સારી રીતે રચાયેલ અભ્યાસના મુખ્ય ઘટકો પૈકી એક નમૂનાને વ્યાખ્યાયિત કરે છે અને પ્રતિનિધિ નમૂના શું છે. તે કેકના ઉદાહરણ જેવું છે. છેવટે, તમારે તેનો સ્વાદ સમજવા માટે આખી મીઠાઈ ખાવાની જરૂર નથી? એક નાનો ભાગ પૂરતો છે.
તેથી, કેક છે વસ્તી (એટલે કે, સર્વેક્ષણ માટે પાત્રતા ધરાવતા તમામ ઉત્તરદાતાઓ). તે ભૌગોલિક રીતે વ્યક્ત કરી શકાય છે, ઉદાહરણ તરીકે, ફક્ત મોસ્કો પ્રદેશના રહેવાસીઓ. લિંગ - માત્ર સ્ત્રીઓ. અથવા વય પ્રતિબંધો છે - 65 વર્ષથી વધુ ઉંમરના રશિયનો.
વસ્તીની ગણતરી કરવી મુશ્કેલ છે: તમારી પાસે વસ્તી ગણતરી અથવા પ્રારંભિક મૂલ્યાંકન સર્વેક્ષણોનો ડેટા હોવો જરૂરી છે. તેથી, સામાન્ય રીતે સામાન્ય વસ્તી "અંદાજિત" હોય છે, અને પરિણામી સંખ્યા પરથી તેઓ ગણતરી કરે છે નમૂના વસ્તીઅથવા નમૂના.
પ્રતિનિધિ નમૂના શું છે?
નમૂના- આ ઉત્તરદાતાઓની સ્પષ્ટ રીતે વ્યાખ્યાયિત સંખ્યા છે. તેની રચના પસંદગીની મુખ્ય લાક્ષણિકતાઓના સંદર્ભમાં સામાન્ય વસ્તીની રચના સાથે શક્ય તેટલી સુસંગત હોવી જોઈએ.
ઉદાહરણ તરીકે, જો સંભવિત ઉત્તરદાતાઓ રશિયાની સમગ્ર વસ્તી છે, જ્યાં 54% સ્ત્રીઓ અને 46% પુરુષો છે, તો નમૂનામાં બરાબર એ જ ટકાવારી હોવી જોઈએ. જો પરિમાણો એકરુપ હોય, તો નમૂનાને પ્રતિનિધિ કહી શકાય. આનો અર્થ એ છે કે અભ્યાસમાં અચોક્કસતા અને ભૂલો ન્યૂનતમ થઈ જાય છે.
ચોકસાઈ અને અર્થતંત્રની જરૂરિયાતોને ધ્યાનમાં રાખીને નમૂનાનું કદ નક્કી કરવામાં આવે છે. આ આવશ્યકતાઓ એકબીજાના વિપરિત પ્રમાણસર છે: નમૂનાનું કદ જેટલું મોટું છે, પરિણામ વધુ સચોટ છે. તદુપરાંત, ઉચ્ચ ચોકસાઈ, અનુરૂપ વધુ ખર્ચ અભ્યાસ હાથ ધરવા માટે જરૂરી છે. અને ઊલટું, નમૂનો જેટલો નાનો છે, તેટલો ઓછો ખર્ચ થાય છે, સામાન્ય વસ્તીના ગુણધર્મો ઓછા સચોટ અને વધુ રેન્ડમ રીતે પુનઃઉત્પાદિત થાય છે.
તેથી, પસંદગીના વોલ્યુમની ગણતરી કરવા માટે, સમાજશાસ્ત્રીઓએ એક સૂત્રની શોધ કરી અને બનાવ્યું ખાસ કેલ્ક્યુલેટર:
આત્મવિશ્વાસની સંભાવનાઅને આત્મવિશ્વાસની ભૂલ
શરતો શું છે " આત્મવિશ્વાસની સંભાવના"અને" આત્મવિશ્વાસની ભૂલ"? આત્મવિશ્વાસની સંભાવના એ માપનની ચોકસાઈનું સૂચક છે. અને આત્મવિશ્વાસની ભૂલ એ સંશોધન પરિણામોમાં સંભવિત ભૂલ છે. ઉદાહરણ તરીકે, 500,00 થી વધુ લોકોની વસ્તી સાથે (ચાલો આપણે નોવોકુઝનેત્સ્કમાં રહેતા હોઈએ), નમૂના 95% ની આત્મવિશ્વાસ સંભાવના અને 5% OR ની ભૂલ સાથે 384 લોકો હશે (95±5 ના વિશ્વાસ અંતરાલ સાથે %).
આમાંથી શું અનુસરે છે? આવા નમૂના (384 લોકો) સાથે 100 અભ્યાસો હાથ ધરતી વખતે, 95 ટકા કેસોમાં આંકડાશાસ્ત્રના કાયદા અનુસાર પ્રાપ્ત જવાબો મૂળના ±5% ની અંદર હશે. અને અમને આંકડાકીય ભૂલની ન્યૂનતમ સંભાવના સાથે પ્રતિનિધિ નમૂના મળશે.
નમૂનાના કદની ગણતરી કર્યા પછી, તમે જોઈ શકો છો કે પ્રશ્નાવલી પેનલના ડેમો સંસ્કરણમાં ઉત્તરદાતાઓની પૂરતી સંખ્યા છે કે નહીં. પેનલ સર્વે કેવી રીતે હાથ ધરવો તે વિશે તમે વધુ જાણી શકો છો.
નમૂનાની પ્રતિનિધિત્વ
| પરિમાણ નામ | અર્થ |
| લેખનો વિષય: | નમૂનાની પ્રતિનિધિત્વ |
| રૂબ્રિક (વિષયાત્મક શ્રેણી) | મનોવિજ્ઞાન |
સેમ્પલિંગ જરૂરિયાતો
નમૂના પર સંખ્યાબંધ ફરજિયાત આવશ્યકતાઓ લાગુ કરવામાં આવે છે, જે નક્કી કરવામાં આવે છે, સૌ પ્રથમ, અભ્યાસના લક્ષ્યો અને ઉદ્દેશ્યો દ્વારા. પ્રયોગના આયોજનમાં નમૂનાનું કદ અને તેની સંખ્યાબંધ વિશેષતાઓ બંનેને ધ્યાનમાં લેવાનો સમાવેશ થવો જોઈએ. આમ, મનોવૈજ્ઞાનિક સંશોધનમાં આવશ્યકતા મહત્વપૂર્ણ છે એકરૂપતાનમૂનાઓ તેનો અર્થ એ છે કે અભ્યાસ કરતા મનોવિજ્ઞાની, ઉદાહરણ તરીકે, કિશોરો, સમાન નમૂનામાં પુખ્ત વયના લોકોનો સમાવેશ કરી શકતા નથી. તેનાથી વિપરીત, વય વિભાગોની પદ્ધતિનો ઉપયોગ કરીને હાથ ધરવામાં આવેલ અભ્યાસ મૂળભૂત રીતે વિવિધ ઉંમરના વિષયોની હાજરીને ધારે છે. તે જ સમયે, આ કિસ્સામાં, નમૂનાની એકરૂપતા અવલોકન કરવી આવશ્યક છે, પરંતુ અન્ય માપદંડો અનુસાર, મુખ્યત્વે જેમ કે વય અને લિંગ. એક સમાન નમૂનો બનાવવાનો આધાર અભ્યાસના ઉદ્દેશ્યોના આધારે વિવિધ લાક્ષણિકતાઓ હોઈ શકે છે, જેમ કે બુદ્ધિનું સ્તર, રાષ્ટ્રીયતા, અમુક રોગોની ગેરહાજરી વગેરે.
સામાન્ય આંકડામાં એક ખ્યાલ છે પુનરાવર્તિતઅને બિન-પુનરાવર્તિતનમૂનાઓ, અથવા, બીજા શબ્દોમાં કહીએ તો, પરત સાથે અને વગર નમૂનાઓ. ઉદાહરણ તરીકે, એક નિયમ તરીકે, કન્ટેનરમાંથી લેવામાં આવેલા બોલની પસંદગી આપવામાં આવે છે. રિટર્ન સેમ્પલિંગના કિસ્સામાં, દરેક પસંદ કરેલ બોલ કન્ટેનરમાં પરત કરવામાં આવે છે અને તેથી તેને ફરીથી પસંદ કરવો આવશ્યક છે. બિન-પુનરાવર્તિત પસંદગીના કિસ્સામાં, એકવાર પસંદ કરેલ બોલને બાજુ પર મૂકવામાં આવે છે અને તે હવે પસંદગીમાં ભાગ લઈ શકશે નહીં. મનોવૈજ્ઞાનિક સંશોધનમાં, કોઈ પણ નમૂના અભ્યાસનું આયોજન કરવાની આ પ્રકારની પદ્ધતિઓના એનાલોગ શોધી શકે છે, કારણ કે મનોવૈજ્ઞાનિકને ઘણી વખત સમાન તકનીકનો ઉપયોગ કરીને સમાન વિષયોનું પરીક્ષણ કરવું પડે છે. તદુપરાંત, સખત રીતે કહીએ તો, આ કિસ્સામાં પરીક્ષણ પ્રક્રિયા પુનરાવર્તિત થાય છે. પુનરાવર્તિત અભ્યાસના કિસ્સામાં રચનાની સંપૂર્ણ ઓળખ સાથેના વિષયોના નમૂનામાં તમામ લોકોમાં સહજ કાર્યાત્મક અને વય-સંબંધિત પરિવર્તનશીલતાને કારણે હંમેશા કેટલાક તફાવતો હશે. પ્રક્રિયાની પ્રકૃતિને લીધે, આવા નમૂનાને પુનરાવર્તિત કરવામાં આવે છે, જો કે અહીં શબ્દનો અર્થ બોલના કિસ્સામાં કરતાં દેખીતી રીતે અલગ છે.
એ વાત પર ભાર મૂકવો મહત્વપૂર્ણ છે કે કોઈપણ નમૂના માટેની તમામ આવશ્યકતાઓ એ હકીકત પર ઉકળે છે કે તેના આધારે માનસશાસ્ત્રીએ સામાન્ય વસ્તીની લાક્ષણિકતાઓ વિશે સૌથી સંપૂર્ણ, અવિકૃત માહિતી પ્રાપ્ત કરવી આવશ્યક છે કે જેમાંથી આ નમૂના લેવામાં આવ્યો હતો. બીજા શબ્દોમાં કહીએ તો, નમૂનાએ શક્ય તેટલી સંપૂર્ણ રીતે અભ્યાસ કરવામાં આવતી વસ્તીની લાક્ષણિકતાઓને પ્રતિબિંબિત કરવી જોઈએ.
પ્રાયોગિક નમૂનાની રચના સામાન્ય વસ્તીનું પ્રતિનિધિત્વ (મોડેલ) હોવી જોઈએ, કારણ કે પ્રયોગમાં મેળવેલા તારણો પછીથી સમગ્ર વસ્તીમાં સ્થાનાંતરિત થવાની અપેક્ષા છે. આ કારણોસર, નમૂનામાં વિશિષ્ટ ગુણવત્તા હોવી આવશ્યક છે - પ્રતિનિધિત્વ તેમાંથી મેળવેલા નિષ્કર્ષને સમગ્ર વસ્તી સુધી વિસ્તૃત કરવાની મંજૂરી આપે છે.
નમૂનાની પ્રતિનિધિત્વ ખૂબ જ મહત્વપૂર્ણ છે, જો કે, ઉદ્દેશ્ય કારણોસર તે જાળવવું અત્યંત મુશ્કેલ છે. આમ, તે જાણીતી હકીકત છે કે 20મી સદીના 60 ના દાયકામાં યુનાઇટેડ સ્ટેટ્સમાં માનવ વર્તણૂકના તમામ મનોવૈજ્ઞાનિક અભ્યાસોમાંથી 70% થી 90% સુધી કોલેજના વિદ્યાર્થીઓના વિષયો સાથે હાથ ધરવામાં આવ્યા હતા, જેમાંથી મોટાભાગના વિદ્યાર્થી મનોવૈજ્ઞાનિકો હતા. પ્રાણીઓ પર કરવામાં આવેલા પ્રયોગશાળા સંશોધનમાં, અભ્યાસનો સૌથી સામાન્ય વિષય ઉંદરો છે. આ કારણોસર, તે કોઈ સંયોગ નથી કે મનોવિજ્ઞાનને અગાઉ "બીજા વર્ષના વિદ્યાર્થીઓ અને સફેદ ઉંદરોનું વિજ્ઞાન" કહેવામાં આવતું હતું. કૉલેજ મનોવિજ્ઞાનના વિદ્યાર્થીઓ કુલ યુએસ વસ્તીના માત્ર 3% છે. તે સ્પષ્ટ છે કે વિદ્યાર્થીઓનો નમૂનો દેશની સમગ્ર વસ્તીનું પ્રતિનિધિત્વ કરવાનો દાવો કરતા મોડેલ તરીકે પ્રતિનિધિ નથી.
