SAMPLING TECHNIQUES

जब आप लोगों के समूह के बारे में शोध करते हैं, तो उस समूह के प्रत्येक व्यक्ति से डेटा एकत्र करना शायद ही संभव हो। इसके बजाय, आप एक नमूना चुनें। नमूना व्यक्तियों का समूह है जो वास्तव में अनुसंधान में भाग लेंगे।

अपने परिणामों से वैध निष्कर्ष निकालने के लिए, आपको सावधानीपूर्वक निर्णय लेना होगा कि आप एक ऐसे नमूने का चयन कैसे करेंगे जो समग्र रूप से समूह का प्रतिनिधि हो। इसे प्रतिचयन विधि कहते हैं। आप अपने शोध में दो प्राथमिक प्रकार की नमूनाकरण विधियों का उपयोग कर सकते हैं:

 

संभाव्यता नमूनाकरण (Probability sampling) में यादृच्छिक चयन शामिल है, जिससे आप पूरे समूह के बारे में मजबूत सांख्यिकीय अनुमान लगा सकते हैं।

गैर-संभाव्यता नमूनाकरण(Non-probability sampling) में सुविधा या अन्य मानदंडों के आधार पर गैर-यादृच्छिक चयन शामिल है, जिससे आप आसानी से डेटा एकत्र कर सकते हैं।

आपको स्पष्ट रूप से समझाना चाहिए कि आपने अपने पेपर या थीसिस के कार्यप्रणाली अनुभाग में अपना नमूना कैसे चुना, साथ ही साथ आपने अपने काम में अनुसंधान पूर्वाग्रह को कम करने के लिए कैसे संपर्क किया।

 

जनसंख्या बनाम नमूना

सबसे पहले, आपको आबादी और नमूने के बीच के अंतर को समझने और अपने शोध की लक्षित आबादी की पहचान करने की आवश्यकता है।जनसंख्या वह संपूर्ण समूह है जिसके बारे में आप निष्कर्ष निकालना चाहते हैं।नमूना व्यक्तियों का विशिष्ट समूह है जिससे आप डेटा एकत्र करेंगे। जनसंख्या को भौगोलिक स्थिति, आयु, आय, या कई अन्य विशेषताओं के संदर्भ में परिभाषित किया जा सकता है।यह बहुत व्यापक या काफी संकीर्ण हो सकता है: शायद आप अपने देश की पूरी वयस्क आबादी के बारे में अनुमान लगाना चाहते हैं; हो सकता है कि आपका शोध किसी विशेष कंपनी के ग्राहकों, किसी विशिष्ट स्वास्थ्य स्थिति वाले रोगियों, या किसी एक स्कूल के छात्रों पर केंद्रित हो।अपनी परियोजना के उद्देश्य और व्यावहारिकताओं के अनुसार अपनी लक्षित आबादी को सावधानीपूर्वक परिभाषित करना महत्वपूर्ण है।यदि जनसंख्या बहुत बड़ी है, भौगोलिक रूप से मिश्रित है, और भौगोलिक रूप से बिखरी हुई है, तो प्रतिनिधि नमूने तक पहुँच प्राप्त करना कठिन हो सकता है। एक प्रतिनिधि नमूने की कमी आपके परिणामों की वैधता को प्रभावित करती है, और कई अनुसंधान पूर्वाग्रहों को जन्म दे सकती है, विशेष रूप से नमूनाकरण पूर्वाग्रह।

नमूना चयन ढांचा

नमूनाकरण फ्रेम उन व्यक्तियों की वास्तविक सूची है जिनसे नमूना लिया जाएगा। आदर्श रूप से, इसमें पूरी लक्षित आबादी शामिल होनी चाहिए (और कोई भी जो उस आबादी का हिस्सा नहीं है)।

उदाहरण: नमूना फ्रेम

आप सोशल मीडिया मार्केटिंग कंपनी में काम करने की स्थिति पर शोध कर रहे हैं। आपकी जनसंख्या कंपनी के सभी 1000 कर्मचारियों की है। आपका सैंपलिंग फ्रेम कंपनी का एचआर डेटाबेस है, जिसमें हर कर्मचारी के नाम और संपर्क विवरण सूचीबद्ध हैं।

