Articles

Sněhové koule

Snowball sampling (známé také jako řetězec-referral sampling) je non-pravděpodobnost (náhodný) výběr vzorku použita metoda, kdy se proměnné, které se budou posedlý vzorky jsou vzácné a těžké najít. Například, pokud studujete úroveň spokojenosti zákazníků mezi elitním golfovým klubem Nirvana Bali na Bali, bude pro vás stále obtížnější najít primární zdroje dat, pokud vám člen nebude ochoten poskytnout kontakty ostatních členů.

Tato metoda odběru vzorků zahrnuje primární zdroje dat nominovat další potenciální primární zdroje dat mají být použity ve výzkumu. Jinými slovy, metoda vzorkování sněhové koule je založena na doporučeních od počátečních subjektů k vytvoření dalších subjektů. Proto se při použití této metody odběru vzorků přijímají členové skupiny vzorků prostřednictvím doporučení řetězce.

také snowball sampling je nejoblíbenější v obchodních studiích zaměřených na konkrétní společnost, které zahrnují primární sběr dat od zaměstnanců této společnosti. Jakmile máte kontaktní údaje jednoho zaměstnance, může vám pomoci při náboru dalších zaměstnanců do studie poskytnutím kontaktních údajů.

existují následující tři vzory vzorkování sněhové koule:

1. Lineární vzorkování sněhové koule. Vytvoření skupiny vzorků začíná pouze jedním subjektem a subjekt poskytuje pouze jedno doporučení. Doporučení je přijato do vzorové skupiny a poskytuje také pouze jedno nové doporučení. Tento vzor pokračuje až do úplného vytvoření skupiny vzorků.

2. Exponential non-discriminative snowball sampling. The first subject recruited to the sample group provides multiple referrals. Each new referral is explored until primary data from sufficient amount of samples are collected.

3. Exponential discriminative snowball sampling. Subjekty poskytují více doporučení, mezi nimi je však přijat pouze jeden nový subjekt. Výběr nového předmětu se řídí cílem a cíli studie.

Aplikace Snowball Sampling: Příklad

Aplikace snowball sampling zahrnuje následující fáze:

  1. Navázat kontakt s jedním nebo dvěma počátečními stavy ze vzorků rámu. Tato fáze je obvykle nejtěžší.
  2. Žádost počáteční případech identifikovat více případech
  3. Zeptejte se nových případů určit další případy (a tak dále)
  4. kdy:
  5. a) předem zadanou velikost vzorku byla dokončena;
  6. b) neexistují žádné další případy vlevo;
  7. c) Pokračování v dalších případech bude projekt neovladatelný kvůli velikosti.

pokud používáte dotazník jako primární metodu sběru dat, můžete efektivně aplikovat vzorkování sněhové koule pomocí e-mailů. Konkrétně, tělo e-mailu žádající vzorku členy skupiny k účasti v průzkumu může obsahovat větu podél následující řádky:

byl bych velmi vděčný, kdyby mi mohl poskytnout e-mailové adresy ostatních zaměstnanců ve vašem oddělení/manažery, kteří jsou známé pro praxi demokratický styl vedení/další lidé, kteří si koupili stejný produkt v/etc. kdo by se také mohl zúčastnit tohoto průzkumu.

Výhody sněhové koule

  1. schopnost přijímat skryté populace
  2. možnost sbírat primární data v nákladově efektivním způsobem
  3. Studie s sněhové koule může být dokončena v krátké trvání času
  4. Velmi málo plánování je nutné začít sběr primárních dat procesu

Nevýhody Snowball Sampling

  1. Převzorkování konkrétní sítě vrstevníků může vést zaujatost
  2. Respondenti se může zdráhat poskytnout jména kolegů a požádal je, aby dělat, a tak může zvyšovat etické otázky
  3. Neexistuje žádná záruka, o reprezentativnosti vzorků. Není možné určit skutečný vzorec distribuce populace.
  4. není možné stanovit výběrovou chybu a udělat statistické závěry ze vzorku populace vzhledem k neexistenci náhodného výběru vzorků,

Můj e-book, The Ultimate Průvodce k Psaní Disertační práce v Business Studies: krok za krokem obsahuje podrobné, přesto jednoduché vysvětlení metody odběru vzorků. E-kniha vysvětluje všechny fáze výzkumného procesu od výběru oblasti výzkumu až po psaní osobní reflexe. Důležité prvky disertačních prací, jako je výzkumná filozofie, výzkumný přístup, návrh výzkumu, metody sběru dat a analýza dat, jsou v této e-knize vysvětleny jednoduchými slovy.

John Dudovskiy