પ્રતિનિધિસેમ્પલિંગ, અથવા, જેમ તેઓ કહે છે, પ્રતિનિધિનમૂના એ એક નમૂનો છે જેમાં સામાન્ય વસ્તીની તમામ મુખ્ય લાક્ષણિકતાઓ લગભગ સમાન પ્રમાણમાં અને તે જ આવર્તન સાથે રજૂ કરવામાં આવે છે જેની સાથે આપેલ સામાન્ય વસ્તીમાં આપેલ લાક્ષણિકતા દેખાય છે. બીજા શબ્દોમાં કહીએ તો, પ્રતિનિધિ નમૂના એ વસ્તીનું એક નાનું પરંતુ સચોટ મોડેલ છે જે તેને પ્રતિબિંબિત કરવાનો છે. જે હદ સુધી નમૂના પ્રતિનિધિ છે, તે નમૂનાના અભ્યાસ પર આધારિત તારણો સમગ્ર વસ્તીને લાગુ પડે તેવું વ્યાજબી રીતે માની શકાય છે. પરિણામોના આ વિતરણને સામાન્ય રીતે કહેવામાં આવે છે સામાન્યીકરણ.
આદર્શરીતે, પ્રતિનિધિ નમૂના એવો હોવો જોઈએ કે મનોવિજ્ઞાની દ્વારા અભ્યાસ કરાયેલ દરેક મૂળભૂત લાક્ષણિકતાઓ, લક્ષણો, વ્યક્તિત્વ લક્ષણો વગેરે. સામાન્ય વસ્તીમાં સમાન લક્ષણોના પ્રમાણમાં તેમાં રજૂ કરવામાં આવશે. આ જરૂરિયાતો અનુસાર, નમૂના લેવાની પ્રક્રિયામાં આંતરિક તર્ક હોવો જોઈએ જે સંશોધકને ખાતરી આપી શકે કે, જ્યારે સામાન્ય વસ્તી સાથે સરખામણી કરવામાં આવે, ત્યારે તે ખરેખર પ્રતિનિધિ હશે.
તેની ચોક્કસ પ્રવૃત્તિમાં, મનોવિજ્ઞાની નીચે પ્રમાણે કાર્ય કરે છે: સામાન્ય વસ્તીમાં પેટાજૂથ (નમૂનો) સ્થાપિત કરે છે, આ નમૂનાનો વિગતવાર અભ્યાસ કરે છે (તેની સાથે પ્રાયોગિક કાર્ય કરે છે), અને પછી, જો આંકડાકીય વિશ્લેષણના પરિણામો તેને મંજૂરી આપે છે, તો તારણોને વિસ્તૃત કરે છે. સમગ્ર સામાન્ય વસ્તી માટે. નમૂના સાથે મનોવિજ્ઞાનીના કાર્યના આ મુખ્ય તબક્કા છે.
મહત્વાકાંક્ષી મનોવૈજ્ઞાનિકે વારંવાર પુનરાવર્તિત ભૂલને ધ્યાનમાં રાખવી જોઈએ: જ્યારે પણ તે કોઈપણ પદ્ધતિ દ્વારા અને કોઈપણ સ્ત્રોતમાંથી કોઈપણ ડેટા એકત્રિત કરે છે, ત્યારે તે હંમેશા સમગ્ર વસ્તી માટે તેના નિષ્કર્ષને સામાન્ય બનાવવા માટે લલચાય છે. આવી ભૂલ ટાળવા માટે, તમારે માત્ર સામાન્ય જ્ઞાન હોવું જરૂરી નથી, પરંતુ, સૌથી ઉપર, ગાણિતિક આંકડાઓની મૂળભૂત વિભાવનાઓની સારી કમાન્ડ હોવી જરૂરી છે.
નમૂનાની પ્રતિનિધિત્વ - ખ્યાલ અને પ્રકારો. વર્ગીકરણ અને "નમૂનાની પ્રતિનિધિત્વ" 2017, 2018 શ્રેણીના લક્ષણો.
નમૂનાની મિલકત, જેના કારણે નમૂનાના અભ્યાસના પરિણામો સામાન્ય વસ્તી અને સમગ્ર પ્રયોગમૂલક પદાર્થ વિશે તારણો કાઢવા દે છે, તેને કહેવામાં આવે છે. પ્રતિનિધિત્વ
નમૂનાની પ્રતિનિધિત્વ (પ્રતિનિધિત્વ).સ્વીકાર્ય ભૂલોની અંદર વસ્તીની ચોક્કસ લાક્ષણિકતાઓનું પુનઃઉત્પાદન કરવાની નમૂનાની ક્ષમતા છે. નમૂનાને પ્રતિનિધિ કહેવામાં આવે છે જો આપેલ નમૂના માટે ચોક્કસ પરિમાણને માપવાનું પરિણામ સામાન્ય વસ્તીને માપવાના જાણીતા પરિણામ સાથે, અનુમતિપાત્ર ભૂલને ધ્યાનમાં લેતા એકરુપ હોય. જો નમૂનાનું માપ જાણીતી વસ્તી પરિમાણમાંથી ભૂલના પસંદ કરેલા સ્તર કરતાં વધુ વિચલિત થાય છે, તો નમૂનાને અપ્રતિનિધિત્વ માનવામાં આવે છે.
સૂચિત વ્યાખ્યા સૌ પ્રથમ સ્થાપિત કરે છે નમૂના અને વસ્તી વચ્ચેનો સંબંધસંશોધન તે સામાન્ય વસ્તી છે જે નમૂના દ્વારા રજૂ થાય છે, અને માત્ર સામાન્ય વસ્તીને નમૂના અભ્યાસમાં ઓળખવામાં આવેલા વલણો સુધી વિસ્તૃત કરી શકાય છે. હવે તે સ્પષ્ટ થવું જોઈએ કે વસ્તીને યોગ્ય રીતે વ્યાખ્યાયિત કરવા અને સંશોધન દસ્તાવેજો અને પ્રકાશનોમાં તેનું વર્ણન કરવાની સમસ્યાઓ પર આટલું ધ્યાન શા માટે આપવામાં આવ્યું હતું. જેમાંથી માપન માટેના એકમો વાસ્તવમાં પસંદ કરવામાં આવ્યા હતા તે સિવાયના નમૂના વસ્તીનું પ્રતિનિધિત્વ કરી શકતા નથી. જો સંશોધક વસ્તીની વાસ્તવિક સીમાઓ વિશે ભૂલ કરે છે, તો તેના તારણો ખોટા હશે. જો તે ભૂલથી અથવા ઈરાદાપૂર્વક અભ્યાસના પરિણામોના આધારે રિપોર્ટિંગ સામગ્રી, પ્રકાશનો અથવા પ્રસ્તુતિઓમાં વસ્તીની સીમાઓને વિસ્તૃત અથવા વિકૃત કરે છે, તો તે વપરાશકર્તાઓને ગેરમાર્ગે દોરે છે અને પરિણામોના ખોટા સ્વરૂપ તરીકે ગણી શકાય.
પ્રતિનિધિત્વની કસોટી નમૂનાના વ્યક્તિગત પરિમાણો અને સામાન્ય વસ્તીની તુલના કરીને હાથ ધરવામાં આવે છે. એક સામાન્ય ગેરસમજ એ છે કે પ્રતિનિધિ નમૂનાઓ "બિલકુલ" અસ્તિત્વમાં છે.
નમૂનાની પ્રતિનિધિત્વ અથવા બિન-પ્રતિનિધિત્વ માત્ર વ્યક્તિગત ચલોના સંબંધમાં નક્કી કરી શકાય છે. તદુપરાંત, સમાન નમૂના કેટલીક બાબતોમાં પ્રતિનિધિ અને અન્યમાં અપ્રતિનિધિક હોઈ શકે છે.
એક નિયમ તરીકે, સમાજશાસ્ત્રીઓના વ્યાવસાયિક પ્રવચનમાં, પ્રતિનિધિત્વને દ્વિભાષી મિલકત તરીકે રજૂ કરવામાં આવે છે - એક નમૂનો કાં તો પ્રતિનિધિ છે કે નહીં. પરંતુ આ સંપૂર્ણપણે યોગ્ય અભિગમ નથી. વાસ્તવમાં, નમૂના વસ્તીના કેટલાક પરિમાણોને વધુ ચોક્કસ રીતે અને અન્ય ઓછા ચોક્કસ રીતે પુનઃઉત્પાદિત કરી શકે છે. તેથી, તે વિશે વાત કરવી વધુ યોગ્ય છે (જોકે વ્યવહારિક દૃષ્ટિકોણથી અને ઓછું અનુકૂળ) પ્રતિનિધિત્વની ડિગ્રીચોક્કસ પરિમાણો અનુસાર ચોક્કસ નમૂના.
એકંદરે નમૂનાની જેમ, નમૂનાની પ્રતિનિધિત્વ નક્કી કરવામાં મુખ્ય મુદ્દો એ ભૂલના માર્જિનનું સમર્થન છે જેમાં અભ્યાસના હેતુઓ માટે નમૂનાને પ્રતિનિધિ તરીકે ગણવામાં આવે છે. તેનાથી વિપરિત પણ શક્ય છે - વાસ્તવિક ભૂલોના કદને ઠીક કરવું અને એ હકીકત જણાવવી કે નમૂના ચોક્કસ ભૂલો સાથે સામાન્ય વસ્તીનું પ્રતિનિધિત્વ કરે છે. ફરીથી, સંશોધન તારણોના ઉપયોગની પ્રકૃતિ આમાં મુખ્ય ભૂમિકા ભજવે છે. પરિણામે, સમાન નમૂનાને કેટલાક હેતુઓ માટે પૂરતા પ્રમાણમાં પ્રતિનિધિ તરીકે ગણવામાં આવી શકે છે (ઉદાહરણ તરીકે, આગામી ચૂંટણીઓમાં મતદાનની આગાહી કરવા માટે), પરંતુ અન્ય લોકો માટે પૂરતા પ્રમાણમાં પ્રતિનિધિ નથી (ઉદાહરણ તરીકે, ઉમેદવારના રેટિંગ્સ નક્કી કરવા અને મતદાનના પરિણામોની આગાહી કરવા).
નમૂનાની પ્રતિનિધિત્વ ચકાસવા માટે કયા પરિમાણોનો ઉપયોગ કરવો જોઈએ? પ્રથમ, મોટાભાગની સંશોધન પરિસ્થિતિઓમાં આવા થોડા પરિમાણો છે. છેવટે, જો બાદમાં ઉપલબ્ધ હોય તો જ સામાન્ય વસ્તીના ડેટા સાથે નમૂનાના માપનના પરિણામોની તુલના કરવી શક્ય છે. અને સંશોધન હાથ ધરવામાં આવી રહ્યું છે કારણ કે આવો પૂરતો ડેટા નથી. તેથી, ઑબ્જેક્ટ મોડેલિંગ અને સાધનોના અનુગામી વિકાસના તબક્કે પણ, એક અથવા વધુ નિયંત્રણ પરિમાણોના માપન માટે પ્રદાન કરવાની સલાહ આપવામાં આવે છે કે જેના માટે સામાન્ય વસ્તીને દર્શાવતો ડેટા ઉપલબ્ધ છે. આ પ્રતિનિધિત્વના પરીક્ષણ માટે જરૂરી પ્રયોગમૂલક આધાર પૂરો પાડશે.
બીજું, અભ્યાસના વિષય વિસ્તાર માટે નોંધપાત્ર હોય તેવા પરિમાણો અનુસાર નમૂનાની પ્રતિનિધિત્વ તપાસવાનો પ્રયત્ન કરવો જોઈએ. આધુનિક વ્યવહારમાં, મૂળભૂત વસ્તી વિષયક પરિમાણો - લિંગ, ઉંમર, શિક્ષણ, વગેરે દ્વારા પ્રતિનિધિત્વનું નિયંત્રણ વ્યાપક બન્યું છે, આ ડેટા, એક નિયમ તરીકે, કોઈપણ પ્રાદેશિક ઑબ્જેક્ટ માટે ઉપલબ્ધ છે, કારણ કે તે વસ્તી ગણતરી દરમિયાન રેકોર્ડ કરવામાં આવે છે અને ત્યારબાદ આંકડાકીય દ્વારા પુનઃગણતરી કરવામાં આવે છે. ધ્વનિ ગાણિતિક મોડલનો ઉપયોગ કરતી સંસ્થાઓ. આ કારણોસર, ડેટા શીટમાં કેટલાક વસ્તી વિષયક ચલોનો ફરજિયાત સમાવેશ એ સામાન્ય રીતે સ્વીકૃત વ્યાવસાયિક ધોરણ બની ગયો છે. જો કે, આવી પ્રથાને નિષ્કપટ તરીકે વર્ગીકૃત કરી શકાય છે અને વાજબી ટીકાને પાત્ર છે. હકીકત એ છે કે મૂળભૂત વસ્તી વિષયક પરિમાણો જે સરખામણી માટે સાર્વજનિક રૂપે ઉપલબ્ધ છે તે હંમેશા સમાજશાસ્ત્રીય સંશોધનના વિષયોના સંબંધમાં માળખાકીય પરિબળોની ભૂમિકા ભજવતા નથી. તેમનો સ્વભાવ પોતે સામાજિક નથી, અને સંશોધનના પદાર્થો પર તેમનો પ્રભાવ ઘણીવાર તદ્દન પરોક્ષ હોય છે. તેથી, વસ્તી વિષયક રીતે પ્રતિનિધિ નમૂનાઓ સિસ્ટમની ભૂલો અને અનિયંત્રિત પૂર્વગ્રહોના સ્વરૂપમાં ખરેખર નોંધપાત્ર સમસ્યાઓ છુપાવી શકે છે. તેનાથી વિપરિત, અભ્યાસના લક્ષ્યો અને ઉદ્દેશ્યોના દૃષ્ટિકોણથી અસરકારક નમૂનાઓની વસ્તી વિષયક પ્રતિનિધિત્વ ઓછી હોઈ શકે છે.