नमूने का आकार

आपको अपने नमूने में कितने व्यक्तियों को शामिल करना चाहिए, यह विभिन्न कारकों पर निर्भर करता है, जिसमें जनसंख्या का आकार और परिवर्तनशीलता और आपके शोध डिजाइन शामिल हैं। सांख्यिकीय विश्लेषण के साथ आप जो हासिल करना चाहते हैं, उसके आधार पर विभिन्न नमूना आकार कैलकुलेटर और सूत्र हैं।

संभाव्यता नमूनाकरण के तरीके

संभाव्यता नमूनाकरण का अर्थ है कि जनसंख्या के प्रत्येक सदस्य के पास चुने जाने का अवसर है। यह मुख्य रूप से मात्रात्मक अनुसंधान में प्रयोग किया जाता है। यदि आप ऐसे परिणाम उत्पन्न करना चाहते हैं जो संपूर्ण जनसंख्या के प्रतिनिधि हों, तो प्रायिकता प्रतिचयन तकनीक सबसे वैध विकल्प है।संभाव्यता नमूने के चार मुख्य प्रकार हैं।

1. सरल यादृच्छिक नमूनाकरण

एक साधारण यादृच्छिक नमूने में, जनसंख्या के प्रत्येक सदस्य के चुने जाने की समान संभावना होती है। आपके नमूने के ढाँचे में         पूरी आबादी शामिल होनी चाहिए।इस प्रकार के नमूने लेने के लिए, आप यादृच्छिक संख्या जनरेटर या अन्य तकनीकों जैसे               उपकरणों का उपयोग कर सकते हैं जो पूरी तरह से मौके पर आधारित हैं।

     उदाहरण: सरल यादृच्छिक प्रतिचयन

आप सोशल मीडिया मार्केटिंग कंपनी के 1000 कर्मचारियों का एक साधारण यादृच्छिक नमूना चुनना चाहते हैं। आप कंपनी            डेटाबेस में प्रत्येक कर्मचारी को 1 से 1000 तक एक नंबर निर्दिष्ट करते हैं, और 100 नंबरों का चयन करने के लिए एक                  यादृच्छिक संख्या जनरेटर का उपयोग करते हैं।

2. व्यवस्थित नमूना

   व्यवस्थित प्रतिचयन साधारण यादृच्छिक प्रतिचयन के समान है, लेकिन आमतौर पर इसे संचालित करना थोड़ा आसान होता है। जनसंख्या के प्रत्येक सदस्य को एक संख्या के साथ सूचीबद्ध किया जाता है, लेकिन बेतरतीब ढंग से संख्या उत्पन्न करने के बजाय, व्यक्तियों को नियमित अंतराल पर चुना जाता है।

   उदाहरण: व्यवस्थित नमूनाकरण

   कंपनी के सभी कर्मचारियों को वर्णानुक्रम में सूचीबद्ध किया गया है। पहले 10 नंबरों से, आप बेतरतीब ढंग से एक शुरुआती बिंदु का चयन करते हैं: नंबर 6। नंबर 6 से आगे, सूची में प्रत्येक 10 वें व्यक्ति का चयन किया जाता है (6, 16, 26, 36, और इसी तरह), और आप एक नमूने के साथ समाप्त होते हैं 100 लोगों का।

   यदि आप इस तकनीक का उपयोग करते हैं, तो यह सुनिश्चित करना महत्वपूर्ण है कि सूची में कोई छिपा हुआ पैटर्न नहीं है जो नमूना को तिरछा कर सकता है। उदाहरण के लिए, यदि एचआर डेटाबेस कर्मचारियों को टीम द्वारा समूहित करता है, और टीम के सदस्यों को वरिष्ठता के क्रम में सूचीबद्ध किया जाता है, तो एक जोखिम है कि आपका अंतराल कनिष्ठ भूमिकाओं में लोगों को छोड़ सकता है, जिसके परिणामस्वरूप एक नमूना वरिष्ठ कर्मचारियों की ओर तिरछा हो जाता है।

