- বৈশিষ্ট্য
- পদ্ধতির প্রকার
- এক পর্যায়ে নমুনা
- দ্বি-পর্যায়ের নমুনা
- কখন এটি ব্যবহার করবেন
- জনসংখ্যার আইটেমগুলির সম্পূর্ণ তালিকা তৈরি করা কঠিন, ব্যয়বহুল বা অসম্ভব
- জনসংখ্যা "প্রাকৃতিক" সমষ্টিগুলিতে (শহর, স্কুল, হাসপাতাল ইত্যাদি) কেন্দ্রীভূত।
- সুবিধা
- টেকসইতা
- অর্থনীতি
- হ্রাস পরিবর্তনশীলতা
- প্রাথমিক ব্যবহার
- অসুবিধেও
- পক্ষপাতদুষ্ট নমুনা
- ভুল
- উদাহরণ
- এক পর্যায়ে নমুনা
- দ্বি-পর্যায়ের নমুনা
- মাল্টি-স্টেজ স্যাম্পলিং
- তথ্যসূত্র
গুচ্ছের আদর্শ যখন একটি পরিসংখ্যানগত জনসংখ্যা সজাতি গ্রুপ স্পষ্ট, কিন্তু অভ্যন্তরীণভাবে হয় ভিন্নধর্মী পদ্ধতি স্যাম্পলিং এক ধরনের ব্যবহার করা হয়। এটি প্রায়শই বাজার গবেষণায় ব্যবহৃত হয়।
এই নমুনা পদ্ধতিটির সাথে সাথে পুরো জনসংখ্যার সমস্ত বিষয় অবিলম্বে নির্বাচন করার পরিবর্তে গবেষক তার জনসংখ্যার নমুনা সংগ্রহ করতে বিভিন্ন পদক্ষেপ গ্রহণ করেন। প্রথমত, গবেষক মোট জনসংখ্যাকে পৃথক গোষ্ঠীতে বিভক্ত করেন, যাকে ক্লাস্টার বলে। তারপরে জনসংখ্যার গ্রুপগুলি থেকে একটি সাধারণ এলোমেলো নমুনা নির্বাচন করুন। অবশেষে, এই দলগুলি থেকে নমুনা ডেটা নিয়ে এটি বিশ্লেষণ করে।
সূত্র: pixabay.com
স্থির এলোমেলো নমুনা আকারের জন্য, যখন জনসংখ্যার সর্বাধিক পরিমাণের পার্থক্যটি গ্রুপের মধ্যে অভ্যন্তরীণভাবে উপস্থিত হয়, দলগুলির মধ্যে নয় তবে প্রত্যাশিত ত্রুটি কম থাকে।
ক্লাস্টার স্যাম্পলিং ব্যবহারের একটি সাধারণ কারণ স্যাম্পলিংয়ের দক্ষতা বৃদ্ধি করে ব্যয় হ্রাস করা। এটি স্তরিত নমুনা থেকে পৃথক, যেখানে সঠিকতা বৃদ্ধি করার উদ্দেশ্য।
বৈশিষ্ট্য
- জনসংখ্যা N গ্রুপগুলিতে বিভক্ত, যাকে একীভূত বলা হয়।
- গবেষক এলোমেলোভাবে এন গ্রুপগুলিকে নমুনায় অন্তর্ভুক্ত করার জন্য নির্বাচন করেন, যেখানে এন এন এর চেয়ে কম থাকে where
- জনসংখ্যার প্রতিটি উপাদান একটিতে এবং শুধুমাত্র একটি ক্লাস্টারে নির্ধারিত হতে পারে।
- আদর্শভাবে, একটি ক্লাস্টারের মধ্যে জনসংখ্যার যতটা সম্ভব ভিন্ন ভিন্ন হওয়া উচিত, তবে গুচ্ছগুলির মধ্যে একত্রিত হওয়া উচিত। প্রতিটি ক্লাস্টারে একটি ছোট পরিমাণে মোট জনসংখ্যার প্রতিনিধিত্ব করতে হবে।
পদ্ধতির প্রকার
কোন ক্লাস্টারকে অধ্যয়নের অন্তর্ভুক্ত করবেন তা চয়ন করতে, কোনও প্রাসঙ্গিক ক্লাস্টারে একটি এলোমেলো নমুনা কৌশল ব্যবহার করা হয়।
এক পর্যায়ে নমুনা
এক-পর্যায়ের ক্লাস্টার স্যাম্পলিংয়ে, নির্বাচিত প্রতিটি দলের মধ্যে থাকা সমস্ত উপাদান নমুনাযুক্ত।
দ্বি-পর্যায়ের নমুনা
দ্বি-পর্যায়ের ক্লাস্টার স্যাম্পলিংয়ে, নির্বাচিত গোষ্ঠীগুলির মধ্যে আইটেমগুলির একটি উপসেটটি এলোমেলোভাবে নমুনায় অন্তর্ভুক্ত করার জন্য নির্বাচন করা হয়।
