Il campionamento

Il campionamento Vantaggi (per es. rispetto a un censimento): Riduzione dei costi Riduzione dei tempi Maggiore accuratezza e approfondimento Rischi: Errori di copertura (es. la lista di campionamento) Errori di non risposta (rifiuti, mancati contatti, missing o altro) Errore di campionamento (il campione non riflette adeguatamente la popolazione target, es. autoselezione) Dimensione campionaria inadeguata (ampiezza)

…qualche definizione L’universo= la popolazione “teorica” oggetto di indagine La popolazione = l’insieme dei soggetti sui quali viene effettivamente svolta la ricerca sulla base di una lista di campionamento Unità di analisi= il singolo caso rilevante per la ricerca, i soggetti dentro la lista di campionamento della popolazione Il campione = il sottoinsieme della popolazione cui vengono applicati gli strumenti d’indagine I casi= le unità di analisi scelte che finiscono nel campione Il campionamento = il procedimento di selezione (nelle intenzioni, rappresentativa) dei casi dalla popolazione al campione

(procedimento induttivo) (procedimento deduttivo) Universo: i lavoratori atipici della provincia di Genova Popolazione di riferimento: i lavoratori atipici rilevabili nelle liste dei CPI 13 23 17 Stima (procedimento induttivo) 4 11 campione 22 3 18 15 1 1 16 7 25 CAMPIONAMENTO 11 14 12 16 21 7 2 5 10 9 91 20 Inferenza (procedimento deduttivo) 19 24 25 20 6 8 casi Unità di analisi

La rappresentatività (I) Occorre che il campione possegga le caratteristiche della popolazione di origine e le riproduca in piccola scala. 2 fattori: Numerosità: quante unità di analisi finiscono nel campione, tanto più cresce n avvicinandosi a N, tanto più il campione è rappresentativo Eterogeneità: quanto le unità di analisi sono diverse tra loro all’origine, tanto più il campione rispecchia l’eterogeneità, tanto più è rappresentativo

La rappresentatività (II) Alcuni criteri per un’adeguata rappresentatività: occorre che i dati di partenza siano generalmente validi non si devono verificare effetti di selezione campione e popolazione devono avere distribuzioni simili si rifletta la presenza di possibili caso idealtipici adeguata copertura della popolazione (riflettere le variazioni) usare un campione probabilistico (p>0 e noto)

Il campionamento La selezione delle unità di analisi che divengono casi del campione può avvenire con 2 metodi Probabilistico: le unità della popolazione hanno prefissate, medesime e conoscibili probabilità di essere incluse nel campione Non probabilistico: non si conoscono le probabilità di inclusione

La numerosità …dove n = la numerosità che si vuole ottenere z = costante (corrispondente al valore della variabile casuale normale standardizzata) che dipende dal livello di fiducia desiderato per la stima es. 1,96 per un livello di fiducia del 95%; 1 per il 68% = lo scarto quadratico medio (l’indice di variabilità) e= l’errore atteso

Esempio errore di stima dalla media= 0,2 livello di fiducia del 95% =1,96 variabilità = 3 n= 1,96 * (3/0,2) = 29,4 che elevato al quadrato= 864,36 non è sensato fare elaborazioni sotto 30 casi per un minimo di descrizione meglio ancora non andare sotto i 100 per una popolazione estesa spesso oltre 1000 casi non si aggiunge rappresentatività (per variabili poco eterogenee)

La ponderazione es. da una popolazione di 500 M e 1000 F… …un campione stratificato x età di 100 M e 100 F …farà sì che le risposte delle 100 F valgano doppio

N La curva normale M, Mo, Me -1Sq e +1 Sq = 68% dei casi -3Sq -2Sq -1Sq +1Sq +2Sq +3Sq

Campionamenti probabilistici (tipici della ricerca standard) Casuale semplice (con o senza ripetizione) Sistematico Stratificato (proporzionale/non proporzionale) A grappoli A stadi Areale

Probabilistici: Casuale semplice Estraggo a caso dalla lista di campionamento garantendo a tutte le unità di analisi la stessa possibilità di entrare a far parte del campione Con o senza ripetizione, ovvero estraggo e tolgo o estraggo e rimetto (raro)

