดลงก่อนที่จะถึงค่าความคลาดเคลื่อนที่ยอมรับได้ที่กำหนด การตรวจสอบเป้าหมายและบันทึกเป้าหมายที่แย่ที่สุดจะแสดงให้เห็นว่าจุดใดที่ยังไม่สอดคล้องกัน โปรดอย่าถือว่าค่าน้ำหนักในรอบสุดท้ายเหล่านั้นเป็นค่าน้ำหนักที่ปรับเทียบแล้ว

เขียนและตรวจสอบโดยทีมบรรณาธิการ BroBroGoอัปเดตล่าสุดเมื่อ: 2026-07-28

การปรับเทียบข้อมูลการสำรวจด้วยวิธี Raking

การปรับเทียบข้อมูลการสำรวจ (Survey Calibration) เป็นขั้นตอนสำคัญในการวิจัยเพื่อปรับปรุงข้อมูลดิบจากกลุ่มตัวอย่างให้มีความสอดคล้องกับประชากรเป้าหมายที่แท้จริง บ่อยครั้งที่กลุ่มตัวอย่างที่รวบรวมได้มีความเอนเอียงทางประชากรศาสตร์ เช่น มีสัดส่วนเพศหญิง อายุ หรือภูมิภาคที่ไม่ตรงกับข้อมูลสำมะโนประชากร เครื่องคำนวณค่าน้ำหนักการสำรวจนี้ใช้ขั้นตอนวิธี Raking หรือ Iterative Proportional Fitting (IPF) ในการปรับค่าน้ำหนักของผู้ตอบแบบสอบถามแต่ละรายโดยอัตโนมัติ เพื่อให้การกระจายตัวของกลุ่มตัวอย่างในแต่ละตัวแปรตรงกับเป้าหมายประชากรที่คุณกำหนด

การประมวลผลข้อมูลทั้งหมดเกิดขึ้นภายในเว็บเบราว์เซอร์ของคุณโดยตรง ข้อมูลผู้ตอบแบบสอบถามและค่าน้ำหนักที่คำนวณได้ของคุณจะอยู่ภายในเบราว์เซอร์นี้เท่านั้นและจะไม่ถูกอัปโหลดไปยังเซิร์ฟเวอร์ ช่วยให้คุณสามารถทำงานกับข้อมูลได้อย่างเป็นส่วนตัวและรวดเร็ว

ความแตกต่างระหว่าง Raking และการแบ่งชั้นภูมิภายหลัง

การแบ่งชั้นภูมิภายหลังแบบดั้งเดิม (Post-Stratification) กำหนดให้ผู้วิจัยต้องทราบสัดส่วนประชากรในทุกๆ เซลล์ที่เกิดจากการตัดกันของตัวแปร (เช่น สัดส่วนร่วมของ เพศ × อายุ × ภูมิภาค) ซึ่งบ่อยครั้งไม่มีข้อมูลประชากรในระดับละเอียดขนาดนั้น หรืออาจเจอปัญหาไม่มีผู้ตอบแบบสอบถามในบางเซลล์ (Zero-Cell)

ในทางกลับกัน วิธี Raking จะใช้เพียง "สัดส่วนประชากรเป้าหมาย (%)" ของแต่ละตัวแปรแยกกัน (Marginal Targets) ขั้นตอนวิธีนี้จะปรับค่าน้ำหนักวนซ้ำไปทีละตัวแปรจนกระทั่งสัดส่วนของทุกตัวแปรลู่เข้าหาเป้าหมายพร้อมกัน

กรณีตัวแปรเดี่ยว: หากคุณระบุตัวแปรเชิงหมวดหมู่เพียงตัวเดียว การคำนวณจะเสร็จสิ้นในรอบเดียว โดยใช้สูตรปรับค่าอย่างง่ายคือ สัดส่วนเป้าหมาย ÷ สัดส่วนปัจจุบัน
กรณีหลายตัวแปร: ระบบจะวนซ้ำปรับค่าทีละตัวแปร โดยในแต่ละรอบจะทำให้ตัวแปรหนึ่งตรงเป้าหมาย แต่อาจทำให้ตัวแปรอื่นคลาดเคลื่อนไปเล็กน้อย ขั้นตอนวิธีจะทำงานซ้ำๆ จนกว่าค่าความคลาดเคลื่อนของทุกตัวแปรจะต่ำกว่า "ค่าความคลาดเคลื่อนสัมพัทธ์ที่ยอมรับได้" ที่กำหนด

