Campionamento.

Presentazione sul tema: "Campionamento."— Transcript della presentazione:

1 Campionamento

2 obiettivi della presentazionee
Che cosa è il Campionamento? Perchè utilizziamo i Campioni? Concetto di rappresentatività Metodi di Campionamento Errore di Campionamento Calcolo della dimensione del campione

3 Definizione di Campionamento
Procedura per le quali alcuni membri della popolazione sono selezionati come rappresentativi della intera popolazione

4 perchè campioniamo le popolazioni?
Dare informazioni su grandi popolazioni Al minimo costo A massima rapidità Con maggiore accuratezza Usando strumenti raffinati

5 Campionamento Precisione Costo

6 Che cosa si richiede di conoscere
Concetti rappresentatività Campionamento : metodi Come scegliere il giusto metodo Calcoli errore di Campionamento effetto del Disegno dimensione del campione

7 Definizioni e termini del Campionamento
Unità di Campionamento unità di base di Campionamento (bsu) intorno alla quale il Campionamento è pianificato Frazione di Campionamento Il rapporto tra la dimensione del campione e la dimensione della popolazione Universo di Campionamento ogni lista di tutte le unità di Campionamento della popolazione Schema di Campionamento metodo di selezione delle unità di Campionamento dall’universo di Campionamento

8 Campionamento e rappresentatività
Popolazione Campionaria campione Popolazione Bersaglio Popolazione Bersaglio  popolazione Campionaria  campione

9 Concetto di rappresentatività
Persone età Sesso altre caratteristiche demografiche Esposizione/suscettibilità Luogo Urbana Rurale Tempo Stagionalità Giorno della settimana Ora del Giorno

10 Tipo di Campioni Campionamento Non-probabilistico
Campioni di Convenienza viziati scenario migliore o peggiore Campioni soggettivi Basati sulla conoscenza Tempo/risorse e vincoli Campionamento probabilistico Il solo metodo di Campionamento che consente di estrarre valide conclusioni circa la popolazione

11 Campioni probabilistici
Campionamento casuale ogni soggetto ha una nota probabilità di essere scelto Riduce la possibilità di vizio di selezione di soggetti consente l’applicazione di teoria statistica ai risultati

12 errore di Campionamento
Nessun campione è una perfetta immagine speculare della popolazione La grandezza di errore può essere misurato in Campioni probabilistici Espressione dell’errore standard di media, di proporzione, di differenze, etc Funzione della … dimensione del campione quantità di variabilità nella misura del fattore di interesse

13 metodi usati in Campionamento probabilistico
Campionamento casuale semplice Campionamento sistematico Campionamento stratificato Campionamento a Cluster Campionamento Multistadio

14 Campionamento casuale semplice
Principio Uguale opportunità per ogni unità statistica di essere estratto Procedura numerare tutte le unità Estrarre unità casuali vantaggi semplice errore di Campionamento facilmente misurato svantaggi richiede la completa lista di unità non sempre ottiene la migliore rappresentatività

15 Esempio: Campionamento casuale semplice
1 Alberto D. 2 Riccardo D. 3 Bella H. 4 Raimondo L. 5 Stéfania B. 6 Alberto T. 7 Giampaolo V. 8 André D. 9 Daniele C. 10 Antonio Q. 11 Giacomo B. 12 Daniele G. 13 Amanda L. 14 Giovanna L. 15 Filippa K. 16 Eva F. 17 Piera O. 18 Tommaso G. 19 Brian F. 20 Elena H. 21 Isabella R. 22 Gianna T. 23 Samanta D. 24 BerIl L. 25 Monica Q. 26 Régine D. 27 Lucille L. 28 Geremia W. 29 Gilles D. 30 Renaud S. 31 Piero K. 32 Michele R. 33 Marie M. 34 Gaétano Z. 35 Fidèle D. 36 Maria P. 37 Anne-Marie G. 38 Michele K. 39 Gastone C. 40 Aldo M. 41 Olivier P. 42 Ginevra M. 43 BerIl D. 44 Gianna P. 45 46 François P. 47 Domenica M. 48 Antonio C.

16 ( R ): lista di numeri casuali
Random Samples and Permutations Description: 'sample' takes a sample of Il specified size da Il elements of 'x' using either con or without replacement. Usage: sample(x, size, replace = FALSE, prob = NULL) Arguments: x: Either a (numeric, complex, character or logical) vector of più than one element da which to choose, or a positive integer. size: non-negative integer giving Il number of items to choose. replace: Should sampling be con replacement? prob: A vector of probability weights per obtaining Il elements of Il vector essere sampled.