અહીં પ્રેક્ટિસમાંથી એક રસપ્રદ ઉદાહરણ છે. 2009 માં, યુરલ્સમાં કામ કરતી એક સંશોધન કંપનીએ પર્મ ટેરિટરીના કિઝેલ શહેરમાં એક સર્વે હાથ ધર્યો હતો. ફિલ્ડવર્ક દરમિયાન, સંશોધકોને સંશોધન યોજના દ્વારા પરિકલ્પિત નમૂનાની ભરતી કરવામાં ગંભીર અવરોધોનો સામનો કરવો પડ્યો - ઉપલબ્ધ ઉત્તરદાતાઓની પૂરતી સંખ્યામાં અભાવ, હવામાનની સ્થિતિ બગડવી. દેખીતી રીતે, સંશોધન કંપની આવા મોટા પાયે પ્રોજેક્ટ પર કામ કરવા માટે સંપૂર્ણપણે તૈયાર ન હતી. તેની ઉત્પાદન સુવિધાઓએ એક સપ્તાહની અંદર એકદમ મોટા વિસ્તારમાં 6,000 ઉત્તરદાતાઓનું સર્વેક્ષણ કરવામાં આવ્યું તેની ખાતરી કરવા માટે મહત્તમ ક્ષમતા પર કામ કર્યું. પરિણામે, ઘણી સર્વેક્ષણ સાઇટ્સમાં વાસ્તવિક નમૂના, સંશોધકોના પોતાના પ્રવેશ દ્વારા, અભ્યાસમાં ભાગ લેવા માટે ભરતી કરી શકાય તેવા દરેક લોકોથી ભરેલા હતા. સંદર્ભની શરતો દ્વારા સ્થાપિત વસ્તી વિષયક ક્વોટાનું સર્વેક્ષણના મોટાભાગના વિસ્તારોમાં ઉલ્લંઘન થયું હતું. કેટલાક વિસ્તારોમાં, વસ્તીના અમુક વર્ગો માટે ક્વોટા લક્ષ્યના સંબંધમાં નમૂનાના પ્રમાણમાં વિકૃતિ 2.5 ગણા સુધી પહોંચી હતી, જે ખરેખર ક્વોટા નમૂનાના ઉપયોગની હકીકત પર શંકા પેદા કરે છે. એવું લાગતું હતું કે અભ્યાસના ગ્રાહક પાસે સંશોધકો સામે વાજબી દાવા કરવાનું દરેક કારણ હતું.
જો કે, આર્બિટ્રેશન કોર્ટ વતી હાથ ધરવામાં આવેલી તપાસમાં જાણવા મળ્યું કે ક્વોટાની આવી નોંધપાત્ર વિકૃતિઓ અને, તે મુજબ, મૂળભૂત વસ્તી વિષયક પરિમાણોની દ્રષ્ટિએ પરિણામી નમૂનાની સ્પષ્ટ અપ્રતિનિધિત્વ વ્યવહારિક રીતે સંશોધન ડેટાના વિકૃતિ તરફ દોરી જતી નથી! ડેટા એરેનું ફરીથી વજન કરીને, નિષ્ણાતોએ નિયંત્રિત પરિમાણોના આધારે પ્રતિનિધિ નમૂનાની અસર મેળવી. નિષ્ણાતો દ્વારા ચકાસાયેલ ડેટાના લગભગ તમામ ફ્રીક્વન્સી ડિસ્ટ્રિબ્યુશન્સે વાસ્તવિક અને રીવેઇટેડ એરેની પ્રક્રિયાના પરિણામો વચ્ચે આંકડાકીય રીતે નજીવા તફાવત દર્શાવ્યા હતા. હકીકતમાં, આનો અર્થ એ છે કે, સર્વેક્ષણ તકનીકના ઘોર ઉલ્લંઘન અને ક્વોટા સોંપણીઓ માટે વ્યવહારુ અવગણના હોવા છતાં, સંશોધકોએ ગ્રાહકને તે જ ડેટા પૂરો પાડ્યો હતો જેના પર તે ગણતરી કરી શક્યો હોત જો નમૂના પ્રક્રિયાઓનું સંપૂર્ણ પાલન કરવામાં આવ્યું હોત અને વસ્તી વિષયક પ્રતિનિધિત્વની ખાતરી કરવામાં આવી હોત.
આ કેવી રીતે બની શકે? જવાબ સરળ છે - પ્રતિનિધિત્વને નિયંત્રિત કરવા માટે વપરાતા વસ્તી વિષયક પરિમાણોનો અભ્યાસના વિષય ચલો - સામાજિક-આર્થિક પરિસ્થિતિનું વસ્તીનું મૂલ્યાંકન અને તેના સામાજિક-રાજકીય પરિમાણો પર વર્ચ્યુઅલ રીતે કોઈ (અને સહસંબંધ વિશ્લેષણ દ્વારા તેની પુષ્ટિ કરવામાં આવી હતી) પ્રભાવ ન હતો. પ્રવૃત્તિ વધુમાં, સામાન્ય વસ્તીની તુલનામાં નમૂનાનું કદ ઘણું મોટું હતું (હકીકતમાં, અભ્યાસમાં મ્યુનિસિપલ જિલ્લાની પુખ્ત વસ્તીના એક ક્વાર્ટરને આવરી લેવામાં આવ્યો હતો), જે મોટી સંખ્યામાં કાયદાના પરિણામે, સ્થિરતા તરફ દોરી જાય છે. જરૂરી સંખ્યામાં ઉત્તરદાતાઓની મુલાકાત લેવામાં આવે તે પહેલાં અવલોકન કરાયેલ વિતરણ.
આ સાવચેતીભરી વાર્તાનો વ્યવહારુ અર્થ એ છે કે સંશોધકને અભ્યાસના વિષય પર નોંધપાત્ર અસર થવાની અપેક્ષા હોય તેવા નમૂનાના પરિમાણોના સંદર્ભમાં પ્રતિનિધિત્વને સુનિશ્ચિત કરવા અને નિયંત્રિત કરવા માટે પ્રયત્નો અને સંસાધનો નિર્દેશિત કરવા જોઈએ. આનો અર્થ એ છે કે પ્રતિનિધિત્વને નિયંત્રિત કરવા માટેના પરિમાણો દરેક સંશોધન પ્રોજેક્ટ માટે તેના વિષયની વિશિષ્ટતાઓ અનુસાર ખાસ પસંદ કરવા જોઈએ. ઉદાહરણ તરીકે, સામાજિક-આર્થિક સ્થિતિનું મૂલ્યાંકન હંમેશા પ્રતિવાદીના પરિવારની વાસ્તવિક સુખાકારી, શ્રમ બજારમાં અને વ્યવસાયના ક્ષેત્રમાં તેની સ્થિતિ સાથે મજબૂત રીતે સંબંધિત છે. તદનુસાર, પ્રતિનિધિત્વને નિયંત્રિત કરવા માટે આ પરિમાણોનો ઉપયોગ કરવાની સલાહ આપવામાં આવે છે. બીજી બાબત એ છે કે સામાન્ય વસ્તીને દર્શાવતા ઉદ્દેશ્ય ડેટા મેળવવાનું મુશ્કેલ બની શકે છે. આ માટે સર્જનાત્મકતા અને કદાચ સમાધાનની જરૂર છે. ઉદાહરણ તરીકે, પ્રતિવાદીના પરિવારમાં કારની હાજરી દ્વારા સુખાકારીના સ્તરનું નિરીક્ષણ કરી શકાય છે, કારણ કે પ્રદેશમાં નોંધાયેલ કારના આંકડા ઉપલબ્ધ હોઈ શકે છે.
રસપ્રદ રીતે, સંશોધન અહેવાલો અને પ્રકાશનો લગભગ હંમેશા પ્રતિનિધિ નમૂનાઓનો સંદર્ભ આપે છે. શું બિનપ્રતિનિધિત્વ નમુનાઓ ખરેખર દુર્લભ છે? અલબત્ત નહીં. સંશોધન પ્રેક્ટિસમાં ચોક્કસ પરિમાણોમાં પ્રતિનિધિત્વની દ્રષ્ટિએ સમસ્યારૂપ એવા ઘણા નમૂનાઓ છે. તેના બદલે, તેમાંના નમૂનાઓ કરતાં પણ વધુ છે, જેની પ્રતિનિધિત્વનું મૂલ્યાંકન ઔપચારિક રીતે (વસ્તી વિષયક પરિમાણો દ્વારા) નહીં, પરંતુ આવશ્યકપણે કરી શકાય છે. જો કે, વ્યાવસાયિક સમાજશાસ્ત્રીય વર્તુળોમાં તેમનો જાહેર ઉલ્લેખ, કમનસીબે, વર્જિત છે. અને કોઈ પણ સંશોધક એ સ્વીકારવા તૈયાર નથી કે માપનના વિષય વિસ્તાર માટે જરૂરી પરિમાણોની દ્રષ્ટિએ તેના નમૂનાની પ્રતિનિધિત્વ સમસ્યારૂપ અથવા અચકાસણીય છે.
વાસ્તવમાં, ચિહ્નો શોધવું કે નમૂના બિનપ્રતિનિધિત્વ છે તે આપત્તિ નથી. સૌપ્રથમ, ઘણા કિસ્સાઓમાં નમૂનાને "રિપેરિંગ" (પુનઃવજન) માટેની હાલની તકનીકો સમાજશાસ્ત્રી અથવા તેના ક્લાયંટને ચિંતા કરતા પરિમાણને લગતી અપ્રતિનિધિત્વની અસરને સંપૂર્ણપણે દૂર કરવાનું શક્ય બનાવે છે. રીવેઇટીંગ પદ્ધતિનો સાર એ અવલોકનોની ચોક્કસ શ્રેણીઓ સોંપવાનો છે (મોજણીના કિસ્સામાં, ઉત્તરદાતાઓ) વજન ગુણાંક, નમૂનામાં આ શ્રેણીઓની અપૂરતી અથવા વધુ પડતી વાસ્તવિક રજૂઆત માટે વળતર. ત્યારબાદ, ડેટા એરે સાથે તમામ ગણતરીની કામગીરી હાથ ધરતી વખતે આ વજનને ધ્યાનમાં લેવામાં આવે છે, જે સંતુલિત (ગણતરી ક્વોટાને અનુરૂપ) ડેટા એરેને સંપૂર્ણપણે અનુરૂપ હોય તેવા વિતરણો મેળવવાનું શક્ય બનાવે છે. આધુનિક આંકડાકીય કાર્યક્રમો, જેમ કે BRvv, ગણતરીઓને ગણતરીની મંજૂરી આપે છે સ્વચાલિત મોડ,જે આ પ્રક્રિયા કરવા માટે એકદમ સરળ બનાવે છે.
બીજું, જો "સારા" પ્રતિનિધિ નમૂના મેળવવાનું શક્ય ન હોય તો પણ, "મધ્યમ" પ્રતિનિધિત્વ ઘણી સંશોધન સમસ્યાઓ હલ કરવા માટે પૂરતું હોઈ શકે છે. યાદ કરો કે પ્રતિનિધિત્વ એ દ્વિભાષી માર્કરને બદલે ફિટનું માપ છે. અને માત્ર અમુક સંશોધન કાર્યો - મુખ્યત્વે ચોક્કસ ઘટનાઓની સચોટ આગાહી સાથે સંબંધિત - નમૂનાઓને ખરેખર ઉચ્ચ (આંકડાકીય રીતે પુષ્ટિ થયેલ) પ્રતિનિધિત્વની જરૂર છે.