কখন এটি ব্যবহার করবেন
এটি কেবল তখনই ব্যবহার করা উচিত যখন অর্থনৈতিকভাবে ন্যায়সঙ্গত হয়, যখন ব্যয় হ্রাস যখন নির্ভুল ক্ষতির চেয়ে বেশি হয়। নিম্নলিখিত পরিস্থিতিতে এটি হওয়ার সম্ভাবনা বেশি থাকে।
জনসংখ্যার আইটেমগুলির সম্পূর্ণ তালিকা তৈরি করা কঠিন, ব্যয়বহুল বা অসম্ভব
উদাহরণস্বরূপ, হার্ডওয়্যার স্টোরগুলির একটি চেইনের জন্য সমস্ত গ্রাহককে তালিকাবদ্ধ করা সম্ভব নাও হতে পারে।
তবে, এলোমেলোভাবে স্টোরের একটি উপসেট নির্বাচন করা সম্ভব হবে (মঞ্চ 1) এবং তারপরে যারা visit স্টোরগুলিতে যান তাদের কোনও এলোমেলো নমুনার সাক্ষাত্কার (পর্যায় 2)।
জনসংখ্যা "প্রাকৃতিক" সমষ্টিগুলিতে (শহর, স্কুল, হাসপাতাল ইত্যাদি) কেন্দ্রীভূত।
উদাহরণস্বরূপ, ও নার্সদের সাথে ব্যক্তিগত সাক্ষাত্কার পরিচালনা করার জন্য, এলোমেলোভাবে হাসপাতালের একটি নমুনা (প্রথম পর্যায়) থেকে একটি হাসপাতাল নির্বাচন করা এবং তারপরে সেই হাসপাতালের সমস্ত ও নার্সের সাক্ষাত্কার নেওয়া বুদ্ধিমান হতে পারে।
ক্লাস্টারের স্যাম্পলিং ব্যবহার করে, সাক্ষাত্কারকারক একদিনে এবং একক হাসপাতালে অনেকগুলি সাক্ষাত্কার নিতে পারে।
বিপরীতে, সাধারণ এলোমেলো নমুনাটির জন্য ইন্টারভিউয়ারকে একটি একক হাসপাতালে একক সাক্ষাত্কার পরিচালনার জন্য পুরো দিন ভ্রমণ করতে ব্যয় করতে হবে।
সুবিধা
এটি অন্যান্য নমুনা পরিকল্পনার তুলনায় সস্তা হতে পারে, উদাহরণস্বরূপ, কম ভ্রমণ এবং প্রশাসনের ব্যয়।
টেকসইতা
এই নমুনা পদ্ধতিটি বড় জনগোষ্ঠীকে অ্যাকাউন্টে নেয়। যেহেতু এই গোষ্ঠীগুলি এত বড়, অন্য যে কোনও নমুনা পদ্ধতি প্রয়োগ করা ব্যয়বহুল।
অর্থনীতি
এই পদ্ধতিতে ভ্রমণের মতো ব্যয়ের ক্ষেত্রে একটি বড় উদ্বেগ যথেষ্ট পরিমাণে হ্রাস পেয়েছে।
উদাহরণস্বরূপ, একটি শহরের প্রতিটি বাড়িতে তদন্ত থেকে তথ্য সংকলন করা খুব ব্যয়বহুল হবে, তবে নগরের বেশ কয়েকটি ব্লকে তথ্য সংকলন করা সস্তা হবে। এক্ষেত্রে ভ্রমণ অনেক কমে যাবে।
হ্রাস পরিবর্তনশীলতা
যখন অনুমানগুলি অন্য কোনও পদ্ধতি দ্বারা বিবেচনা করা হয়, ফলাফলগুলিতে হ্রাস করা পরিবর্তনশীলতা পরিলক্ষিত হয়। এটি সর্বদা আদর্শ পরিস্থিতি নাও হতে পারে।
প্রাথমিক ব্যবহার
যখন সমস্ত উপাদান সহ একটি নমুনা ফ্রেম পাওয়া যায় না, কেবল ক্লাস্টার নমুনা ব্যবহার করা যেতে পারে।
অসুবিধেও
পক্ষপাতদুষ্ট নমুনা
যদি নমুনা জনগোষ্ঠীর মধ্যে পক্ষপাতদুষ্ট মতামত থাকে তবে এটি অনুসরণ করে যে পুরো জনগণের একই মত রয়েছে। এটি আসল ঘটনা নাও হতে পারে।
ভুল
একটি উচ্চতর নমুনা ত্রুটি আছে, যা তথাকথিত "ডিজাইন প্রভাব" এ প্রকাশ করা যেতে পারে।
অন্যান্য সম্ভাব্য পদ্ধতিগুলি এই পদ্ধতির চেয়ে কম ত্রুটি দেয়। এই কারণে এটি প্রাথমিকভাবে বাঞ্ছনীয় নয়।
উদাহরণ
