نمونه‌گیری و بازنمونه‌گیری

نمونه‌گیری

روش نمونه‌گیری فرآیندی است که به کمک آن زیرمجموعه‌ای از جامعه آماری تهیه می‌شود. این کار به‌منظور شناخت یا برآورد پارامترهای جامعه آماری صورت می‌گیرد. قبل از تهیه نمونه از جامعه آماری بهتر است به نکات زیر توجه شود:  

·         هدف نمونه‌گیری

برآورد خصوصیات جامعه آماری بر اساس نمونه

·         جامعه آماری

نشان دادن دامنه و حوزه‌ای بررسی موضوع تحقیق

·         تعیین محدودیت

تعیین معیاری برای انتخاب اعضای جامعه آماری در نمونه

·         حجم نمونه

تعداد اعضای انتخابی از جامعه آماری در نمونه

بازنمونه‌گیری

با استفاده از نمونه آماری برآورد پارامتر جامعه امکان‌پذیر است. ولی این برآورد بر اساس یک نمونه تصادفی حاصل‌شده است و دقت آن اندازه‌گیری است یک روش برای مشخص کردن دقت برآورد، بازنمونه‌گیری و برآورد پارامتر است. به‌این‌ترتیب چندین برآورد بر اساس هر نمونه تولیدشده درروش بازنمونه‌گیری حاصل می‌شود و می‌توان واریانس یا دقت این برآوردها را محاسبه کرد. در حقیقت بازنمونه‌گیری روشی مقرون‌به‌صرفه با استفاده از یک نمونه برای محاسبه دقت برآوردهای حاصل‌شده است.

روش‌های بازنمونه‌گیری ساده بوده و احتیاج به محاسبات طولانی ندارند؛ که عبارت هستند از:

·         روش جک‌نایف[7]

از یک نمونه با حجم n چندین نمونه با استفاده از حذف یک‌به‌یک عناصر تولیدشده و برآوردیابی انجام می‌شود. میانگین برآوردهای تولیدشده می‌تواند به‌عنوان برآورد جدید معرفی‌شده و خطای آن محاسبه شود.

·         بوت‌استرپ[8]

از یک نمونه با حجم n چندین نمونه با جایگذاری تهیه می‌شود. از این نمونه‌ها به‌عنوان مجموعه داده آموزشی[9] استفاده‌شده و برآورد پارامتر جامعه انجام می‌شود. از مابقی اعضایی که در بازنمونه‌گیری به کار نرفته‌اند به‌عنوان مجموعه داده‌های آزمایشی[10]استفاده می‌شود.

·         اعتبار سنجی متقابل[11]

در این روش نمونه با حجم n به k زیر نمونه تقسیم‌شده به‌طوری‌که در هر بار برآورد پارامتر یکی از این زیر نمونه‌ها به‌عنوان داده آموزشی و مابقی به‌عنوان داده‌های آزمایشی به کار می‌روند. این روش امروزه برای ارزیابی مدل‌های پیش‌بینی به کمک آموزش ماشین به کار گرفته می‌شود.

اعتبار سنجی متقابل با ۵ لایه

---

[1] Bias

[2] Sampling Error

[3] Simple Random Sampling

[4] Systematic Random Sampling

[5] Stratified Random Sampling

[6] Clustering Sampling

[7] Jackknife

[8] Bootstrap

[9] Learning Data

[10] Test Data

[11] K-fold Cross-validation