ઉદાહરણ તરીકે, માર્કેટિંગ સંશોધનમાં નવા ઉત્પાદનના બજાર હિસ્સાની આગાહી કરવા માટે, એક નમૂના જરૂરી છે જે સંભવિત ગ્રાહકોને આવરી લે અને રજૂ કરે. જો કે, મોટાભાગે માર્કેટર્સ પાસે પૂરતો ડેટા નથી હોતો કે ખરેખર તેમના ગ્રાહકોનું વર્તુળ કોણ બનાવે છે, ખાસ કરીને સંભવિત લોકો. આ પરિસ્થિતિમાં, નમૂનાની પ્રતિનિધિત્વ ચકાસવી સામાન્ય રીતે અશક્ય છે - છેવટે, તે જાણીતું નથી કે તે કયા પરિમાણોનું પુનઃઉત્પાદન કરવું જોઈએ. તેમ છતાં, ઘણા માર્કેટિંગ કાર્યો સફળતાપૂર્વક ઉકેલવામાં આવે છે, કારણ કે ગ્રાહકની પસંદગીઓ, જાહેરાત સામગ્રીની પ્રતિક્રિયાઓ અને નવા ઉત્પાદનની સમીક્ષાઓનું વિશ્લેષણ કરવા માટે આંકડાકીય રીતે પ્રતિનિધિ નમૂનાઓની જરૂર નથી - તે સામાન્ય ગ્રાહકોના કવરેજની ખાતરી કરવા માટે પૂરતું છે, જે શોધવાનું સરળ છે. સ્ટોર્સમાં જ. બિન-પ્રતિનિધિ નમૂનાઓ શોધ સમસ્યાઓ ઉકેલવા, મજબૂત વલણોને ઓળખવા, વ્યક્તિગત શ્રેણીઓની વિશિષ્ટતાઓનું વિશ્લેષણ કરવા (નાના સ્વતંત્ર પેટા નમૂનાઓ દ્વારા રજૂ કરવામાં આવે છે), આવી શ્રેણીઓની એકબીજા સાથે સરખામણી કરવા (દ્વિપક્ષીય વિશ્લેષણ), ચલો અને અન્ય કાર્યો વચ્ચેના સંબંધોનું વિશ્લેષણ કરવા માટે તદ્દન યોગ્ય છે જેમાં પ્રાપ્ત આંકડાકીય વિતરણોની ચોકસાઈ ગૌણ મહત્વની મર્યાદિત છે.
4.1 ધોરણ શું કહે છે
ISO 9001:2000 ની કલમ 8 "માપ, વિશ્લેષણ અને સુધારણા" ને આવરી લે છે. જો કે સેમ્પલિંગ આ ધોરણ દ્વારા આવરી લેવામાં આવતું નથી, કલમ 8.1, જે સમગ્ર માપન વિભાગનો સામાન્ય પરિચય છે, તે જણાવે છે કે માપન, વિશ્લેષણ અને સુધારણા પ્રવૃત્તિઓ (આંકડાકીય પદ્ધતિઓ સહિત લાગુ પદ્ધતિઓની ઓળખ શામેલ હોવી જોઈએ) અને તેમની અરજીની હદ ). ગ્રાહક સંતોષનું ચોક્કસ માપ ત્યારે જ કરી શકાય છે જ્યારે તે ગ્રાહકોના સારા નમૂના પર આધારિત હોય. આ પ્રકરણ આ ધ્યેય હાંસલ કરવા માટે વપરાતી નમૂના પદ્ધતિઓની ઝાંખી આપે છે.
4.2 સેમ્પલિંગ થિયરી
નમૂનાનો સિદ્ધાંત સરળ છે. મોટાભાગની સંસ્થાઓમાં મોટી સંખ્યામાં ગ્રાહકો હોય છે, પરંતુ સચોટ IEP પરિણામો મેળવવા માટે, દરેક સાથે સંશોધન કરવું જરૂરી નથી, તે નાના નમૂના સાથે કરવા માટે પૂરતું છે, જો કે આ નમૂના લોકોના મોટા જૂથનું પ્રતિનિધિત્વ કરે છે. નમૂનાના વિવિધ પ્રકારો છે, જે આકૃતિ 4.1 માં દર્શાવવામાં આવ્યા છે.
ચોખા. 4.1 સંભવિત નમૂનાઓ
4.2.1 સંભાવના અને બિન-સંભાવના નમૂના
નમૂનાઓ વચ્ચેનો મૂળભૂત તફાવત એ છે કે તે સંભાવના છે કે બિન-સંભાવના નમૂનાઓ છે. સંભવિત નમૂનાને ઘણીવાર રેન્ડમ સેમ્પલિંગ પણ કહેવામાં આવે છે, અને માત્ર રેન્ડમ અથવા સંભાવના સાથે, તમે ખાતરી કરી શકો છો કે તેઓ પૂર્વગ્રહથી મુક્ત છે. વ્યાખ્યા મુજબ, રેન્ડમ નમૂનાની વસ્તીના તમામ સભ્યોને તેમાં રજૂ થવાની સમાન તક હોય છે, અને રેન્ડમ નમૂનાનું સૌથી સ્પષ્ટ ઉદાહરણ નિયમિત લોટરી છે. ડ્રોમાં બાકી રહેલા તમામ બોલ અથવા સંખ્યાઓ આગલી વખતે ડ્રો થવાની સમાન તક જાળવી રાખે છે. તે સ્પષ્ટ છે કે કોઈ વલણ લોટરીમાં નંબરોની પસંદગીને પ્રભાવિત કરતું નથી.
4.2.2 બિન-સંભાવના નમૂનાઓ
4.2.2.1 બિન-પ્રતિનિધિ નમૂનાઓ
નમૂનાનું સૌથી સરળ સ્વરૂપ બિન-પ્રતિનિધિ નમૂના છે. કલ્પના કરો કે તમે જાહેર અભિપ્રાય મતદાન કરી રહ્યા છો. તમે રસ્તા પર જઈ શકો છો અને તમે મળો છો તેવા પ્રથમ 50 લોકોને પૂછી શકો છો કે તેઓ સરકારની કાર્યવાહીથી કેટલા સંતુષ્ટ છે. તે ઝડપી, સરળ અને સસ્તું હશે, પરંતુ તે ખૂબ પ્રતિનિધિત્વ કરશે નહીં. આ તુચ્છ લાગી શકે છે, પરંતુ સ્પષ્ટપણે વધુ જટિલ કેસો માટે, જેમ આપણે પછી જોઈશું, અપ્રસ્તુત નમૂનામાં સરકી જવું ખૂબ જ સરળ છે.
4.2.2.2 હેતુપૂર્ણ નમૂના
બિન-સંભાવના નમૂનાનું બીજું સ્વરૂપ હેતુલક્ષી નમૂના છે. આ એ જ સ્વરૂપ છે જે અમે સંશોધનાત્મક સંશોધન માટે પ્રસ્તાવિત કર્યું છે, અને જો કે હેતુલક્ષી નમૂના ગુણાત્મક સંશોધન માટે સારું છે જેનો હેતુ સારા આંકડા પ્રાપ્ત કરવાનો નથી, તે મૂળભૂત સંશોધન માટે યોગ્ય નથી, અથવા અન્ય કોઈપણ સંશોધન કે જેનો હેતુ આંકડાકીય રીતે વિશ્વસનીય મેળવવાનો છે. પરિણામ
4.2.2.3 ક્વોટા પર આધારિત નમૂના લેવા
નોન-પ્રોબિબિલિટી સેમ્પલિંગનો ત્રીજો પ્રકાર ક્વોટા સેમ્પલિંગ છે અને મોટાભાગે મોટી વસ્તીનો અભ્યાસ કરવા માટે તેનો ઉપયોગ થાય છે. કલ્પના કરો કે મ્યુનિસિપલ કાઉન્સિલ તેમને કાઉન્સિલ દ્વારા પૂરી પાડવામાં આવતી સેવાઓ અને સુવિધાઓથી વસ્તીના સંતોષનું સ્તર માપવા માંગે છે. ધારો કે તમે શેરીમાં શહેરમાં રહેતા 500 લોકોના ક્વોટા નમૂનાના સભ્યોનો ઇન્ટરવ્યુ લેવાનું નક્કી કરો છો. તમે પાંચ ઇન્ટરવ્યુઅરને સોંપી શકો છો, દરેકને મુખ્ય શોપિંગ વિસ્તારમાં 100 લોકોના ઇન્ટરવ્યુ લેવાનું કામ સોંપવામાં આવ્યું છે. જો કે, ઇન્ટરવ્યુઅર્સને બિનપ્રતિનિધિત્વિક નમૂનાનો ઉપયોગ કરવાની મંજૂરી નથી, એટલે કે. તેઓ મળેલા પ્રથમ 100 લોકોનો ઇન્ટરવ્યુ. ક્વોટા સેમ્પલિંગ માટે જરૂરી છે કે દરેક ઇન્ટરવ્યુઅર ઘણા કાળજીપૂર્વક વ્યાખ્યાયિત ધોરણોનું પાલન કરે તેની ખાતરી કરવા માટે કે નમૂના સ્થાનિક વસ્તીના પ્રતિનિધિ છે. ધોરણો મ્યુનિસિપલ કાઉન્સિલ પાસે ઉપલબ્ધ આંકડાઓ પર આધારિત હોઈ શકે છે જે જૂથોમાં વસ્તી વિભાજિત છે તે દર્શાવે છે. તેથી, ઉદાહરણ તરીકે, આ ડેટા સૂચવી શકે છે કે 15% વસ્તી 21 થી 30 વર્ષની વયની છે, 18% 31 થી 40 વર્ષની છે, વગેરે. વિભાજન અન્ય લાક્ષણિકતાઓ પર પણ આધારિત હોઈ શકે છે, ઉદાહરણ તરીકે, લિંગ દ્વારા , આવક સ્તર , વંશીય મૂળ. જો કાઉન્સિલ ઇચ્છે છે કે નમૂના પ્રતિનિધિ તરીકે હોય, તો તેણે આ તમામ જૂથોનો તે જ પ્રમાણમાં સમાવેશ કરવો જોઈએ કારણ કે તેઓ સમગ્ર વસ્તીમાં રજૂ થાય છે. આ હાંસલ કરવા માટે, ઇન્ટરવ્યુઅરોએ તેમના માટે જૂથો અને ક્વોટા વ્યાખ્યાયિત કરવા આવશ્યક છે. આપેલા ઉદાહરણમાં, ઈન્ટરવ્યુ લીધેલ દરેક 100 લોકોમાંથી 15 ની ઉંમર 21 થી 30 વર્ષની વચ્ચે હોવી જોઈએ, 18 ની ઉંમર 31 થી 40 વર્ષની વચ્ચે હોવી જોઈએ અને આને લિંગ, આવક વગેરે દ્વારા લાદવામાં આવેલા અન્ય જૂથો માટેના ક્વોટા સાથે જોડવા જોઈએ. .
ચાલો ધારીએ કે ઇન્ટરવ્યુ લેનારાઓએ આખું અઠવાડિયું, સોમવારથી શુક્રવાર સુધી, દરરોજ સવારે 9 વાગ્યાથી સાંજના 5 વાગ્યા સુધી, એક શોપિંગ આર્કેડમાં ઇન્ટરવ્યુ લેતા હતા, જેથી અઠવાડિયાના અંત સુધીમાં તેમાંથી દરેકે 100 ઇન્ટરવ્યુ પૂર્ણ કર્યા હતા. આઉટપુટ કદ 500 નો નમૂના હશે, જે શહેરની વસ્તીનું સંપૂર્ણ પ્રતિનિધિત્વ કરશે, પરંતુ તે રેન્ડમ પર પસંદ કરવામાં આવશે નહીં, તેથી તે વલણથી મુક્ત રહેશે નહીં. રેન્ડમ સેમ્પલિંગની વ્યાખ્યા મુજબ, શહેરના તમામ રહેવાસીઓને નમૂનામાં રજૂ થવાની સમાન તક હોવી જોઈએ. આપેલા ઉદાહરણમાં, ફક્ત તે જ લોકોને આવી તક મળી હતી જેમણે અઠવાડિયાના આ દિવસોમાં સવારે 9 થી સાંજના 5 વાગ્યા સુધી શોપિંગ આર્કેડની મુલાકાત લીધી હતી. આમ, નમૂના અનિવાર્યપણે કદાચ વૃદ્ધ લોકો, બેરોજગારો અને નજીકમાં કામ કરતા લોકો પ્રત્યે પક્ષપાતી હશે. વાસ્તવમાં, અલબત્ત, સંશોધકો વિવિધ સ્થળોએ અને અલગ-અલગ સમયે ઇન્ટરવ્યુ લઈને ક્વોટા સેમ્પલિંગમાં રહેલી વૃત્તિઓને ઘટાડવાનો પ્રયાસ કરે છે, પરંતુ તેઓ ક્યારેય તેનાથી સંપૂર્ણપણે છૂટકારો મેળવી શકતા નથી, કારણ કે નમૂના ફક્ત તે લોકોનું પ્રતિનિધિત્વ કરી શકે છે જેઓ આપેલ સમયે આપેલ સ્થાને સમાપ્ત થાય છે, તેથી સૈદ્ધાંતિક રીતે આવા નમૂના ક્યારેય રેન્ડમ, વલણથી સંપૂર્ણપણે મુક્ત રહેશે નહીં.