   3. स्तरीकृत नमूनाकरण

   स्तरीकृत नमूनाकरण में जनसंख्या को उप-जनसंख्या में विभाजित करना शामिल है जो महत्वपूर्ण तरीकों से भिन्न हो सकते हैं। यह आपको यह सुनिश्चित करके अधिक सटीक निष्कर्ष निकालने की अनुमति देता है कि प्रत्येक उपसमूह को नमूने में ठीक से दर्शाया गया है।इस नमूनाकरण पद्धति का उपयोग करने के लिए, आप प्रासंगिक विशेषता (जैसे, लिंग पहचान, आयु सीमा, आय वर्ग, नौकरी की भूमिका) के आधार पर जनसंख्या को उपसमूहों (स्तर कहा जाता है) में विभाजित करते हैं।जनसंख्या के समग्र अनुपात के आधार पर, आप गणना करते हैं कि प्रत्येक उपसमूह से कितने लोगों का नमूना लिया जाना चाहिए। फिर आप प्रत्येक उपसमूह से नमूने का चयन करने के लिए यादृच्छिक या व्यवस्थित नमूनाकरण का उपयोग करते हैं।

   उदाहरण: स्तरीकृत नमूनाकरण

   कंपनी में 800 महिला कर्मचारी और 200 पुरुष कर्मचारी हैं। आप यह सुनिश्चित करना चाहते हैं कि नमूना कंपनी के लिंग संतुलन को दर्शाता है, इसलिए आप जनसंख्या को लिंग के आधार पर दो स्तरों में क्रमबद्ध करते हैं। फिर आप प्रत्येक समूह पर यादृच्छिक नमूनाकरण का उपयोग करते हैं, जिसमें 80 महिलाओं और 20 पुरुषों का चयन किया जाता है, जो आपको 100 लोगों का प्रतिनिधि नमूना देता है।

   4. क्लस्टर नमूनाकरण

   क्लस्टर नमूनाकरण में जनसंख्या को उपसमूहों में विभाजित करना भी शामिल है, लेकिन प्रत्येक उपसमूह में पूरे नमूने के समान गुण होने चाहिए। प्रत्येक उपसमूह से व्यक्तियों का नमूना लेने के बजाय, आप बेतरतीब ढंग से पूरे उपसमूहों का चयन करते हैं।

    

   यदि यह व्यावहारिक रूप से संभव है, तो आप प्रत्येक नमूना समूह से प्रत्येक व्यक्ति को शामिल कर सकते हैं। यदि क्लस्टर स्वयं बड़े हैं, तो आप उपरोक्त तकनीकों में से किसी एक का उपयोग करके प्रत्येक क्लस्टर के भीतर से व्यक्तियों का नमूना भी ले सकते हैं। इसे मल्टीस्टेज सैंपलिंग कहा जाता है।यह विधि बड़ी और बिखरी हुई आबादी से निपटने के लिए अच्छी है, लेकिन नमूने में त्रुटि का अधिक जोखिम होता है, क्योंकि समूहों के बीच पर्याप्त अंतर हो सकता है। यह गारंटी देना मुश्किल है कि सैंपल किए गए क्लस्टर वास्तव में पूरी आबादी के प्रतिनिधि हैं।

   उदाहरण: क्लस्टर नमूनाकरण

   कंपनी के देश भर के 10 शहरों में कार्यालय हैं (सभी लगभग समान भूमिकाओं में कर्मचारियों की समान संख्या के साथ)। आपके पास अपना डेटा एकत्र करने के लिए प्रत्येक कार्यालय की यात्रा करने की क्षमता नहीं है, इसलिए आप 3 कार्यालयों का चयन करने के लिए यादृच्छिक नमूनाकरण का उपयोग करते हैं – ये आपके क्लस्टर हैं।

   गैर-संभाव्यता नमूना लेने के तरीके

   एक गैर-संभाव्यता नमूने में, व्यक्तियों को गैर-यादृच्छिक मानदंडों के आधार पर चुना जाता है, और प्रत्येक व्यक्ति को शामिल होने का मौका नहीं मिलता है।इस प्रकार के नमूने तक पहुंचना आसान और सस्ता है, लेकिन इसमें नमूनाकरण पूर्वाग्रह का जोखिम अधिक होता है। इसका मतलब है कि आप जनसंख्या के बारे में जो अनुमान लगा सकते हैं, वह प्रायिकता नमूनों की तुलना में कमजोर है, और आपके निष्कर्ष अधिक सीमित हो सकते हैं। यदि आप एक गैर-संभाव्यता नमूने का उपयोग करते हैं, तो आपको इसे यथासंभव जनसंख्या के प्रतिनिधि के रूप में बनाने का लक्ष्य रखना चाहिए।गैर-संभाव्यता नमूनाकरण तकनीकों का उपयोग अक्सर खोजपूर्ण और गुणात्मक शोध में किया जाता है। इस प्रकार के शोध में, उद्देश्य व्यापक आबादी के बारे में परिकल्पना का परीक्षण करना नहीं है, बल्कि एक छोटी या कम शोध वाली आबादी की प्रारंभिक समझ विकसित करना है।