การเตรียมข้อมูลนำเข้าและข้อจำกัดของระบบ

เพื่อการคำนวณที่ถูกต้อง ข้อมูลนำเข้าทั้งสองส่วนต้องเป็นไปตามข้อกำหนดดังต่อไปนี้:

1. ข้อมูลผู้ตอบแบบสอบถาม (Respondent Data)

ต้องเป็นตารางที่มีแถวหัวตารางและข้อมูลผู้ตอบแบบสอบถามอย่างน้อยหนึ่งแถว
รองรับการวางข้อมูลสูงสุด 20,000 แถว และขนาดตัวอักษรไม่เกิน 2,000,000 ตัวอักษร
ตารางข้อมูลผู้ตอบแบบสอบถามต้องมีคอลัมน์ที่มีชื่ออย่างน้อยสองคอลัมน์ และต้องไม่มีหัวตารางที่ว่างเปล่า โดยแต่ละคอลัมน์ต้องมีหัวตารางที่ไม่ซ้ำกัน
รองรับการใช้แท็บ อัฒภาค (semicolon) และจุลภาค (comma) เป็นตัวคั่น สำหรับท้องถิ่นที่ใช้เครื่องหมายจุลภาคเป็นทศนิยม ควรใช้แท็บหรืออัฒภาคในการคั่นคอลัมน์เพื่อป้องกันความผิดพลาดในการอ่านค่าตัวเลข

2. สัดส่วนประชากรเป้าหมาย (%) (Population Margins)

ตารางเป้าหมายต้องมีสามคอลัมน์พอดี ได้แก่ ตัวแปร หมวดหมู่ และเปอร์เซ็นต์
กำหนดตัวแปรการปรับเทียบได้ไม่เกิน 6 ตัวแปร, ตัวแปรละไม่เกิน 100 หมวดหมู่ และจำนวนแถวเป้าหมายรวมไม่เกิน 500 แถว
เป้าหมายสำหรับแต่ละตัวแปรต้องรวมกันได้เท่ากับ 100% พอดี และค่าเปอร์เซ็นต์ในแต่ละแถวต้องอยู่ระหว่าง 0% ถึง 100%
ทุกหมวดหมู่ที่มีอยู่ในกลุ่มตัวอย่างจะต้องมีระบุไว้ในตารางเป้าหมาย

การวินิจฉัยผลกระทบของการถ่วงน้ำหนักและประสิทธิภาพ

การถ่วงน้ำหนักช่วยลดความเอนเอียง (Bias) แต่จะเพิ่มความแปรปรวน (Variance) ของการประมาณค่า ซึ่งส่งผลให้ความแม่นยำทางสถิติลดลง เครื่องมือนี้จะคำนวณค่าสถิติวินิจฉัยที่สำคัญให้ทันทีหลังการคำนวณเสร็จสิ้น:

ผลกระทบของน้ำหนักแบบ Kish (Kish Weight Effect): ดัชนีวัดการเพิ่มขึ้นของความแปรปรวนอันเนื่องมาจากค่าน้ำหนักที่ไม่เท่ากัน คำนวณจากสูตร: โดยที่ n คือจำนวนผู้ตอบแบบสอบถาม และ w คือค่าน้ำหนักสุดท้าย
ขนาดกลุ่มตัวอย่างที่มีประสิทธิผล (Effective Sample Size): ขนาดกลุ่มตัวอย่างที่แท้จริงหลังจากหักลบการสูญเสียความแม่นยำจากการถ่วงน้ำหนักแล้ว คำนวณจากสูตร: ค่านี้จะบอกว่ากลุ่มตัวอย่างที่ถ่วงน้ำหนักแล้วของคุณมีพลังในการทดสอบทางสถิติเทียบเท่ากับกลุ่มตัวอย่างที่สุ่มแบบสุ่มง่าย (SRS) ขนาดเท่าใด