આનો અર્થ એ નથી કે ક્વોટા સેમ્પલિંગનો ક્યારેય ઉપયોગ થવો જોઈએ નહીં. જો તમે એવા લોકોને જાણતા નથી કે જેઓ તમારા ગ્રાહકો છે, તો તમે રેન્ડમ નમૂનો દોરી શકતા નથી કારણ કે સમગ્ર વસ્તીને સૂચિબદ્ધ કરવાની કોઈ રીત નથી કે જેમાંથી તેને દોરવા. ઉદાહરણ તરીકે, ઘણા રિટેલર્સ જાણતા નથી કે તેમના ગ્રાહકો કોણ છે. આવી પરિસ્થિતિઓમાં, સંસ્થાઓ ક્વોટા સેમ્પલિંગનો આશરો લે છે.
4.2.3 સંભાવના નમૂનાઓ
જો તમારી પાસે તમારા ગ્રાહકોનો ડેટાબેઝ છે, તો તમે રેન્ડમ સેમ્પલ દોરી શકો છો અને જોઈએ, અને પ્રથમ પગલું એ નમૂનાનો આધાર નક્કી કરવાનું છે. મુખ્ય એ ઉપભોક્તાઓની સૂચિ છે જેમાંથી તમે નમૂના લેવાનો ઇરાદો ધરાવો છો, અને આ સૂચિને વ્યાખ્યાયિત કરવી એ વ્યૂહાત્મક નિર્ણય છે. સંસ્થાઓ સામાન્ય રીતે વર્ષમાં એકવાર ગ્રાહક સંતોષને માપે છે, અને નમૂનાની ફ્રેમમાં તે ગ્રાહકોનો સમાવેશ થાય છે જેમણે છેલ્લા બાર મહિનામાં સંસ્થા સાથે વ્યવહાર કર્યો છે. જો કે, આ દરેક માટે સ્વીકાર્ય ન હોઈ શકે. ઉદાહરણ તરીકે, માહિતી ટેક્નોલોજીની હેલ્પ સિસ્ટમ સાથે ગ્રાહકના સંતોષનો અભ્યાસ કરતી વખતે છેલ્લા 11 મહિનામાં તે સિસ્ટમનો ઉપયોગ કરવાના અનુભવ વિશે પ્રશ્નો પૂછવા તે ખૂબ અસરકારક નથી. આ કિસ્સામાં, ટૂંકા સમયમર્યાદાનો ઉપયોગ કરવો વધુ સારું છે, ઉદાહરણ તરીકે, છેલ્લા મહિનામાં હેલ્પ સિસ્ટમનો ઉપયોગ કરનારા તમામ ગ્રાહકોની ગણતરી કરો. આના માટે ચાલુ દેખરેખની જરૂર પડી શકે છે, જેમાં દર મહિને ગ્રાહક સર્વે હાથ ધરવામાં આવે છે અને પરિણામો એક સામયિક અહેવાલ બનાવવા માટે એકઠા કરવામાં આવે છે, જેમ કે ત્રિમાસિક અથવા તો વાર્ષિક જો ત્રિમાસિક દરમિયાન ગ્રાહકોની સંખ્યા ઓછી હોય.
આમ, તમે જોઈ શકો છો કે તમે જે "ગ્રાહકો" નો અભ્યાસ કરો છો તે વિવિધ સંસ્થાઓ માટે અલગ હોઈ શકે છે, અને તેમની વ્યાખ્યા એ વ્યૂહાત્મક નિર્ણય છે અને તમારે તેમને સ્પષ્ટપણે વ્યાખ્યાયિત કરવું જોઈએ, કારણ કે આ એવા ગ્રાહકો હશે જે અભ્યાસનો આધાર બનાવશે, એટલે કે. વસ્તીના નમૂનાઓ.
4.2.3.1 સરળ રેન્ડમ નમૂના
સંભાવના અથવા રેન્ડમ નમૂના વલણહીન છે કારણ કે વસ્તીના તમામ સભ્યોને નમૂનામાં સમાવવાની સમાન તક હશે. અગાઉ કહ્યું તેમ, લોટરી સરળ રેન્ડમ સેમ્પલિંગનું સારું ઉદાહરણ પૂરું પાડે છે - દરેક વખતે જ્યારે નવો નંબર પસંદ કરવામાં આવે છે, ત્યારે તે "વસ્તી" માં બાકી રહેલા તમામ લોકોમાંથી રેન્ડમ પસંદ કરવામાં આવે છે. જો કે, જો તમને મોટી વસ્તીમાંથી મોટા નમૂનાની જરૂર હોય તો આ એકદમ લાંબી પ્રક્રિયા છે, તેથી જટિલ નમૂનાઓ મેળવવા માટે કોમ્પ્યુટરનો ઉપયોગ થતો હતો તે પહેલાંના દિવસોમાં, બજારના સંશોધકોએ એક સરળ રેન્ડમ નમૂના મેળવવાની ઓછી શ્રમ-સઘન રીતની શોધ કરી હતી, જેને વ્યવસ્થિત રેન્ડમ સેમ્પલિંગ.
4.2.3.2 વ્યવસ્થિત રેન્ડમ સેમ્પલિંગ
IEP કરવા માટે વ્યવસ્થિત રેન્ડમ નમૂના મેળવવા માટે, તમે પહેલા તમારા ગ્રાહકોની યાદી છાપો. ચાલો કહીએ કે ત્યાં 1000 ગ્રાહકો છે અને તમે 100 નો નમૂનો લેવા માંગો છો, જે વસ્તીમાંથી 10 માંથી 1 વ્યક્તિ છે. પ્રથમ તમારે 1 થી 10 સુધીની સંખ્યા મેળવવા માટે રેન્ડમ નંબર જનરેટરનો ઉપયોગ કરવાની જરૂર છે. જો તમને 7 મળે, તો તમે તમારી સૂચિમાં સૂચિમાંથી 7મું નામ, 17મું, 27મું, વગેરેનો સમાવેશ કરો, જેનું પરિણામ વ્યવસ્થિત થશે. 100 ગ્રાહકોના રેન્ડમ નમૂના. રેન્ડમ નંબર મેળવતા પહેલા, બધા ગ્રાહકોને સૂચિમાં સામેલ થવાની સમાન તક હોય છે. આમ, તે રેન્ડમ સેમ્પલ હશે, પરંતુ તે પ્રતિનિધિ ન પણ હોઈ શકે, ખાસ કરીને બિઝનેસ માર્કેટમાં. આ કિસ્સામાં, સ્તરીકૃત રેન્ડમ સેમ્પલિંગનો ઉપયોગ કરવો સારું છે.
ચોખા. 4.2 સ્તરીકૃત રેન્ડમ નમૂનાનું ઉદાહરણ
4.3 ઉપભોક્તા નમૂના
અમે ઉદાહરણ સાથે બતાવીશું કે બિઝનેસ-ટુ-બિઝનેસ માર્કેટના સામાન્ય કેસ માટે સેમ્પલિંગ કેવી રીતે કરી શકાય. આ બિઝનેસ માર્કેટ માટેનું પ્રથમ પગલું એ છે કે ગ્રાહક ડેટાબેઝ બનાવવો અને તેને ગ્રાહક મૂલ્ય દ્વારા સૉર્ટ કરવો, સૌથી વધુ સાથે શરૂ કરીને અને સૌથી નીચા સુધી કામ કરવું. પછી તમે સામાન્ય રીતે પરિણામી સૂચિને અનુક્રમે ત્રણ ભાગો-ઉચ્ચ, મધ્યમ અને નીચા ગ્રાહક મૂલ્ય સેગમેન્ટમાં વિભાજીત કરો છો. છેલ્લે, દરેક સેગમેન્ટમાં નમૂનાનું કદ નક્કી કરો. આ પ્રક્રિયાના પરિણામોનો સારાંશ ફિગમાં આપવામાં આવ્યો છે. 4.2.
4.2.3.3 સ્તરીકૃત રેન્ડમ નમૂના
ઘણીવાર વ્યવસાય બજારોમાં, કેટલાક ગ્રાહકો અન્ય કરતા વધુ મૂલ્યવાન હોય છે. કેટલીકવાર કંપનીની પ્રવૃત્તિઓનો ખૂબ મોટો હિસ્સો, જેમ કે 40 અથવા 50%, પ્રથમ પાંચ કે છ ગ્રાહકો સાથે સંકળાયેલા હોય છે. જો સરળ અથવા વ્યવસ્થિત રેન્ડમ નમૂનાનો ઉપયોગ કરવામાં આવે, તો સંભવ છે કે આ પાંચ કે છ ઉપભોક્તાઓમાંથી કોઈ પણ નમૂનામાં સામેલ કરવામાં આવશે નહીં. તે સ્પષ્ટ છે કે જો કંપનીની એકંદર પ્રવૃત્તિઓના 40 અથવા 50%ને સંપૂર્ણપણે અવગણવામાં આવે તો ગ્રાહક સંતોષને માપવા માટે સર્વેક્ષણ હાથ ધરવાનો કોઈ અર્થ નથી. બિઝનેસ માર્કેટમાં જ્યાં મોટાભાગની કંપનીઓ પાસે ઉચ્ચ-મૂલ્યના ગ્રાહકોની સંખ્યા ઓછી હોય છે અને ઓછી કિંમતના ગ્રાહકોની મોટી સંખ્યા હોય છે, એક સરળ અથવા વ્યવસ્થિત રેન્ડમ નમૂના અનિવાર્યપણે ઓછા મૂલ્યના ગ્રાહકો દ્વારા પ્રભુત્વ ધરાવશે. સ્ટ્રેટિફાઇડ રેન્ડમ સેમ્પલિંગનો ઉપયોગ પ્રતિનિધિ અને વલણથી મુક્ત એવા નમૂના મેળવવા માટે થાય છે. સ્તરીકૃત રેન્ડમ નમૂના મેળવવામાં પ્રથમ ગ્રાહકોને વિભાગો અથવા પ્રકારોમાં વિભાજીત કરવા અને પછી દરેક સેગમેન્ટમાં રેન્ડમ નમૂના પસંદ કરવાનો સમાવેશ થાય છે. આકૃતિ 4.2 માં દર્શાવેલ નમૂનો દરેક ઉપભોક્તા સેગમેન્ટ દ્વારા વ્યવસાયિક યોગદાન મુજબ ગ્રાહક આધારનું પ્રતિનિધિત્વ કરશે. ગ્રાહક બજારોમાં, વિભાજન અલગ હોઈ શકે છે, જેમ કે વય અથવા લિંગ દ્વારા.
4.3.1 નમૂનો નમૂનો
બતાવેલ ઉદાહરણમાં, કંપની તેના ટર્નઓવરનો 40% ઉચ્ચ-મૂલ્ય ધરાવતા ગ્રાહકો પાસેથી મેળવે છે. બિઝનેસ માર્કેટમાં નમૂના લેવાનો મૂળભૂત સિદ્ધાંત એ છે કે જો ઉચ્ચ-મૂલ્ય ધરાવતા ગ્રાહક સેગમેન્ટ ટર્નઓવર (અથવા નફો) ના 40% બનાવે છે, તો તેઓએ નમૂનાના 40% બનાવવો જોઈએ. જો કોઈ કંપની 200 ઉત્તરદાતાઓના નમૂનાનો અભ્યાસ કરવાનું નક્કી કરે છે, તો નમૂનાના 40%, એટલે કે 80 ઉત્તરદાતાઓ, ઉચ્ચ મૂલ્ય ધરાવતા ગ્રાહકોના હોવા જોઈએ. 40 ઉચ્ચ-મૂલ્ય ધરાવતા ગ્રાહકો હોવાથી, નમૂનાનો ગુણોત્તર 2:1 હશે, જેનો અર્થ છે કે ઉચ્ચ-મૂલ્ય સેગમેન્ટમાં 2 ઉત્તરદાતા દરેક ગ્રાહકમાંથી પસંદ કરવામાં આવ્યા છે. વ્યાપાર બજારોમાં, સંશોધન કરતી વખતે મોટા ઉપભોક્તાઓમાંથી એક કરતાં વધુ પ્રતિસાદકર્તાઓને પસંદ કરવાનો સામાન્ય પ્રથા છે.
સરેરાશ મૂલ્ય ધરાવતા ગ્રાહકો પણ ટર્નઓવરના 40% હિસ્સો ધરાવે છે, તેથી તેઓએ નમૂનાના 40% પણ બનાવવો જોઈએ. આનો અર્થ એ છે કે કંપનીએ તેના સરેરાશ મૂલ્યના ગ્રાહકોમાંથી 80 ઉત્તરદાતાઓને પસંદ કરવા જોઈએ. આવા 160 ગ્રાહકો હોવાથી, નમૂનાનું પ્રમાણ 1:2 હશે, એટલે કે, સરેરાશ મૂલ્યના દર બે ગ્રાહકો માટે એક પ્રતિસાદકર્તા. આના માટે દર બે ગ્રાહકોમાંથી એક પ્રતિનિધિના રેન્ડમ નમૂનાની આવશ્યકતા છે. અગાઉ વર્ણવેલ પદ્ધતિસરની રેન્ડમ સેમ્પલિંગ પ્રક્રિયાનો ઉપયોગ કરીને આ સરળતાથી કરી શકાય છે. પ્રથમ, બે રેન્ડમ નંબરોમાંથી એક જનરેટ થાય છે: 1 અથવા 2. તેને 2 રહેવા દો. આ કિસ્સામાં, તમે 2જી, 4ઠ્ઠી, 6ઠ્ઠી, વગેરે પસંદ કરો. સરેરાશ મૂલ્યનો ગ્રાહક.
