10. Populační výběry a reprezentativita

Populační výběr

V psychologii často zkoumáme zákonitosti lidské psychiky, které chceme zobecnit na určitou populaci. Ta je ale často příliš velká na to, abychom ji otestovali celou. Když chceme například zjistit, jaké mají čeští vysokoškoláci průměrné IQ, nejsme schopni otestovat všechny. Vybereme proto část z nich - tuto část označujeme vzorkem. Poté díky induktivní statistice zevšeobecníme své závěry na všechny vysokoškoláky, z nichž jsme vzorek vybrali. Klíčové jsou zde dva pojmy:

• Populace (základní soubor) = soubor jednotek, o kterém předpokládáme, že jsou pro něj naše závěry platné.V našem případě tedy všichni čeští vysokoškoláci.
• Vzorek (výběrový soubor) = skupina jednotek, které skutečně pozorujeme. V našem příkladě to jsou vybraní vysokoškoláci, kteří nám vyplní testy IQ.

Reprezentativita

Abychom získali adekvátní vzorek populace, musí splňovat podmínku reprezentativity. To znamená, že musí odrážet charakteristiky populace, která nás zajímá, co nejvěrněji to jde. V našem případě jsme chtěli zkoumat IQ u vysokoškoláků. Představme si, že bychom vzali ale jen první ročník z jednoho oboru, dejme tomu psychologie na Filosofické fakultě UK. Budeme pak schopni říci něco o tom, jaké IQ mají všichni vysokoškoláci? Těžko. Máme zde zastoupenou pouze část populace vysokoškoláků, ať už z hlediska věku, z hlediska města, fakulty, oboru. To znamená, že bychom se měli řídit principem generální reprezentativnosti, jinak řečené mnohostranné reprezentativnosti populace, z níž jsme vzorek vybrali a k níž chceme naše závěry vztáhnout. Rozumíme jím to, že proměnné, které by mohly mít vliv na výsledky našeho výzkumu, by měly být v populaci i ve vzorku zastoupeny stejně (např. věkové rozložení, pohlaví, bydliště, studovaný obor apod.).

Reprezentativnost vzorku souvisí s velikostí daného vzorku (čím více lidí z populace se zúčastní, tím větší pravděpodobnost máme, že bude dobře reprezentovat populaci). Nicméně vztah mezi velikostí a reprezentativitou není přímočarý. Více než velikost vzorku má vliv metoda výběru tohoto vzorku. Její vliv závisí na třech následujících okolnostech  :

• Homogennost základního souboru: Vzorek bude tím reprezentativnější, z čím homogennější populace vychází.
• Informovanost o základním souboru: Čím lépe známe zkoumanou populaci, tím lépe jsme schopni sestavit reprezentativnější vzorek.
• Šance člena populace dostat se do vzorku: Každý člověk z námi zkoumané populace by měl mít stejnou šanci dostat se do výběrového vzorku.

Náhodný výběr

Jedná se o takový výběr, kde každá jednotka základního souboru má nenulovou pravděpodobnost (šanci) že se dostane do výběrového souboru. Disman (2011) jej definuje takto: "Náhodný (pravděpodobnostní) výběr je takový výběr, ve kterém každý element populace má stejnou pravděpodobnost, že bude vybrán do vzorku (str. 97)." U náhodného výběru budou mít proměnné, které jsou pro nás významné, v našem vzorku podobné rozložení jako v celé populaci. Díky tomu bude možné závěry našeho výzkumu na tuto populaci aplikovat. Podstatnou výhodou náhodného výběru je, že jsme u náhodně vybraného vzorku schopni udělat odhad, jak moc se vzorek liší od populace, z níž byl vybrán.

Pro provedení potřebujeme oporu výběru (tzv. výběrový rámec - sampling frame). Tím rozumíme seznam všech členů, kteří patří do námi zkoumané populace.

Prostý náhodný výběr

Tento výběr spočívá v principu, že každému jedinci přiřadíme číslo. Z těchto čísel pak náhodně "losujeme" potřebný počet respondentů.

Systematický (krokový) náhodný výběr

Do našeho vzorku zahrnujeme každou n-tou jednotku ze seznamu. V praxi to například použijeme, když víme, jak je velká populace a kolik lidí chceme otestovat. Vydělíme velikost populace velikostí námi požadovaného vzorku. Tak dostaneme velikost kroku (n). Poté náhodně vybereme prvního respondenta ze seznamu a od něj abychom odpočítáváme každého dalšího n-tého.

