Campionamento non probabilistico - Nonprobability sampling

Il campionamento è l'uso di un sottoinsieme della popolazione per rappresentare l'intera popolazione o per informare sui processi (sociali) che sono significativi al di là dei casi particolari, individui o siti studiati. Il campionamento probabilistico, o campionamento casuale , è una tecnica di campionamento in cui è possibile calcolare la probabilità di ottenere un determinato campione. Il campionamento non probabilistico non soddisfa questo criterio. Le tecniche di campionamento non probabilistico non sono destinate ad essere utilizzate per inferire dal campione alla popolazione generale in termini statistici. Invece, per esempio, una teoria fondata può essere prodotta attraverso il campionamento iterativo della non probabilità fino a raggiungere la saturazione teorica (Strauss e Corbin, 1990).

Pertanto, non si può dire lo stesso sulla base di un campione di non probabilità che sulla base di un campione di probabilità. I motivi per trarre generalizzazioni (ad esempio, proporre nuova teoria, proporre politiche) da studi basati su campioni di non probabilità si basano sulla nozione di "saturazione teorica" ​​e "generalizzazione analitica" (Yin, 2014) invece che sulla generalizzazione statistica.

I ricercatori che lavorano con la nozione di campionamento intenzionale affermano che mentre i metodi probabilistici sono adatti per studi su larga scala relativi alla rappresentatività, gli approcci non probabilistici sono più adatti per ricerche qualitative approfondite in cui l'attenzione è spesso alla comprensione di fenomeni sociali complessi (ad esempio, Marshall 1996; Small 2009). Uno dei vantaggi del campionamento non probabilistico è il suo costo inferiore rispetto al campionamento probabilistico. Inoltre, l'analisi approfondita di un campione finalizzato di piccole dimensioni o di un caso di studio consente la "scoperta" e l'identificazione di modelli e meccanismi causali che non disegnano ipotesi prive di contesto e tempo.

Il campionamento della non probabilità spesso non è appropriato nella ricerca statistica quantitativa, tuttavia, poiché queste affermazioni sollevano alcune domande: come si può comprendere un fenomeno sociale complesso prendendo in considerazione solo le espressioni più convenienti di quel fenomeno? Quale presupposto sull'omogeneità nel mondo si deve fare per giustificare tali affermazioni? Purtroppo, la considerazione che la ricerca può essere basata solo sull'inferenza statistica si concentra sui problemi di bias legati al campionamento della non probabilità e riconosce solo una situazione in cui un campione di non probabilità può essere appropriato - se si è interessati solo ai casi specifici studiati (ad esempio , se si è interessati alla battaglia di Gettysburg), non è necessario trarre un campione di probabilità da casi simili (Lucas 2014a).

Il campionamento della non probabilità è tuttavia ampiamente utilizzato nella ricerca qualitativa. Esempi di campionamento non probabilistico includono:

  • Praticità, campionamento casuale o accidentale : i membri della popolazione vengono scelti in base alla loro relativa facilità di accesso. Per campionare amici, colleghi o acquirenti in un singolo centro commerciale, sono tutti esempi di campionamento di convenienza. Tali campioni sono di parte perché i ricercatori possono avvicinarsi inconsciamente ad alcuni tipi di intervistati ed evitarne altri (Lucas 2014a), e gli intervistati che si offrono volontari per uno studio possono differire in modi sconosciuti ma importanti dagli altri (Wiederman 1999).
  • Il campionamento consecutivo , noto anche come campionamento enumerativo totale , è una tecnica di campionamento in cui viene selezionato ogni soggetto che soddisfa i criteri di inclusione fino a raggiungere la dimensione del campione richiesta.
  • Campionamento palla di neve - Il primo intervistato fa riferimento a un conoscente. L'amico si riferisce anche a un amico e così via. Tali campioni sono di parte perché danno alle persone con più connessioni sociali una possibilità di selezione sconosciuta ma più alta (Berg 2006), ma portano a tassi di risposta più elevati.
  • Campionamento giudicante o campionamento intenzionale - Il ricercatore sceglie il campione in base a chi pensa sarebbe appropriato per lo studio. Viene utilizzato principalmente quando c'è un numero limitato di persone che hanno esperienza nell'area oggetto di ricerca o quando l'interesse della ricerca è su un campo specifico o un piccolo gruppo. Diversi tipi di campionamento intenzionale includono:
    • Caso deviante - Il ricercatore ottiene casi che differiscono sostanzialmente dal modello dominante (un tipo speciale di campione intenzionale). Il caso viene selezionato per ottenere informazioni su casi insoliti che possono essere particolarmente problematici o particolarmente buoni.
    • Case study - La ricerca è limitata a un gruppo, spesso con caratteristiche simili o di piccole dimensioni.
    • Quote ad hoc - Viene stabilita una quota (ad es. 65% di donne) ei ricercatori sono liberi di scegliere qualsiasi rispondente che desiderano purché la quota sia raggiunta.

Il campionamento di non probabilità non dovrebbe mirare a ottenere gli stessi tipi di risultati o essere tenuto agli stessi standard di qualità di quelli del campionamento di probabilità (Steinke, 2004).

Gli studi destinati a utilizzare il campionamento probabilistico a volte finiscono per utilizzare campioni non probabilistici a causa delle caratteristiche del metodo di campionamento. Ad esempio, utilizzare un campione di persone nella forza lavoro retribuita per analizzare l'effetto dell'istruzione sui guadagni significa utilizzare un campione non probabilistico di persone che potrebbero essere nella forza lavoro retribuita. Poiché l'istruzione che le persone ottengono potrebbe determinare la loro probabilità di essere nella forza lavoro retribuita, il campione della forza lavoro retribuita è un campione non probabilistico per la questione in questione. In questi casi i risultati sono distorti.

Il modello statistico utilizzato può anche rendere i dati un campione non probabilistico. Ad esempio, Lucas (2014b) osserva che diversi studi pubblicati che utilizzano modelli multilivello si sono basati su campioni che sono campioni probabilistici in generale, ma campioni non probabilistici per uno o più livelli di analisi nello studio. Le prove indicano che in questi casi il bias è mal comportato, in modo tale che le inferenze da tali analisi sono ingiustificate.

Questi problemi si verificano nella letteratura accademica, ma possono essere più comuni nella ricerca non accademica. Ad esempio, nei sondaggi di opinione pubblica da parte di aziende private (o altre organizzazioni che non sono in grado di richiedere una risposta), il campione può essere auto-selezionato piuttosto che casuale. Questo spesso introduce un tipo importante di errore, il bias di auto-selezione , in cui la disponibilità di un potenziale partecipante a fare volontariato per il campione può essere determinata da caratteristiche come la sottomissione o la disponibilità. I campioni in tali indagini dovrebbero essere trattati come campioni non probabili della popolazione e la validità dei risultati basati su di essi è sconosciuta e non può essere stabilita.

Guarda anche

Riferimenti