‹variable› / ‹category›: ตัวคูณ = ผลรวมเป้าหมาย ÷ ผลรวมปัจจุบัน = ‹target› ÷ ‹current› = ‹factor›
ปรับค่าน้ำหนักสุดท้ายให้มีค่าเฉลี่ยเท่ากับ 1 เพื่อให้ผลรวมของค่าน้ำหนักเท่ากับจำนวนผู้ตอบแบบสอบถาม: Σw = n = ‹count›
ผลกระทบของน้ำหนักแบบ Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›
ขนาดกลุ่มตัวอย่างที่มีประสิทธิผล = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›

ค่าน้ำหนักเหล่านี้จะสอดคล้องกับสัดส่วนประชากรที่คุณระบุเท่านั้น ไม่รวมถึงตัวแปรที่คุณไม่ได้ระบุ การวินิจฉัยแบบ Kish สะท้อนถึงค่าน้ำหนักที่ไม่เท่ากันเท่านั้น ไม่ได้รวมถึงการรวมกลุ่ม การแบ่งชั้นภูมิ หรือการประมาณค่าความแปรปรวนของการสำรวจทั้งหมด

การตรวจสอบและแก้ไขข้อผิดพลาดในการคำนวณ

ในระหว่างการประมวลผล อาจเกิดกรณีที่อัลกอริทึมไม่สามารถลู่เข้าหาคำตอบได้สำเร็จ ซึ่งมีสาเหตุและแนวทางแก้ไขดังนี้:

ปัญหาช่องว่างในกลุ่มตัวอย่าง (Zero-Cell): หากหมวดหมู่ใดหมวดหมู่หนึ่งมีเป้าหมายประชากรเป็นบวก แต่ไม่มีผู้ตอบแบบสอบถามในกลุ่มตัวอย่างเลย (หรือค่าน้ำหนักเริ่มต้นรวมเป็น 0) ระบบจะแสดงข้อผิดพลาด “‹variable› / ‹category›” มีเป้าหมายเป็นบวกแต่ไม่มีค่าน้ำหนักกลุ่มตัวอย่างที่ใช้งานได้ จึงไม่มีผลลัพธ์จำนวนจริงจำกัด คุณจำเป็นต้องยุบรวมหมวดหมู่หรือปรับเป้าหมายใหม่
การไม่ลู่เข้าหาคำตอบ (Convergence Failure): หากระบบทำงานจนครบ "จำนวนรอบการวนซ้ำสูงสุด" (ตั้งค่าได้ 1 ถึง 500 รอบ) แต่ยังไม่สามารถทำค่าความคลาดเคลื่อนให้ต่ำกว่า "ค่าความคลาดเคลื่อนสัมพัทธ์ที่ยอมรับได้" (ตั้งค่าได้ 1e-12 ถึง 1e-2) ระบบจะแสดงสถานะ การคำนวณถึงขีดจำกัดรอบการวนซ้ำ (‹iterations›) ก่อนที่จะลู่เข้าหาคำตอบ ระบบจะแสดงค่าน้ำหนักรอบสุดท้ายเพื่อการวินิจฉัยเท่านั้น ไม่ใช่ผลลัพธ์ที่ปรับเทียบแล้ว
ค่าน้ำหนักที่ต่างกันสุดขั้ว: หากการคำนวณลู่เข้าหาคำตอบสำเร็จ แต่ค่าน้ำหนักมีความแปรปรวนสูงมาก ระบบจะแสดงคำเตือน สัดส่วนประชากรสอดคล้องกันแล้ว แต่ค่าน้ำหนักที่กว้างที่สุดคิดเป็น ‹ratio› เท่าของค่าน้ำหนักที่น้อยที่สุด โปรดตรวจสอบขนาดกลุ่มตัวอย่างที่มีประสิทธิผลก่อนนำไปใช้งาน

คำถามที่พบบ่อย (FAQ)

ถาม: ฉันควรใช้ค่าใดเป็นค่าน้ำหนักเริ่มต้น?
ตอบ: ใช้ค่าน้ำหนักที่ควรจะเป็นก่อนการปรับเทียบกับประชากร ซึ่งโดยทั่วไปคือส่วนกลับของความน่าจะเป็นในการสุ่มตัวอย่างสุดท้ายของผู้ตอบแต่ละคน หลังจากปรับแก้การไม่ตอบกลับที่งานวิจัยของคุณต้องการแล้ว หากคุณไม่มีค่าน้ำหนักความน่าจะเป็น ให้ปล่อยช่องนี้ว่างไว้เพื่อเริ่มค่าของทุกคนที่ 1 ซึ่งจะสร้างค่าน้ำหนักการปรับเทียบขึ้นมา แต่จะไม่เปลี่ยนกลุ่มตัวอย่างตามความสะดวกให้กลายเป็นกลุ่มตัวอย่างตามหลักความน่าจะเป็น