   1. सुविधा नमूनाकरण

   एक सुविधा नमूने में केवल वे व्यक्ति शामिल होते हैं जो शोधकर्ता के लिए सबसे अधिक सुलभ होते हैं।प्रारंभिक डेटा एकत्र करने का यह एक आसान और सस्ता तरीका है, लेकिन यह बताने का कोई तरीका नहीं है कि क्या नमूना जनसंख्या का प्रतिनिधि है, इसलिए यह सामान्य परिणाम नहीं दे सकता है। नमूनाकरण पूर्वाग्रह और चयन पूर्वाग्रह दोनों के लिए सुविधा नमूने जोखिम में हैं।

    

   उदाहरण: सुविधा नमूनाकरण

   आप अपने विश्वविद्यालय में छात्र सहायता सेवाओं के बारे में राय पर शोध कर रहे हैं, इसलिए अपनी प्रत्येक कक्षा के बाद, आप अपने साथी छात्रों से इस विषय पर एक सर्वेक्षण पूरा करने के लिए कहते हैं। यह डेटा एकत्र करने का एक सुविधाजनक तरीका है, लेकिन जैसा कि आपने केवल उन्हीं कक्षाओं में भाग लेने वाले छात्रों का सर्वेक्षण किया है, जो आप समान स्तर पर ले रहे हैं, नमूना आपके विश्वविद्यालय के सभी छात्रों का प्रतिनिधि नहीं है।

   2. स्वैच्छिक प्रतिक्रिया नमूनाकरण

   सुविधा नमूने के समान, स्वैच्छिक प्रतिक्रिया नमूना मुख्य रूप से पहुंच में आसानी पर आधारित होता है। शोधकर्ता द्वारा प्रतिभागियों को चुनने और उनसे सीधे संपर्क करने के बजाय, लोग स्वयं स्वयंसेवा करते हैं (उदाहरण के लिए सार्वजनिक ऑनलाइन सर्वेक्षण का जवाब देकर)।स्वैच्छिक प्रतिक्रिया के नमूने हमेशा कम से कम कुछ हद तक पक्षपाती होते हैं, क्योंकि कुछ लोग स्वाभाविक रूप से दूसरों की तुलना में स्वयंसेवक होने की अधिक संभावना रखते हैं, जिससे स्व-चयन पूर्वाग्रह होता है।

   उदाहरण: स्वैच्छिक प्रतिक्रिया नमूनाकरण

   आप अपने विश्वविद्यालय के सभी छात्रों को सर्वेक्षण भेजते हैं और बहुत से छात्र इसे पूरा करने का निर्णय लेते हैं। यह निश्चित रूप से आपको विषय में कुछ अंतर्दृष्टि प्रदान कर सकता है, लेकिन प्रतिक्रिया देने वाले लोगों की छात्र सहायता सेवाओं के बारे में मजबूत राय रखने वाले लोगों के होने की अधिक संभावना है, इसलिए आप सुनिश्चित नहीं हो सकते कि उनकी राय सभी छात्रों के प्रतिनिधि हैं।

   3. उद्देश्यपूर्ण नमूनाकरण

   इस प्रकार के नमूने, जिसे निर्णय नमूनाकरण के रूप में भी जाना जाता है, में शोधकर्ता को अपनी विशेषज्ञता का उपयोग करके एक नमूने का चयन करना शामिल है जो अनुसंधान के उद्देश्यों के लिए सबसे उपयोगी है।यह अक्सर गुणात्मक शोध में प्रयोग किया जाता है, जहां शोधकर्ता सांख्यिकीय अनुमान लगाने के बजाय किसी विशिष्ट घटना के बारे में विस्तृत ज्ञान प्राप्त करना चाहता है, या जहां जनसंख्या बहुत कम और विशिष्ट है। एक प्रभावी उद्देश्यपूर्ण नमूने में शामिल करने के लिए स्पष्ट मानदंड और तर्क होना चाहिए। हमेशा अपने समावेशन और बहिष्करण मानदंड का वर्णन करना सुनिश्चित करें और अपने तर्कों को प्रभावित करने वाले पर्यवेक्षक पूर्वाग्रह से सावधान रहें।

