Czy SurveyMonkey ignoruje fakt, że otrzymujesz nieprzypadkową próbkę?

SurveyMonkey ma kroki i tabelę, aby dowiedzieć się, jaki rozmiar próby jest potrzebny dla danego marginesu błędu lub przedziału ufności, na podstawie wielkości populacji.

Wielkość próby SurveyMonkey

Czy ta tabela po prostu ignoruje fakt, że nie otrzymasz losowej próbki, ponieważ tylko osoby, które zawracają sobie głowę odpowiedzią na ankietę?

Zostaję ostrzeżony podczas pisania tego pytania, że ​​pytanie wydaje się subiektywne, więc może nie zadaję go poprawnie. Tak naprawdę nie chodzi o SurveyMonkey, ale jest bardziej ogólne pytanie - czy faktycznie można obliczyć przedziały ufności na podstawie danych dobrowolnych odpowiedzi przy użyciu zaawansowanych technik, o których nie wiem?

W sondażach wyjściowych lub badaniach krajowych oczywiście muszą poradzić sobie z tym problemem. Moje wykształcenie nie obejmowało dogłębnie technik próbkowania ankiet, ale zakładam, że wiąże się to ze zbieraniem danych demograficznych i wykorzystywaniem ich do tego, aby wiedzieć, jak reprezentatywna jest twoja próbka.

Ale poza tym, dla prostej ankiety online, czy oni tylko zakładają, że ludzie, którzy próbują odpowiedzieć, są losową próbą populacji?

Krótka odpowiedź brzmi: tak, Survey Monkey ignoruje dokładnie sposób uzyskania próbki. Survey Monkey nie jest wystarczająco sprytny, aby założyć, że to, co zebrałeś, nie jest próbą wygody, ale praktycznie każda ankieta Survey Monkey jest próbką wygody. Stwarza to ogromną rozbieżność w dokładnie oszacowanych wartościach, których żadna ilość próbkowania nie może / nie wyeliminuje. Z jednej strony możesz zdefiniować populację (i skojarzenia w niej), które uzyskasz od SRS. Z drugiej strony, można określić populację zdefiniowane przez non-losowego pobierania próbek, stowarzyszeń tam Państwo mogąoszacowanie (i reguły mocy obowiązują dla takich wartości). To do ciebie, jako badacza, należy omówienie rozbieżności i pozwolenie czytelnikowi dokładnie określić, jak ważna może być próba losowa w przybliżeniu prawdziwego trendu.

$\mbox{Bias}_n = \theta - \hat{\theta}_n$$\hat{\theta} \rightarrow_p \theta$$\hat{\theta} \not\to_p \theta$w teorii prawdopodobieństwa. Eksperci zajmujący się projektowaniem badań (np. Epidemiologowie) nabrali złego nawyku nazywania niekonsekwencji „uprzedzeniem”. W tym przypadku jest to błąd selekcji lub błąd ochotnika. Jest to z pewnością pewna forma uprzedzeń, ale niekonsekwencja oznacza, że ​​żadna ilość próbkowania nigdy nie rozwiąże problemu.

Aby oszacować powiązania na poziomie populacji na podstawie danych przykładowych dla wygody, należy poprawnie zidentyfikować mechanizm prawdopodobieństwa próbkowania i zastosować odwrotną wagę prawdopodobieństwa we wszystkich swoich szacunkach. W bardzo rzadkich sytuacjach ma to sens. Zidentyfikowanie takiego mechanizmu jest praktycznie niemożliwe. Można to zrobić w kohorcie osób z wcześniejszymi informacjami, które są proszone o wypełnienie ankiety. Prawdopodobieństwo braku odpowiedzi można oszacować jako funkcję wcześniejszych informacji, np. Wiek, płeć, SES ... Ważenie daje szansę ekstrapolacji wyników uzyskanych w populacji osób nieodpowiadających. Spis jest dobrym przykładem udziału odwrotnej wagi prawdopodobieństwa dla takich analiz.