Probabilistici: sistematico Estraggo a caso ogni tot dalla lista, ovvero definisco un passo di campionamento, cioè estraggo un caso ogni k, dove k=n/N (*100) Es. per n=1000 e N=50000, k=50 Se N non è noto posso usare un k arbitrario Definito k estraggo a caso un numero tra 1 e k (nel nostro caso 1tra 1 e 50) e inizio il passo di campionamento (ne prendo 1 ogni 50 a partire dal numero estratto) …proseguo a estrarre con il passo fino a raggiungere la numerosità Si può fare anche quando non c’è una lista

Probabilistici: Stratificato Definisco strati su popolazione rispetto a variabili fondamentali Rispetto alle unità di analisi gli strati devono essere omogenei al loro interno (intra) e eterogenei tra loro (inter) Posso seguire un criterio di ripartizione proporzionale o non proporzionale all’incidenza degli strati rispetto alla popolazione di origine Piano fattoriale ovvero definisco a priori delle variabili che ritengo influenzino il fenomeno. Es. genere (2 modalità, M/F), età (2 modalità, under 40/over 40) ; titolo di studio (3 modalità, basso,medio,alto). Si ottengono 2X2X3=12 combinazioni e in ognuna dovrò selezionare lo stesso numero di casi (in questo modo posso valutare meglio l’influenza delle variabili equiparandone il peso)

Probabilistici: a grappoli Suddivido popolazione in sottoinsiemi (grappoli) es. divido una popolazione di scuole per regioni/province/comuni Scelta casuale sui grappoli es. seleziono casualmente Rilevo su tutte le unità dei grappoli scelti Es. scelti a caso 1 e 3, rilevo su tutte le unità di 1 e 3 4 3 1 2

Probabilistici: a stadi (2 o +) Suddivido popolazione in sottoinsiemi (unità di primo stadio)…es. regioni Scelta casuale dei sottoinsiemi su unità di primo stadio Scelta casuale delle unità selezionate in primo stadio (secondo stadio) Es. su 3 stadi per studenti scuole medie italiane: I stadio - scelta casuale tra comuni d’Italia II stadio - scelta casuale tra scuole medie dei comuni scelti III stadio - scelta casuale tra gli studenti delle scuole scelte dei comuni scelti

Probabilistici …naturalmente, niente e nessuno mi impedisce di poter combinare le tecniche anzidette…es un campionamento areale stratificato con passo sistematico

Guida alla definizione di un campione Definire la popolazione in spazio e tempo Elencare criteri inclusione/esclusione rispondenti Specificare unità di analisi Costruire lista campionamento Identificare variabili chiave e loro eterogeneità Valutare errore Stabilire numerosità campionaria Definire criterio campionamento

Campionamenti non probabilistici (tipici della ricerca non standard) A casaccio Per quote Auto-selezionato Testimoni privilegiati A valanga

Non probabilistici: a casaccio è il cosiddetto campionamento accidentale Es. : mi metto all’angolo di una strada e scelgo il primo caso che capita, senza criteri definiti, ma solo in ragione di praticità e velocità

Non probabilistici: per quote È come uno ovvero definisco delle quote di popolazione in base alle variabili che mi interessano Es: in genere non è proporzionale, ma può riflettere le caratteristiche della popolazione Diplomati Laureati Maschi 50 Femmine

Non probabilistici:autoselezionato …Laddove i casi si selezionano da soli rispondendo alla somministrazione… Esempi: il televoto alcune survey online alcuni questionari di gradimento

Non probabilistici:Testimoni privilegiati Campione di esperti Campione sociologico Si basa essenzialmente sulle caratteristiche predefinite degli individui Tipico dei Delphi o dei Focus group

Non probabilistici: a valanga Scelgo alcuni casi di partenza (possibilmente “idealtipici” o testimoni privilegiati) Chiedo loro di fornirmi altri conoscenti da intervistare con tali caratteristiche Più fasi possibili Rischi di condizionamento sulla base del capitale relazionale delle persone