    

   उदाहरण: उद्देश्यपूर्ण नमूनाकरण

   आप अपने विश्वविद्यालय में विकलांग छात्रों के विचारों और अनुभवों के बारे में अधिक जानना चाहते हैं, इसलिए आप छात्र सेवाओं के साथ उनके अनुभवों पर डेटा की एक विविध श्रेणी एकत्र करने के लिए उद्देश्यपूर्ण ढंग से विभिन्न समर्थन आवश्यकताओं वाले कई छात्रों का चयन करते हैं।

   4. स्नोबॉल नमूनाकरण

   यदि जनसंख्या का उपयोग करना कठिन है, तो अन्य प्रतिभागियों के माध्यम से प्रतिभागियों को भर्ती करने के लिए स्नोबॉल नमूनाकरण का उपयोग किया जा सकता है। जैसे-जैसे आप और लोगों के संपर्क में आते हैं, वैसे-वैसे आपके पास “स्नोबॉल” तक पहुंचने वाले लोगों की संख्या बढ़ जाती है। यहां नकारात्मक पक्ष भी प्रतिनिधित्व है, क्योंकि आपके पास यह जानने का कोई तरीका नहीं है कि दूसरों को भर्ती करने वाले प्रतिभागियों पर निर्भरता के कारण आपका नमूना कितना प्रतिनिधि है। इससे नमूनाकरण पूर्वाग्रह हो सकता है।

    

   उदाहरण: स्नोबॉल नमूनाकरण

   आप अपने शहर में बेघर होने के अनुभवों पर शोध कर रहे हैं। चूंकि शहर में सभी बेघर लोगों की कोई सूची नहीं है, संभाव्यता नमूनाकरण संभव नहीं है। आप एक व्यक्ति से मिलते हैं जो अनुसंधान में भाग लेने के लिए सहमत होता है, और वह आपको अन्य बेघर लोगों के संपर्क में रखती है जिन्हें वह क्षेत्र में जानती है।

   5. कोटा नमूनाकरण

   कोटा नमूनाकरण एक पूर्व निर्धारित संख्या या इकाइयों के अनुपात के गैर-यादृच्छिक चयन पर निर्भर करता है। इसे कोटा कहा जाता है।आप पहले जनसंख्या को पारस्परिक रूप से अनन्य उपसमूहों (स्तर कहा जाता है) में विभाजित करते हैं और तब तक नमूना इकाइयों की भर्ती करते हैं जब तक कि आप अपने कोटा तक नहीं पहुंच जाते। ये इकाइयाँ विशिष्ट विशेषताओं को साझा करती हैं, जो आपके स्तर के निर्माण से पहले आपके द्वारा निर्धारित की जाती हैं। कोटा नमूनाकरण का उद्देश्य यह नियंत्रित करना है कि आपका नमूना क्या है या कौन बनाता है।

    

    

   उदाहरण: कोटा नमूनाकरण

   आप बोस्टन में एक नई उत्पाद वितरण सेवा में उपभोक्ता रुचि का आकलन करना चाहते हैं, जो आहार संबंधी प्राथमिकताओं पर केंद्रित है। आप आबादी को मांस खाने वालों, शाकाहारियों और शाकाहारियों में विभाजित करते हैं, 1000 लोगों का नमूना लेते हैं। चूंकि कंपनी सभी उपभोक्ताओं को पूरा करना चाहती है, इसलिए आप प्रत्येक आहार समूह के लिए 200 लोगों का कोटा निर्धारित करते हैं। इस तरह, आपके शोध में सभी आहार वरीयताओं का समान रूप से प्रतिनिधित्व किया जाता है, और आप आसानी से इन समूहों की तुलना कर सकते हैं। आप तब तक भर्ती करना जारी रखते हैं जब तक आप प्रत्येक उपसमूह के लिए 200 प्रतिभागियों के कोटा तक नहीं पहुँच जाते।