છેલ્લે, કંપનીના ટર્નઓવરનો 20% નીચા મૂલ્યના ગ્રાહકો પાસેથી આવે છે, તેથી તેઓએ નમૂનાનો 20% બનાવવો જોઈએ, એટલે કે આપેલા ઉદાહરણમાં 40 ઉત્તરદાતાઓ. ત્યાં કુલ 400 ઓછા મૂલ્યના ગ્રાહકો છે, જે 1:10 ના પસંદ કરેલા શેરને અનુરૂપ છે. આ સમાન વ્યવસ્થિત રેન્ડમ સેમ્પલિંગ પ્રક્રિયાનો ઉપયોગ કરીને કરી શકાય છે. પ્રક્રિયાના અંતે, કંપનીને ગ્રાહકોનો ટાઈપ કરેલ રેન્ડમ સેમ્પલ પ્રાપ્ત થશે જે તેમની વ્યાપારી પ્રવૃત્તિના પ્રતિનિધિ હશે અને રેન્ડમ પસંદગીને કારણે, વલણથી મુક્ત હશે.
4.3.2 સંપર્ક વ્યક્તિઓના નમૂના લેવા
જો કે ઉપરોક્ત પ્રક્રિયા ગ્રાહકોના રેન્ડમ અને પ્રતિનિધિ નમૂનાનું નિર્માણ કરે છે, છેવટે, સંશોધન કંપનીઓ પર નહીં, પરંતુ વ્યક્તિઓ પર હાથ ધરવામાં આવે છે, તેથી જો તમે બિઝનેસ-ટુ-બિઝનેસ માર્કેટમાં કામ કરો છો, તો તમારે ગ્રાહકોના નમૂના લેવા ઉપરાંત, વ્યક્તિગત સંપર્કો વચ્ચે નમૂના. વ્યવહારમાં, સંસ્થાઓ ઘણીવાર સગવડના આધારે વ્યક્તિઓની પસંદગી કરે છે - એવા લોકો કે જેમની સાથે તેઓ વધુ સંપર્કો ધરાવે છે, જેમના નામ તેઓ પાસે છે. જો વ્યક્તિઓને આ સિદ્ધાંત અનુસાર પસંદ કરવામાં આવે છે, તો પછી ભલે તે કંપનીઓના નમૂનો કેવી રીતે કાળજીપૂર્વક હાથ ધરવામાં આવે છે, પરિણામે તે એવા લોકોના અપ્રતિનિધિત્વ નમૂનામાં ઘટાડો થશે જેમને કોઈ જાણે છે. આ વલણને ટાળવા માટે, તમારે રેન્ડમ વ્યક્તિઓને પસંદ કરવી જોઈએ. આ પસંદગીને અમલમાં મૂકવાનો માર્ગ એ છે કે દરેક ગ્રાહક માટે તમારા ઉત્પાદન અથવા સેવા સાથે સંકળાયેલા લોકોની સૂચિ બનાવો અને પછી તે સૂચિમાંથી રેન્ડમલી લોકોને પસંદ કરો. જો તમે વધુ જટિલ અને વધુ સચોટ પ્રક્રિયા હાથ ધરવા માંગતા હો, તો તમારે તમામ વ્યક્તિઓની સૂચિને સેક્ટરમાં વિભાજીત કરવી જોઈએ, જે ઘણી બધી નાની વ્યક્તિઓનો સમાવેશ કરવાનું ટાળશે. ઉદાહરણ તરીકે, તમે વહીવટી વિશ્લેષણ કરી રહ્યા છો અને નક્કી કરો છો કે નિર્ણય લેવાની પ્રક્રિયાને વધુ ચોક્કસ રીતે પ્રતિબિંબિત કરવા માટે, તમારા નમૂનામાં 40% ખરીદ સંપર્કો, 40% તકનીકી સંપર્કો અને 20% અન્ય તમામ સંપર્કો હોવા જોઈએ. આ કિસ્સામાં, તમારે આ પ્રમાણમાં વ્યક્તિઓના રેન્ડમ નમૂના દોરવા આવશ્યક છે.
4.4 નમૂનાનું કદ
નક્કી કરવા માટેનો બીજો મુદ્દો એ છે કે તમારે તમારા નમૂનામાં કેટલા ગ્રાહકોની જરૂર છે. કેટલીક કંપનીઓ, મુખ્યત્વે બિઝનેસ-ટુ-બિઝનેસ માર્કેટમાં, બહુ ઓછી સંખ્યામાં મૂલ્યવાન ગ્રાહકો ધરાવે છે. અન્ય કંપનીઓના દસ લાખથી વધુ ગ્રાહકો છે. વ્યાપાર બજારોમાં, વસ્તીનું કદ દરેક ગ્રાહકમાં વ્યક્તિઓની સંખ્યાને બરાબર અનુરૂપ હોય છે જે તે ગ્રાહકના સંતોષના નિર્ણયને પ્રભાવિત કરે છે, અને તે જરૂરી નથી કે તમે જેની સાથે નિયમિત સંપર્કમાં હોવ તે વ્યક્તિઓની સંખ્યા સમાન હોય. સામાન્ય રીતે, ગ્રાહક મૂલ્ય જેટલું ઊંચું હશે, તેટલી વધુ વ્યક્તિઓનો સમાવેશ થવો જોઈએ. કોમ્પ્યુટર સોફ્ટવેર પ્રદાતા માટે, એક ગ્રાહકના કેટલાક સો વપરાશકર્તાઓ હોઈ શકે છે. તેમ છતાં, કેટલીક સંસ્થાઓમાં અન્ય કરતાં ઘણી મોટી વસ્તી હશે, પરંતુ આનાથી સર્વેક્ષણ કરાયેલા ગ્રાહકોની સંખ્યાને અસર થશે નહીં કે જે વિશ્વસનીય નમૂના પ્રદાન કરવા માટે જરૂરી છે.
4.4.1 નમૂનાના કદના સંબંધમાં નમૂનાની વિશ્વસનીયતા
સમગ્ર વસ્તીમાં કેટલા લોકો છે તે ધ્યાનમાં લીધા વિના નમૂનાની આંકડાકીય ચોકસાઇ તેના સંપૂર્ણ કદ સાથે સંબંધિત છે. ઉપભોક્તાઓના પ્રમાણનું સર્વેક્ષણ કરવું જોઈએ તે પ્રશ્ન ભ્રામક પ્રશ્ન છે. મોટા નમૂના હંમેશા નાના નમૂના કરતાં વધુ વિશ્વસનીય હોય છે, પછી ભલેને વસ્તીનું કદ ગમે તે હોય. આ બેલ કર્વ (જુઓ આકૃતિ 4.3) દ્વારા શ્રેષ્ઠ રીતે દર્શાવવામાં આવ્યું છે, જેમાંથી આપણે નિષ્કર્ષ પર આવી શકીએ છીએ કે જ્યારે આપણે ડેટાના સમૂહની તપાસ કરીએ છીએ, ત્યારે તે સામાન્ય વિતરણને અનુસરે છે. આ માત્ર સંશોધન ડેટા પર જ લાગુ પડતું નથી.
એક્સ્ટ્રીમ ડેટા સામાન્ય ડેટા એક્સ્ટ્રીમ ડેટા
ચોખા. 4.3 બેલ વળાંક
ઉદાહરણ તરીકે, જો તમે માન્ચેસ્ટરમાં પાંચ વર્ષના સમયગાળામાં જૂન વરસાદ નોંધો છો જ્યાં ત્રણ વર્ષમાં સામાન્ય જૂન વરસાદ હતો, પરંતુ બે વર્ષ જૂન અત્યંત ભીનું હતું, તો અંદાજિત સરેરાશ વરસાદ આ બે અકાળ ભીના મહિનાઓ દ્વારા ભારે પક્ષપાતી હશે. જો 100 વર્ષથી વધુનો ડેટા એકત્રિત કરવામાં આવ્યો હોય, તો બે અપવાદરૂપે ભીના અથવા સૂકા મહિનાની માન્ચેસ્ટરમાં જૂનના સરેરાશ વરસાદ પર થોડી અસર થશે. આ જ સંશોધનને લાગુ પડે છે. જો તમે માત્ર 10 લોકોનો અભ્યાસ કરો છો અને તેમાંથી બે લોકો આત્યંતિક મંતવ્યો ધરાવે છે, તો તેઓ અંતિમ પરિણામને મોટા પ્રમાણમાં ત્રાંસી નાખશે. 50 ના નમૂનાના કદ સાથે તેઓને ઘણી ઓછી અસર થશે અને 500 ના નમૂનાના કદ સાથે વર્ચ્યુઅલ રીતે કોઈ અસર થશે નહીં, તેથી નમૂનાનું કદ જેટલું મોટું હશે, ખોટા પરિણામો મેળવવાનું જોખમ ઓછું હશે. આકૃતિ 4.4 બતાવે છે કે જેમ જેમ નમૂનાનું કદ વધે છે તેમ તેમ નમૂનાની વિશ્વસનીયતા પણ વધે છે. શરૂઆતમાં, ખૂબ જ નાના કદમાં, વિશ્વસનીયતા ખૂબ જ ઝડપથી વધે છે, પરંતુ જેમ જેમ નમૂનાનું કદ વધે છે તેમ, નમૂનાની વિશ્વસનીયતા પર નમૂનાના કદની અસર ઘટે છે. તમે જોઈ શકો છો કે વળાંક 30 અને 50 ઉત્તરદાતાઓ વચ્ચે સપાટ થવાનું શરૂ કરે છે, જે સામાન્ય રીતે ગુણાત્મક અને જથ્થાત્મક સંશોધન વચ્ચેના થ્રેશોલ્ડ તરીકે ગણવામાં આવે છે. જ્યારે નમૂનાનું કદ 200 સુધી પહોંચે છે, ત્યારે ઉત્તરદાતાઓની વધતી સંખ્યા સાથે વિશ્વસનીયતામાં વધારો અત્યંત નાનો છે. તદનુસાર, વિશ્વસનીય IEP સુનિશ્ચિત કરવા માટે 200 ઉત્તરદાતાઓના નમૂનાનું કદ લઘુત્તમ નમૂનાનું કદ ગણવામાં આવે છે. ખૂબ જ નાનો ઉપભોક્તા આધાર (આસપાસ કે 200 થી ઓછા સંપર્કો) ધરાવતી કંપનીઓએ ફક્ત સંપર્ક કરેલ તમામ ઉપભોક્તાઓનું સંશોધન કરવું જોઈએ.
કેટલાક વર્ષોમાં જૂનમાં (માન્ચેસ્ટરમાં પણ) વરસાદ ન પડ્યો હોય શકે છે, કેટલાક વર્ષોમાં વરસાદની તીવ્રતા અવિશ્વસનીય રીતે વધારે છે, પરંતુ મોટાભાગના વર્ષોમાં વરસાદ આ બે મર્યાદાઓ વચ્ચે ક્યાંક "સામાન્ય" ઝોનમાં પડે છે. શું આપણે માન્ચેસ્ટરમાં સંશોધન ડેટા અથવા વરસાદને જોઈ રહ્યા છીએ, મુખ્ય પ્રશ્ન એ છે: "પરિણામને ત્રાંસી નાખતા અસામાન્ય ડેટા મેળવવાનું જોખમ શું છે?" સેમ્પલ જેટલો નાનો છે, તેટલું જોખમ વધારે છે.
4.4.2 ઊંડાણપૂર્વક વિશ્લેષણ
અગાઉ નોંધ્યું તેમ, વ્યાપાર સંશોધનમાં સામાન્ય રીતે એવું માનવામાં આવે છે કે 200 સભ્યોના નમૂનાનું કદ ગ્રાહક સંતોષના એકંદર માપ માટે જરૂરી વિશ્વસનીયતા પ્રદાન કરે છે, પછી ભલેને વસ્તી 500,000 હોય કે 600,000 હોય. જો કે, આમાં એક મહત્વપૂર્ણ અપવાદ છે, અને તે ત્યારે આવે છે જ્યારે તમારી પાસે વિવિધ વિભાગો હોય અને તમે વિવિધ વિભાગોમાં સંતોષની તુલના કરીને પરિણામોનું ઊંડાણપૂર્વક વિશ્લેષણ કરવા માંગતા હોવ. જો તમે 200 વસ્તુઓના નમૂનાને ઘણા ભાગોમાં વિભાજિત કરો છો, તો તમને દરેક સેગમેન્ટમાં નાના અને તેથી અવિશ્વસનીય નમૂનાના કદની સમસ્યાનો સામનો કરવો પડશે. તેથી, તે સામાન્ય રીતે સ્વીકારવામાં આવે છે કે લઘુત્તમ કુલ નમૂનાનું કદ 200 છે અને સેગમેન્ટ ન્યૂનતમ 50 છે.