17 (R): lista numeri casuali
sample(c(0:3000), 100, replace = TRUE) [1] [16] [31] [46] [61] [76] [91]

18 Campionamento sistematico
Principio unità estratte con una constante intervallo tra successive unità Uguale opportunità per ogni unità di essere estratta Procedura Calcolare l’intervallo di Campionamento (k = N/n) estrarre una lista di numeri casuali ( k) per starting estrarre ogni k unità dalla prima unità Vantaggi Assicura rappresentatività attraverso la lista Facile da implementare Può migliorare la precisione Svantaggi dannoso se la lista ha cicli

19 Esempio: Campionamento sistematico

20 Campionamento stratificato
Principio Classificare la popolazione in sottogruppi internamente omogenei (strato) estrarre un campione da ogni strato Combinare risultati di tutte le strato Vantaggi Più precise se variabile associated con strato Tutti sottogruppi rappresentati, allowing separate conclusioni circa la ogni di essi Svantaggi errore di Campionamento di difficile misurazione Perdita di precisione se tutti numeri campionati in un singolo strato

21 Esempio: Campionamento stratificato
Determinare la copertura della vaccinazione in una regione Un campione estratto in ogni regione stima calcolata per ogni strato ogni strato pesato per ottenere stima per regione (media)

22 Campionamento a Cluster
Principio campione casuale di gruppi (“clusters”) di unità In cluster selezionati, sono incluse tutte le unità o proporzioni di unità (campione) Campionamento entro cluster può essere semplice casuale o sistematico

23 Esempio: Campionamento una Cluster
Sezione 1 Sezione 2 Sezione 3 Sezione 5 Sezione 4

24 Campionamento a Cluster
vantaggi semplice poichè la lista di Campionamento completa delle unità entro popolazione non è richiesta meno richiesta di viaggi e risorse svantaggi Imprecisa se i clusters non sono omogenei e quindi la variazione tra campioni è maggiore della variazione nella popolazione (grande effetto del disegno) Errore di Campionamento è difficile da misurare

25 effetto del disegno varianza globale varianza di Cluster Σ (pi-p)²
Var clus = k(k-1) p(1-p) Var ccs = n effetto del Disegno = Var ccs Var clust p= proporzione globale pi= proporzione in ogni stratum n= numeri di soggetti k= numero di strati

26 ( R ): Calcolo dell’effetto del disegno

27 Campionamento Multistadio
Principio molteplici Campioni concatenati molteplici unità statistiche vantaggi Non esiste una completa lista di popolazione richiesta Il più facile approccio per grandi popolazioni svantaggi molteplici liste di Campionamento errore di Campionamento difficile da misurare

28 Esempio: Campionamento Multistadio
Determine una suscettibilità all’epatite tra bambini delle scuole di una regione campione di regioni estratte dalla nazione campione di città estratte da ogni regione selezionata campione di scuole estratte in ogni città selezionata campione bambini entro scuole selezionate

29 selezione una metodo di Campionamento
popolazione che deve essere studiata dimensione della distribuzione geografica eterogeneità della variabile livello di precisione richiesta risorse disponibili Importance di avere una precisa stima dell’errore di Campionamento

30 passi nella stima dimensione del campione
Identificare una variabile maggiore dello studio Determine tipo di stima (%, mean, ratio,...) Indicare la frequenza attesa di fattore di interesse Decidere la precisione di stima desiderata Decidere il rischio accettabile che stima cada fuori dal valore dela sua popolazione reale Correggere per la stima d’effetto del disegno Correggere per attesa proporzione di risposta (Correggere per la dimensione della popolazione )

31 dimensione del campioneformula in descrittiva survey
Campionamento casuale semplice / sistematico z² * p * q 1.96²*0.15*0.85 n = = = 544 d² 0.03² Campionamento a Cluster 2*1.96²*0.15*0.85 z² * p * q n = g* = = 1088 d² 0.03² z: rischio alfa espresso in z-score p: attesa prevalence q: 1 - p d: absolute precisione g: effetto del disegno

32 EPITABLE: Calcolo dimensione del campione a cluster

33 Ruolo del Campionamento in indagine descrittiva
Definire obiettivo Definire risorse disponibili Identificare study popolazione Identificare variabiles to study Definire precisione richiesta Stabilire plan di analysis (questionenario) Creare Campionamento estrazione Select campione Pilot data collezione Collect data Analyse data Communicate risultati Use risultati

34 Conclusioni Campioni probabilistici sono I migliori
Fate attenzione ai … Rifiuto di partecipazione Dati mancanti “tutto ciò che non si conosce”

35 Consultate uno statistico
Conclusioni Se avete dei dubbi … Consultate uno statistico