Stratifikovaný náhodný výběr

Tento způsob využíváme, pokud je populace, ze které vybíráme, až moc heterogenní, a my plánujeme poměrně malý výběr, nemuselo by se nám jednoduchý náhodný výběr vyplatit. V losování by nám mohli totiž vypadnout důležité části populace, protože by měli "smůlu". Pokud budeme například zkoumat středoškoláky, mohli by nám vypadnout dospívající z učilišť. To by nám mohlo zkreslit naše výsledky. Abychom tomuto zkreslení předešli, můžeme si rozdělit populaci do vrstev (např. učni, gymnazisté, středoškoláci z odborně zaměřených SŠ) a z každé této vrstvy vybereme několik respondentů do našeho vzorku. Protože známe procentuální zastoupení v celé populaci, zohledníme proporcionalitu i v našem výběru. Výhodou tohoto způsobu je, že sníží velikost směrodatné chyby a tedy i interval spolehlivosti.

V praxi si to můžeme například představit tak, že budeme vybírat respondenty náhodně z každé oblasti volebního obvodu, ve firmě vybereme náhodně několik lidí mezi inženýry, několik mezi dělníky a několik mezi administrativními pracovníky, z několika tříd, které chceme prozkoumat, vybereme stejný počet dětí apod.

Vícestupňový výběr

Tento výběr se provádí tak, že v prvním kroku vybereme určitá přirozená seskupení (která můžeme ještě případně dělit na menší seskupení), a v druhém kroku vybíráme jedince z těchto vybraných seskupení. Jak by to vypadalo v praxi? Řekněme, že chceme zkoumat nějaký názor obyvatelstva nějakého státu. Nejdříve bychom vybrali soubor okresů, který je reprezentativní, pak bychom vybrali z těchto okresů náhodně obce, velké obce bychom ještě mohli rozdělit na menší jednotky, např. čtvrti, ze čtvrtí domy a byty, a pak z těchto obydlených jednotek budeme vybírat respondenty.

Hnízdový (trsový, skupinový) výběr

Někdy není jednoduchý nebo stratifikovaný náhodný výběr možný. Představme si siutaci, že bychom chtěli zkoumat slovenské prvorodičky. Museli bychom tedy získat kompletní seznam všech z nich, který neexistuje. A kdyby ano, představte si, že projíždíte Slovensko křížem krážem, abyste za nimi dojeli, nebo si představte to množství peněz, které byste jim museli dát, abyste jim zaplatili cestu za vámi.

Skupinový výběr nám umožní ušetřit peníze i čas. Místo toho, abychom volili jednotlivce, vybereme určitou skupinu (cluster, trs jedinců). Z výběrového rámce (populace) nebudeme vybírat náhodným způsobem jednotlivce, ale určitá seskupení. V našem příkladě si pořídíme seznam všechn porodnic a náhodně vybereme několik z nich. Pokud je to jen možné, je důležité vybírat radši větší počet malých skupin než jen pár velkých skupin.

Metoda náhodné procházky

Pokud nemáme k dispozici oporu výběru, můžeme místo ní použít seznam ulic (předpokládáme, že každý potenciální respondent někde bydlí). Vždy vybereme náhodně jednu ulici a v ní sebereme data (od jednoho nebo více respondentů). Obydlenost jednotlivých ulic můžeme ošetřit zvýšením pravděpodobnosti jejich tažení. Tato metoda se vyznačuje nejnižší návratností. Její náhodnost je však diskutabilní.

Například při dotazování lidí na ulici bychom si mohli myslet, že všichni mají stejnou možnost se do výběru dostat. Ale když se nad tím zamyslíme, zjistíme, že se do souboru dostanou pouze ti lidé, kteří chodí v této ulici, nikoliv ti, kteří jsou doma, v jiném městě. A co teprve, pokud vezmeme v úvahu našeho tazatele, kterému budou určití lidé sympatičtí, a tak bude raději chodit za nimi. A možná sám někoho svým vystupováním odradí.

Nenáhodný výběr

Kvótní výběr

Kvótní výběr imituje ve struktuře vzorku známé vlastnosti populace. KMůžeme ho tak využít jen na takovou populaci, kterou dobře známe. U některých populací víme, jak jsou zastoupeni muži a ženy, jaké je věkové rozložení, vzdělanost a jak jsou zastoupena různá povolání u populace, a tyto poměry můžeme zachovat i v našem vzorku. Definice zní: "Kvótní výběr imituje ve struktuře vzorku známé vlastnosti populace (Disman, 2011, str. 94)." Tento výběr se často používá u výzkumů veřejného mínění.

Odkazy

Související články

• 23. Sběr a zpracování dat v kvalitativních studiích
• 24. Sběr a zpracování dat v kvantitativních studiích

Klíčová slova

reprezentativita - populační výběr - náhodný výběr - nenáhodný výběr - populace