統計的推論のために母集団をサンプリングする方法はいくつかあります。,

体系的なサンプリングの仕組み

母集団の単純なランダムサンプリングは非効率的で時間がかかる可能性があるため、統計学者は体系的なサンプリングなどの他の方法に目を向けます。 選択、サンプルサイズを通して体系的なアプローチを迅速に行うことができます。 一旦固定された開始点が特定されると、一定の間隔が選択され、参加者の選択を容易にする。,

データ操作のリスクが低い場合、単純な無作為抽出よりも体系的なサンプリングが望ましい。 研究者が間隔の長さを操作して所望の結果を得ることができるときにそのようなリスクが高い場合、単純なランダムサンプリング技術がより適

体系的なサンプリングは、その単純さのために研究者やアナリストに人気があります。 研究者は一般に、ランダムな特性がすべての”n番目の”データサンプルに不釣り合いに存在しない限り、結果はほとんどの正常な集団の代表であると, 言い換えれば、母集団は、選択されたメトリックに沿って自然な程度のランダム性を示す必要があります。 母集団が標準化されたパターンのタイプを持っている場合、誤って非常に一般的なケースを選択するリスクはより明白です。

体系的なサンプリング内では、他のサンプリング方法と同様に、参加者を選択する前にターゲット母集団を選択する必要があります。 母集団は、実施される研究の目的に合った任意の数の所望の特性に基づいて同定することができる。, いくつかの選択基準は、年齢、性別、人種、場所、教育レベルおよび/または職業を含むことができる。

体系的なサンプリングの例

体系的なサンプリングの仮説的な例として、10,000人の人口において、統計学者がサンプリングのために100人ごと サンプリング間隔は、12時間ごとから抽出する新しいサンプルを選択するなど、体系的にすることもできます。,

別の例として、体系的なサンプリングを使用して1,000人の人口から50,000人のランダムなグループを選択する場合は、潜在的な参加者をすべてリストに配置し、開始点を選択する必要があります。 リストが形成されると、リスト上のすべての50番目の人（選択された開始点でカウントを開始する）は、50,000/1,000=50であるため、参加者として選択されます。

たとえば、選択された開始点が20の場合、リストの70番目の人が選択され、その後に120番目が選択されます。, リストの終わりに達し、追加の参加者が必要な場合は、カウントがリストの先頭にループしてカウントを終了します。

体系的なサンプリングとクラスターサンプリング

体系的なサンプリングとクラスターサンプリングは、サンプルに含まれる母集団からサンプ クラスターサンプリングの人口にクラスターを体系的にサンプリング用固定間隔からの大きな人口をサンプルです。,

体系的なサンプリングは、母集団からランダムな開始点を選択し、そのサイズに応じて母集団の定期的な固定間隔からサンプルが取られます。 クラスターサンプリングを分割への人口集積し、簡単なランダムサンプルは各クラスター

クラスターサンプリングは、他のサンプリング方法よりも精度が低いと考えられます。 但し、それはサンプルの取得で費用を救うかもしれません。 クラスターサンプリングは二段階の手続きによってサンプリング。 全体の人口のリストを完了することが困難であるときに使用することができます。, 例えば、インタビューする食料品店の顧客の全体の人口を構築することは困難である可能性があります。

しかし、人はプロセスの最初のステップである店舗のランダムなサブセットを作成することができます。 第二段階では面接をランダムにサンプルのお客様の店舗。 これは、時間とお金を節約することができます簡単な手動プロセスです。

体系的なサンプリングの制限

統計学者が体系的なサンプリングを行う際に考慮しなければならないリスクは、サンプリング間隔で使用されるリストがどのように編成されているかを含むことである。, リストに配置された母集団がサンプリング間隔に一致する循環パターンで編成されている場合、選択された標本に偏りがある可能性があります。

たとえば、会社の人事部門は、従業員のサンプルを選択し、会社のポリシーについてどのように感じているかを尋ねたいと考えています。 従業員は20人のチームにグループ分けされ、各チームはマネージャーが率います。 サンプルサイズを選択するために使用されるリストがチームがクラスタ化されて編成されている場合、統計学者はサンプリング間隔に応じてマネージ,