આ બધાને કારણે, કુલ નમૂનાનું કદ ઘણીવાર તમે કેટલા સેગમેન્ટ્સનું વિશ્લેષણ કરવા માંગો છો તેના દ્વારા નક્કી કરવામાં આવે છે. જો તમે તમારા પરિણામને છ સેગમેન્ટમાં વિભાજિત કરવા માંગતા હો, તો તમારે ઓછામાં ઓછા 300 સભ્યોના સેમ્પલ સાઈઝની જરૂર પડશે, જેથી દરેક સેગમેન્ટમાં ઓછામાં ઓછા 50 સભ્યો હોય તે ઘણા વિભાગો અથવા બજારો ધરાવતી કંપનીઓ માટે મહત્વપૂર્ણ હોઈ શકે છે. સેગમેન્ટ દીઠ 50 ઉત્તરદાતાઓના આંકડાના આધારે, 100 સ્ટોર ધરાવતા રિટેલરને ઓછામાં ઓછા 5,000 સભ્યોના નમૂનાની જરૂર પડશે જો સ્ટોર સ્તરે ગ્રાહકની સંતોષ માપવાની હોય. અમારા મતે, જો કે, જો સ્ટોર્સ વચ્ચે સરખામણી કરવી હોય અને અભ્યાસના પરિણામોના આધારે મેનેજમેન્ટના નિર્ણયો લેવામાં આવે, તો નિરપેક્ષ લઘુત્તમ સ્ટોર દીઠ 100 ઉપભોક્તા હોવા જોઈએ અથવા 200 જેટલા સારા હોવા જોઈએ. 100 સ્ટોર ધરાવતા રિટેલર માટે, આના પરિણામે સ્ટોર સ્તરે ખૂબ જ વિશ્વસનીય પરિણામો મેળવવા માટે 20,000 ગ્રાહકોના નમૂનાના કદની જરૂર પડશે.
4.4.3 નમૂનાનું કદ અને પ્રતિભાવ દર
એક વધુ પરિબળ નોંધવું જરૂરી છે. પર્યાપ્ત વિશ્વસનીયતા સુનિશ્ચિત કરવા માટે 200 ઉત્તરદાતાઓના ભલામણ કરેલ નમૂનાનું કદ પ્રતિસાદોનો સંદર્ભ આપે છે, પસંદ કરેલ અને આમંત્રિત કરેલ ગ્રાહકોની સંખ્યાને નહીં. વધુમાં, આંકડાકીય વિશ્વસનીયતા સુનિશ્ચિત કરવા માટે, આનો અર્થ એ છે કે પસંદ કરેલ 200 ઉપભોક્તા અને તે જ 200 સહભાગીઓ કે જેમણે ઇન્ટરવ્યુના પ્રશ્નોના જવાબ આપ્યા અથવા પ્રશ્નાવલી પરત કરી. જો તમારો પ્રતિસાદ દર ઓછો હોય, તો જ્યાં સુધી તમને 200 જવાબો ન મળે ત્યાં સુધી ફક્ત વધુ પ્રશ્નાવલિ મોકલીને વળતર આપવું આંકડાકીય રીતે અવિશ્વસનીય છે. IEP અભ્યાસમાં અંડર રિસ્પોન્સ વલણની સમસ્યા ખૂબ જ નોંધપાત્ર હોઈ શકે છે અને આગામી પ્રકરણમાં વધુ વિગતવાર ચર્ચા કરવામાં આવશે.
4.5 તારણો
(a) ISO 9000:2000 જણાવે છે કે ગ્રાહક-સંબંધિત માપન માટે વિશ્વસનીય નમૂના મેળવવા માટે માન્ય આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરવો આવશ્યક છે.
(b) બિન-સંભાવનાના નમૂના લેવાથી પરિણામને પ્રભાવિત કરતા વલણનું જોખમ વધે છે અને તેનો ઉપયોગ ફક્ત એવી સંસ્થાઓ દ્વારા જ થવો જોઈએ કે જેની પાસે ગ્રાહક ડેટાબેઝ નથી.
(c) મોટાભાગની સંસ્થાઓ માટે, પ્રતિનિધિ અને પૂર્વગ્રહ-મુક્ત નમૂના મેળવવાનો શ્રેષ્ઠ માર્ગ ક્વોટા પર આધારિત રેન્ડમ નમૂના છે.
(d) નમૂનાની ફ્રેમ નોંધપાત્ર વ્યક્તિઓ હોવી જોઈએ. વ્યાપાર બજારોમાં, મોટા ગ્રાહકોમાંથી ઘણા ઉત્તરદાતાઓ (ક્યારેક ઘણા) સામેલ કરવા જરૂરી હોઈ શકે છે.
(e) 200 ઉત્તરદાતાઓ સમગ્ર સંસ્થામાં ગ્રાહક સંતોષને વિશ્વસનીય રીતે માપવા માટે જરૂરી ઉત્તરદાતાઓની લઘુત્તમ સંખ્યા બનાવે છે. આ નંબર તમારી પાસેના ગ્રાહકોની સંખ્યાથી સ્વતંત્ર છે.
(f) 200 થી ઓછા ગ્રાહકો અથવા સંપર્કો ધરાવતી સંસ્થાઓએ ગણતરી કરેલ તમામ ગ્રાહકો પર સંશોધન કરવું આવશ્યક છે.
(g) જો પરિણામો સેગમેન્ટ દ્વારા મેળવવાના હોય, તો સેગમેન્ટ દીઠ લઘુત્તમ નમૂનાનું કદ 50 ઉત્તરદાતાઓ છે. આ કિસ્સાઓમાં, સમગ્ર નમૂનાનું જરૂરી લઘુત્તમ કદ 50 વડે ગુણાકાર કરેલ સેગમેન્ટ્સની સંખ્યા જેટલું હશે.
વાસ્તવમાં, અમે એક નહીં, પરંતુ ત્રણ પ્રશ્નોથી શરૂઆત કરીશું: સેમ્પલિંગ શું છે? તે ક્યારે પ્રતિનિધિ છે? તેણી શું છે?
સમૂહ એ લોકો, સંસ્થાઓ, ઘટનાઓનું કોઈપણ જૂથ છે જે આપણને રુચિ ધરાવે છે, જેના વિશે આપણે નિષ્કર્ષ કાઢવા માંગીએ છીએ, અને કેસ અથવા ઑબ્જેક્ટ આવા સેટ1નું કોઈપણ તત્વ છે. સેમ્પલ - પૃથ્થકરણ માટે પસંદ કરેલ કેસ (ઓબ્જેક્ટ્સ) ની વસ્તીના કોઈપણ પેટાજૂથ. જો આપણે રાજ્યના ધારાસભ્યોની નિર્ણય લેવાની પ્રવૃત્તિનો અભ્યાસ કરવા માગીએ છીએ, તો અમે તમામ પચાસ રાજ્યોને બદલે વર્જિનિયા, ઉત્તર કેરોલિના અને દક્ષિણ કેરોલિનાની રાજ્યની વિધાનસભાઓમાં આવી પ્રવૃત્તિની તપાસ કરી શકીએ છીએ અને ત્યાંથી વસ્તીને સામાન્ય બનાવી શકીએ છીએ. જેમાં આ ત્રણ રાજ્યોની પસંદગી કરવામાં આવી હતી. જો અમે પેન્સિલવેનિયાની મતદાર પસંદગી પ્રણાલીની તપાસ કરવા માંગતા હોય, તો અમે 50 યુ.એસ. કામદારોનો સર્વે કરીને તેમ કરી શકીએ છીએ. એસ. સ્ટીલ” પિટ્સબર્ગમાં, અને રાજ્યના તમામ મતદારો સુધી સર્વેના પરિણામોનો વિસ્તાર કરો. તેવી જ રીતે, જો આપણે કૉલેજના વિદ્યાર્થીઓની બુદ્ધિ માપવા માગીએ છીએ, તો અમે આપેલ ફૂટબોલ સિઝનમાં ઓહિયો સ્ટેટમાં નોંધાયેલા તમામ રક્ષણાત્મક ખેલાડીઓનું પરીક્ષણ કરી શકીએ છીએ અને પછી તેઓ જેનો ભાગ છે તે વસ્તીના પરિણામોને સામાન્ય બનાવી શકીએ છીએ. દરેક ઉદાહરણમાં, અમે નીચે પ્રમાણે આગળ વધીએ છીએ: અમે વસ્તીની અંદર એક પેટાજૂથને ઓળખીએ છીએ, આ પેટાજૂથ અથવા નમૂનાનો થોડો વિગતવાર અભ્યાસ કરીએ છીએ અને સમગ્ર વસ્તી માટે અમારા પરિણામોને સામાન્ય બનાવીએ છીએ. આ નમૂના લેવાના મુખ્ય તબક્કા છે.
જો કે, તે તદ્દન સ્પષ્ટ જણાય છે કે આ દરેક નમૂનામાં નોંધપાત્ર ખામીઓ છે. ઉદાહરણ તરીકે, વર્જિનિયા, નોર્થ કેરોલિના અને સાઉથ કેરોલિનાની ધારાસભાઓ રાજ્યની વિધાનસભાઓના સંગ્રહનો ભાગ હોવા છતાં, તેઓ ઐતિહાસિક, ભૌગોલિક અને રાજકીય કારણોસર, સંભવતઃ સમાન રીતે અને વિધાનસભાઓથી ખૂબ જ અલગ રીતે કાર્ય કરે છે. ન્યુ યોર્ક, નેબ્રાસ્કા અને અલાસ્કા જેવા વિવિધ રાજ્યો. જો કે પિટ્સબર્ગમાં પચાસ સ્ટીલ કામદારો ખરેખર પેન્સિલવેનિયા રાજ્યના મતદારો હોઈ શકે છે, તેઓ, સામાજિક આર્થિક સ્થિતિ, શિક્ષણ અને જીવનના અનુભવના આધારે, મતદારો પણ છે તેવા અન્ય ઘણા લોકો કરતા અલગ હોય શકે છે. તેવી જ રીતે, જ્યારે ઓહિયો સ્ટેટ ફૂટબોલ ખેલાડીઓ કોલેજના વિદ્યાર્થીઓ છે, તેઓ વિવિધ કારણોસર અન્ય કોલેજના વિદ્યાર્થીઓથી અલગ હોઈ શકે છે. એટલે કે, આ દરેક પેટાજૂથો ખરેખર એક નમૂનો હોવા છતાં, દરેકના સભ્યો જેમાંથી તેઓ પસંદ કરવામાં આવ્યા છે તે વસ્તીના મોટાભાગના અન્ય સભ્યો કરતાં વ્યવસ્થિત રીતે અલગ છે. એક અલગ જૂથ તરીકે, તેમાંના કોઈપણ અભિપ્રાયોના લક્ષણો, વર્તનના હેતુઓ અને વસ્તીમાં લાક્ષણિકતાઓના વિતરણની દ્રષ્ટિએ લાક્ષણિક નથી કે જેની સાથે તે સંકળાયેલ છે. તદનુસાર, રાજકીય વૈજ્ઞાનિકો કહેશે કે આમાંથી કોઈ પણ નમૂના પ્રતિનિધિ નથી.
પ્રતિનિધિ નમૂના એ એક નમૂનો છે જેમાં વસ્તીના તમામ મુખ્ય લક્ષણો જેમાંથી નમૂના લેવામાં આવે છે તે લગભગ સમાન પ્રમાણમાં અથવા તે જ આવર્તન સાથે રજૂ કરવામાં આવે છે જેની સાથે આ વસ્તીમાં આપેલ લક્ષણ દેખાય છે. આમ, જો તમામ રાજ્યની 50% વિધાનસભાઓ દર બે વર્ષે માત્ર એક જ વાર મળે, તો રાજ્યની વિધાનસભાના પ્રતિનિધિ નમૂનાની લગભગ અડધી રચના આ પ્રકારની હોવી જોઈએ. જો પેન્સિલવેનિયાના 30% મતદારો વાદળી કોલર છે, તો તે મતદારો માટે પ્રતિનિધિ નમૂનાના લગભગ 30% (ઉપરના ઉદાહરણમાં 100% નહીં) વાદળી કોલર હોવા જોઈએ. અને જો તમામ કોલેજના વિદ્યાર્થીઓમાંથી 2% એથ્લેટ હોય, તો કોલેજના વિદ્યાર્થીઓના પ્રતિનિધિ નમૂનાના લગભગ સમાન પ્રમાણ એથ્લેટ હોવા જોઈએ. બીજા શબ્દોમાં કહીએ તો, પ્રતિનિધિ નમૂના એ માઇક્રોકોઝમ છે, વસ્તીનું એક નાનું પરંતુ સચોટ મોડેલ જે તે પ્રતિબિંબિત કરવાનો છે. નમૂનો પ્રતિનિધિત્વની હદ સુધી, તે નમૂનાના અભ્યાસ પર આધારિત તારણો મૂળ વસ્તીને લાગુ પડે તેવું સુરક્ષિત રીતે માની શકાય છે. પરિણામોના આ ફેલાવાને આપણે સામાન્યીકરણ કહીએ છીએ.