ক্লাস্টার স্যাম্পলিং যুদ্ধ, দুর্ভিক্ষ এবং প্রাকৃতিক দুর্যোগের মতো ক্ষেত্রে উচ্চমাত্রার মৃত্যুর অনুমানের জন্য ব্যবহৃত হয়।
এক পর্যায়ে নমুনা
একটি এনজিও আশেপাশের পাঁচটি শহরে শিশুদের শিক্ষার ব্যবস্থা করার জন্য একটি নমুনা স্থাপন করতে চায়।
ওয়ান-স্টেজ ক্লাস্টার স্যাম্পলিংয়ের মাধ্যমে এনজিওগুলি শহরগুলিতে অশিক্ষিত শিশুদের সহায়তা প্রদানের জন্য এলোমেলোভাবে জনসংখ্যা (ক্লাস্টার) নির্বাচন করতে সক্ষম হবে।
দ্বি-পর্যায়ের নমুনা
একজন ব্যবসায়ের মালিক তার উদ্ভিদের পরিসংখ্যানগত পারফরম্যান্সটি সন্ধান করছেন যা আমেরিকার বিভিন্ন অঞ্চলে ছড়িয়ে রয়েছে।
উদ্ভিদের সংখ্যা, প্রতিটি প্লান্টে সম্পাদিত কাজ এবং উদ্ভিদ প্রতি কর্মচারীর সংখ্যা, এক পর্যায়ে নমুনা গ্রহণ করা সময় সাশ্রয়ী ব্যয়বহুল এবং ব্যয়বহুল হিসাবে বিবেচনা করবে।
সুতরাং, দুটি পর্যায়ে একটি নমুনা চালানোর সিদ্ধান্ত নেওয়া হয়েছে। গুচ্ছ তৈরির জন্য মালিক বিভিন্ন উদ্ভিদ থেকে শ্রমিকদের নমুনা তৈরি করে। তারপরে আপনি এগুলি অপারেটিং অবস্থায় একটি গাছের আকারে ভাগ করুন।
একটি দ্বি-পর্যায়ের ক্লাস্টার স্যাম্পলিং তৈরি হয়েছিল যাতে অন্যান্য ক্লাস্টার কৌশলগুলি, যেমন সাধারণ এলোমেলো নমুনা, গণনা শুরু করার জন্য প্রয়োগ করা হয়েছিল।
মাল্টি-স্টেজ স্যাম্পলিং
ভৌগলিক ক্লাস্টার স্যাম্পলিং সর্বাধিক বহুল প্রয়োগ করা কৌশল।
প্রতিটি ক্লাস্টার একটি ভৌগলিক অঞ্চল। যেহেতু ভৌগোলিকভাবে ছড়িয়ে পড়া জনগোষ্ঠীতে জরিপ পরিচালনা করা ব্যয়বহুল হতে পারে, তাই কোনও স্থানীয় অঞ্চলে বিভিন্ন উত্তরদাতাকে ক্লাস্টার করে সাধারণ এলোমেলো নমুনার চেয়ে বৃহত্তর অর্থনীতি অর্জন করা যায়।
সাধারণভাবে, অনুমানের সমতুল্য নির্ভুলতা অর্জনের জন্য মোট নমুনার আকার বাড়ানো প্রয়োজন, তবে ব্যয় সাশ্রয় করে নমুনা আকারের এমন বৃদ্ধি সম্ভব হতে পারে।
উদাহরণস্বরূপ, কোনও সংস্থা পুরো জার্মানি জুড়ে স্মার্টফোনের পারফরম্যান্স বিশ্লেষণের জন্য একটি সমীক্ষা চালানোর পরিকল্পনা করে।
আপনি পুরো দেশের জনসংখ্যাকে শহরগুলিতে (গুচ্ছ) বিভক্ত করতে পারেন এবং সর্বাধিক জনসংখ্যার শহরগুলিও নির্বাচন করতে পারেন। মোবাইল ডিভাইস ব্যবহার করে এমনগুলিও ফিল্টার করুন।
তথ্যসূত্র
- উইকিপিডিয়া, বিনামূল্যে এনসাইক্লোপিডিয়া (2019)। গুচ্ছের আদর্শ. নেওয়া হয়েছে: en.wikedia.org থেকে।
- স্ট্যাট ট্রেক (2019)। ক্লাস্টার স্যাম্পলিং কী? থেকে নেওয়া: স্ট্যাট্রিক ডটকম।
- অন্বেষণযোগ্য (2019)। গুচ্ছের আদর্শ. থেকে নেওয়া: exploable.com।
- আদি ভাট (2019)। ক্লাস্টার নমুনা: সংজ্ঞা, পদ্ধতি এবং উদাহরণ। প্রশ্ন প্রো।
- সিএফআই (2019)। গুচ্ছের আদর্শ. থেকে নেওয়া হয়েছে: কর্পোরেটফিনান্সিনস্টিটিউট.কম।