ถาม: ทำไมเป้าหมายจึงไม่มีผลเฉลยหรือการคำนวณไม่ลู่เข้าหาคำตอบ?
ตอบ: เป้าหมายที่เป็นบวกจะไม่สามารถสร้างขึ้นได้จากหมวดหมู่ที่ไม่มีผู้ตอบแบบสอบถามในกลุ่มตัวอย่างเลย และเมื่อมีหลายตัวแปร การรวมกันของข้อมูลที่สังเกตได้ก็อาจทำให้สัดส่วนประชากรที่ดูสมเหตุสมผลในตอนแรกกลายเป็นข้อมูลที่ขัดแย้งกันเองได้ นอกจากนี้ การจำกัดจำนวนรอบการวนซ้ำที่น้อยเกินไปหรือค่าน้ำหนักเริ่มต้นที่ต่างกันสุดขั้วก็อาจทำให้การคำนวณหยุดลงก่อนที่จะถึงค่าความคลาดเคลื่อนที่ยอมรับได้ที่กำหนด การตรวจสอบเป้าหมายและบันทึกเป้าหมายที่แย่ที่สุดจะแสดงให้เห็นว่าจุดใดที่ยังไม่สอดคล้องกัน โปรดอย่าถือว่าค่าน้ำหนักในรอบสุดท้ายเหล่านั้นเป็นค่าน้ำหนักที่ปรับเทียบแล้ว

ถาม: ผลกระทบของน้ำหนักแบบ Kish คือผลกระทบจากการออกแบบการสำรวจทั้งหมดใช่หรือไม่?
ตอบ: ไม่ใช่ ค่านี้วัดเฉพาะการสูญเสียความแม่นยำที่เกี่ยวข้องกับค่าน้ำหนักที่ไม่เท่ากันเท่านั้น โดยค่าน้ำหนักที่เท่ากันทั้งหมดจะให้ค่าเท่ากับ 1 และค่าน้ำหนักที่มีความแปรปรวนมากขึ้นจะทำให้ขนาดกลุ่มตัวอย่างที่มีประสิทธิผลลดลง ทั้งการรวมกลุ่ม (Clustering) การแบ่งชั้นภูมิ (Stratification) การปรับแก้ประชากรจำกัด และความสัมพันธ์ระหว่างผลลัพธ์กับตัวแปรปรับเทียบ ล้วนส่งผลต่อความแปรปรวนที่แท้จริงได้ โปรดใช้ซอฟต์แวร์ที่เข้าใจการออกแบบกลุ่มตัวอย่างทั้งหมดเพื่อคำนวณหาค่าความคลาดเคลื่อนมาตรฐานและช่วงความเชื่อมั่น

ถาม: Raking คืออะไร และเมื่อใดที่การปรับสัดส่วนประชากรตัวแปรเดียวถือเป็นเพียงการแบ่งชั้นภูมิภายหลัง?
ตอบ: Raking คือการปรับสัดส่วนประชากรที่ทราบทีละตัวแปร จากนั้นจะวนซ้ำไปเรื่อยๆ จนกระทั่งสัดส่วนของตัวแปรก่อนหน้ายังคงสอดคล้องกันหลังจากปรับตัวแปรหลังแล้ว หากคุณระบุตัวแปรเชิงหมวดหมู่เพียงตัวเดียว การวนซ้ำเพียงรอบเดียวก็เพียงพอแล้ว โดยแต่ละหมวดหมู่จะได้รับการปรับค่าตามสูตรทั่วไปคือ สัดส่วนเป้าหมาย ÷ สัดส่วนปัจจุบัน ทั้งนี้การมีสัดส่วนประชากรหลายตัวแปรไม่ได้บังคับให้การรวมกันของข้อมูลที่ไม่ได้ระบุไว้ต้องสอดคล้องกันตามไปด้วย