કદાચ ગ્રાફિક ચિત્ર આને સમજાવવામાં મદદ કરશે. ધારો કે અમે યુએસ પુખ્ત વયના લોકોમાં રાજકીય જૂથના સભ્યપદના દાખલાઓનો અભ્યાસ કરવા માંગીએ છીએ.
ચોખા. 5.1. સામાન્ય વસ્તીમાંથી નમૂનાની રચના
આકૃતિ 5.1 છ સમાન ક્ષેત્રોમાં વિભાજિત ત્રણ વર્તુળો દર્શાવે છે. આકૃતિ 5.1a વિચારણા હેઠળની સમગ્ર વસ્તીનું પ્રતિનિધિત્વ કરે છે. વસ્તીના સભ્યોને રાજકીય જૂથો (જેમ કે પક્ષો અને રસ જૂથો) અનુસાર વર્ગીકૃત કરવામાં આવે છે જેનાથી તેઓ સંબંધ ધરાવે છે. આ ઉદાહરણમાં, દરેક પુખ્ત ઓછામાં ઓછા એક અને છ કરતાં વધુ રાજકીય જૂથોનો નથી; અને સભ્યપદના આ છ સ્તરો એકંદર (તેથી સમાન ક્ષેત્રો) માં સમાન રીતે વહેંચાયેલા છે. ધારો કે અમે જૂથમાં જોડાવા માટેના લોકોના હેતુઓ, જૂથની પસંદગી અને સહભાગિતાના દાખલાઓનો અભ્યાસ કરવા માંગીએ છીએ, પરંતુ સંસાધનની મર્યાદાઓને લીધે અમે દર છ વસ્તી સભ્યોમાંથી માત્ર એક જ અભ્યાસ કરી શકીએ છીએ. વિશ્લેષણ માટે કોની પસંદગી કરવી જોઈએ?
આપેલ વોલ્યુમના સંભવિત નમૂનાઓમાંથી એક ફિગ. 5.1b માં છાંયેલા વિસ્તાર દ્વારા સચિત્ર છે, પરંતુ તે સ્પષ્ટપણે વસ્તીના બંધારણને પ્રતિબિંબિત કરતું નથી. જો આપણે આ નમૂનામાંથી સામાન્યીકરણ કરીએ, તો અમે નિષ્કર્ષ પર આવીશું: (1) કે તમામ અમેરિકન પુખ્ત વયના લોકો પાંચ રાજકીય જૂથોના છે અને (2) કે અમેરિકનોની તમામ જૂથની વર્તણૂક તે લોકોના વર્તન સાથે મેળ ખાય છે જેઓ ખાસ કરીને પાંચ જૂથો સાથે સંબંધ ધરાવે છે. જો કે, આપણે જાણીએ છીએ કે પ્રથમ નિષ્કર્ષ સાચો નથી, અને આ આપણને બીજાની માન્યતા વિશે શંકા પેદા કરી શકે છે. આમ, આકૃતિ 5.1b માં દર્શાવવામાં આવેલ નમૂનો અપ્રતિનિધિત્વહીન છે કારણ કે તે આપેલ વસ્તી મિલકતના વિતરણને પ્રતિબિંબિત કરતું નથી (ઘણી વખત તેને પરિમાણ કહેવાય છે) તેના વાસ્તવિક વિતરણ અનુસાર. આવા નમૂનાને પાંચ જૂથોના સભ્યો પ્રત્યે પક્ષપાત અથવા જૂથ સભ્યપદની અન્ય તમામ પેટર્નથી દૂર પક્ષપાતી હોવાનું કહેવાય છે. આવા પક્ષપાતી નમૂનાના આધારે, અમે સામાન્ય રીતે વસ્તી વિશે ભૂલભરેલા તારણો પર આવીએ છીએ.
1930 ના દાયકામાં લિટરરી ડાયજેસ્ટ મેગેઝિન પર પડેલી આપત્તિ દ્વારા આ સૌથી વધુ સ્પષ્ટ રીતે દર્શાવી શકાય છે, જેણે ચૂંટણી પરિણામો અંગે જાહેર અભિપ્રાય મતદાનનું આયોજન કર્યું હતું. લિટરરી ડાયજેસ્ટ એ સામયિક હતું જે અખબારના સંપાદકીય અને જાહેર અભિપ્રાયને પ્રતિબિંબિત કરતી અન્ય સામગ્રીઓનું પુનઃમુદ્રણ કરે છે; આ મેગેઝિન સદીની શરૂઆતમાં ખૂબ જ લોકપ્રિય હતું. 1920 માં શરૂ કરીને, મેગેઝિને મોટા પાયે રાષ્ટ્રીય મતદાન હાથ ધર્યું હતું જેમાં એક મિલિયનથી વધુ લોકોને મેઇલ દ્વારા મતપત્રો મોકલવામાં આવ્યા હતા અને તેમને આગામી રાષ્ટ્રપતિની ચૂંટણીમાં તેમના મનપસંદ ઉમેદવારને સૂચવવા માટે કહેવામાં આવ્યું હતું. ઘણા વર્ષોથી, મેગેઝિનના મતદાન પરિણામો એટલા સચોટ હતા કે સપ્ટેમ્બરના મતદાનમાં નવેમ્બરની ચૂંટણી અપ્રસ્તુત લાગતી હતી. અને આટલા મોટા નમૂના સાથે ભૂલ કેવી રીતે થઈ શકે? જો કે, 1936 માં, આ બરાબર થયું હતું: બહુમતી મતો (60:40) સાથે, રિપબ્લિકન ઉમેદવાર આલ્ફ લેન્ડનની જીતની આગાહી કરવામાં આવી હતી. ચૂંટણીમાં, લૅન્ડન એક અપંગ વ્યક્તિ - ફ્રેન્કલિન ડી. રૂઝવેલ્ટ સામે હારી ગયો - લગભગ તે જ પરિણામ સાથે જે તેણે જીતવો જોઈતો હતો. લિટરરી ડાયજેસ્ટની વિશ્વસનિયતાને એટલી ખરાબ રીતે નુકસાન થયું હતું કે મેગેઝિન થોડા સમય પછી જ પ્રિન્ટમાંથી બહાર થઈ ગયું હતું. શું થયું? તે ખૂબ જ સરળ છે: ડાયજેસ્ટ મતદાનમાં પક્ષપાતી નમૂનાનો ઉપયોગ કરવામાં આવ્યો છે. પોસ્ટકાર્ડ્સ એવા લોકોને મોકલવામાં આવ્યા હતા જેમના નામ બે સ્ત્રોતોમાંથી કાઢવામાં આવ્યા હતા: ટેલિફોન ડિરેક્ટરીઓ અને કારની નોંધણીની સૂચિ. અને તેમ છતાં પસંદગીની આ પદ્ધતિ અગાઉ અન્ય પદ્ધતિઓથી ઘણી અલગ ન હતી, પરંતુ હવે વસ્તુઓ ઘણી અલગ છે, 1936ની મહામંદી દરમિયાન, જ્યારે ઓછા શ્રીમંત મતદારો, રૂઝવેલ્ટના સંભવિત સમર્થક, ટેલિફોન ધરાવવાનું પોસાય તેમ નહોતું. કાર આમ, વાસ્તવમાં, ડાયજેસ્ટ મતદાનમાં ઉપયોગમાં લેવાતા નમૂના રિપબ્લિકન હોવાની સંભાવના ધરાવતા લોકો તરફ વળેલું હતું, તેમ છતાં તે હજુ પણ આશ્ચર્યજનક છે કે રૂઝવેલ્ટે આટલું સારું કર્યું.
આ સમસ્યાને કેવી રીતે હલ કરવી? અમારા ઉદાહરણ પર પાછા ફરીએ, ચાલો ફિગ. 5.1b માંના નમૂનાની ફિગ. 5.1c માં નમૂના સાથે સરખામણી કરીએ. પછીના કિસ્સામાં, વસ્તીના છઠ્ઠા ભાગને પણ વિશ્લેષણ માટે પસંદ કરવામાં આવે છે, પરંતુ દરેક મુખ્ય પ્રકારની વસ્તીને નમૂનામાં તે પ્રમાણમાં દર્શાવવામાં આવે છે જેમાં તે સમગ્ર વસ્તીમાં રજૂ થાય છે. આવા નમૂના દર્શાવે છે કે દર છ અમેરિકન પુખ્ત વયના લોકોમાંથી એક રાજકીય જૂથનો છે, છમાંથી એક બેનો છે, વગેરે. આવા નમૂના સભ્યો વચ્ચેના અન્ય તફાવતોને ઓળખવા માટે પણ પરવાનગી આપે છે જે જૂથોની વિવિધ સંખ્યામાં ભાગીદારી સાથે સંકળાયેલ હોઈ શકે છે. આમ, ફિગ. 5.1c માં પ્રસ્તુત નમૂના વિચારણા હેઠળની વસ્તી માટે એક પ્રતિનિધિ નમૂના છે.
અલબત્ત, આ ઉદાહરણને ઓછામાં ઓછા બે અત્યંત મહત્વપૂર્ણ રીતે સરળ બનાવવામાં આવ્યું છે. પ્રથમ, રાજકીય વૈજ્ઞાનિકોને રસ ધરાવતી મોટાભાગની વસ્તી સચિત્ર કરતાં વધુ વૈવિધ્યસભર છે. લોકો, દસ્તાવેજો, સરકારો, સંસ્થાઓ, નિર્ણયો વગેરે. એક બીજાથી અલગ નથી, પરંતુ ઘણી મોટી સંખ્યામાં લાક્ષણિકતાઓ દ્વારા. આમ, એક પ્રતિનિધિ નમૂનો એવો હોવો જોઈએ કે દરેક મુખ્ય, અલગ વિસ્તારને વસ્તીના તેના હિસ્સાના પ્રમાણમાં દર્શાવવામાં આવે. બીજું, પરિસ્થિતિ કે જ્યાં આપણે માપવા માંગીએ છીએ તે ચલ અથવા વિશેષતાઓનું વાસ્તવિક વિતરણ અગાઉથી જાણીતું નથી તે વિપરીત કરતાં વધુ સામાન્ય છે - તે અગાઉની વસ્તી ગણતરીમાં માપવામાં આવ્યું ન હોઈ શકે. આમ, પ્રતિનિધિ નમૂનાની રચના કરવી જોઈએ જેથી કરીને તે વર્તમાન વિતરણને ચોક્કસ રીતે પ્રતિબિંબિત કરી શકે, પછી ભલે આપણે તેની માન્યતાનું સીધું મૂલ્યાંકન કરવામાં અસમર્થ હોઈએ. નમૂના લેવાની પ્રક્રિયામાં એક આંતરિક તર્ક હોવો જોઈએ જે અમને ખાતરી આપી શકે કે, જો અમે સેમ્પલની વસ્તી ગણતરી સાથે સરખામણી કરી શક્યા હોત, તો તે ખરેખર પ્રતિનિધિ હશે.
આપેલ વસ્તીના જટિલ સંગઠનને સચોટ રીતે કેપ્ચર કરવાની ક્ષમતા અને અમુક અંશે વિશ્વાસ કે પ્રસ્તાવિત પ્રક્રિયાઓ આમ કરી શકે તે માટે, સંશોધકો આંકડાકીય પદ્ધતિઓ તરફ વળે છે. તે જ સમયે, તેઓ બે દિશામાં કાર્ય કરે છે. સૌપ્રથમ, ચોક્કસ નિયમો (આંતરિક તર્ક) નો ઉપયોગ કરીને, સંશોધકો નક્કી કરે છે કે કયા ચોક્કસ પદાર્થોનો અભ્યાસ કરવો અને ચોક્કસ નમૂનામાં બરાબર શું શામેલ કરવું. બીજું, ખૂબ જ અલગ નિયમોનો ઉપયોગ કરીને, તેઓ નક્કી કરે છે કે કેટલા ઑબ્જેક્ટ પસંદ કરવા. અમે આ અસંખ્ય નિયમોનો વિગતવાર અભ્યાસ કરીશું નહીં; અમે ફક્ત રાજકીય વિજ્ઞાન સંશોધનમાં તેમની ભૂમિકાને ધ્યાનમાં લઈશું. ચાલો પ્રતિનિધિ નમૂનાની રચના કરતી વસ્તુઓ પસંદ કરવા માટેની વ્યૂહરચના સાથે વિચારણા શરૂ કરીએ.
