Stichprobenfehler verstehen: Warum Ihre Statistiken niemals perfekt sind

Statistiken basieren auf einer einfachen Prämisse: Man kann nicht alles messen, also misst man einen Teil davon. Sie nehmen eine Probe. Sie berechnen einen Durchschnitt. Sie behaupten, es sei das Ganze. Aber hier ist der Haken. Dieser Durchschnitt ist nie genau richtig.

Der Unterschied zwischen der Schätzung Ihrer Stichprobe und dem wahren Populationsparameter wird Stichprobenfehler genannt. Es ist die Kluft zwischen dem, was Sie zu wissen glauben, und dem, was tatsächlich wahr ist. Diese Lücke besteht, weil eine Stichprobe nur einen Bruchteil der Bevölkerung ausmacht. Es ist nicht der ganze Kuchen. Es ist eine Scheibe. Und selten passen Scheiben perfekt zum Ganzen.

Warum ein Stichprobenfehler auftritt

Stellen Sie sich ein Gymnasium mit 1.000 Schülern vor. Wenn Sie nur zehn Schüler nach ihrem Lieblingsessen fragen, wird Ihr Ergebnis wahrscheinlich verzerrt sein. Vielleicht lieben diese zehn Studenten Pizza. Die ganze Schule könnte Salate bevorzugen. Die Diskrepanz zwischen der „Pizzapräferenz“ Ihrer Umfrage und der tatsächlichen Präferenz der Schule ist ein Stichprobenfehler.

Es ist kein Fehler. Es ist kein Fehler. Es ist eine mathematische Unvermeidlichkeit. Jedes Mal, wenn Sie einen Parameter anhand einer Teilmenge von Daten schätzen, tritt ein Stichprobenfehler auf. Es verschwindet nur dann, wenn Sie die gesamte Bevölkerung messen. Bei einer Volkszählung gibt es keinen Stichprobenfehler, da jeder einzelne Datenpunkt einbezogen wird. Wenn man alle mit einbezieht, ist die Schätzung die Wahrheit.

Aber wir haben selten die Zeit oder das Geld, Millionen von Menschen zu zählen. Also probieren wir. Und wir leben mit dem Fehler.

Was macht den Stichprobenfehler größer oder kleiner?

Nicht alle Stichprobenfehler sind gleich. Einige Studien sind strenger als andere. Mehrere Faktoren bestimmen die Größe dieser Lücke.

Probengröße
Dies ist der intuitivste Faktor. Es besteht ein umgekehrter Zusammenhang zwischen Stichprobengröße und Stichprobenfehler. Eine größere Stichprobe führt zu einem kleineren Fehler. Wenn Sie 1.000 statt 10 Personen befragen, liegt Ihre Schätzung näher am wahren Bevölkerungsmittelwert. Wenn sich die Stichprobengröße der Gesamtpopulationsgröße nähert, geht der Standardfehler gegen Null. Es erreicht nie ganz den Nullpunkt, es sei denn, man hat die gesamte Bevölkerung.

Populationsvariabilität
Wenn jeder in einer Grundgesamtheit den gleichen Wert hat, ist eine Stichprobe beliebiger Größe perfekt. Es liegt kein Fehler vor. Aber reale Populationen sind chaotisch. Sie variieren. Je variabler die Grundgesamtheitswerte sind, desto wahrscheinlicher ist es, dass Ihre Stichprobe nicht repräsentativ ist. Eine hohe Variabilität bedeutet einen höheren Stichprobenfehler.

Wie Sampling-Methoden das Spiel verändern

Es kommt darauf an, wie Sie Ihre Probe auswählen. Die Methode selbst kann den Fehler verstärken oder verringern.

Eine geschichtete Probenahme kann helfen. Diese Methode unterteilt die Bevölkerung in homogene Untergruppen (Schichten) und Stichproben aus jeder. Wenn Sie die Meinungen in einem Land repräsentieren möchten, können Sie nach Alter oder Region stratifizieren. Indem Sie sicherstellen, dass jede Untergruppe vertreten ist, reduzieren Sie die Auswirkungen hoher Variabilität. Dies führt zu einem verringerten Stichprobenfehler.

Cluster-Sampling ist anders. Hier unterteilen Sie die Bevölkerung in Cluster (z. B. Stadtblöcke) und wählen nach dem Zufallsprinzip ganze Cluster zur Untersuchung aus. Das ist günstiger und einfacher. Dies kann jedoch zu größeren Stichprobenfehlern führen. Warum? Weil die Cluster die Vielfalt der Bevölkerung möglicherweise nicht gleichmäßig abdecken. Möglicherweise wählen Sie Cluster aus, die einander zu ähnlich sind. Die Stichprobe wird weniger repräsentativ. Der Fehler wächst.

Messung der Unsicherheit

Wie quantifizieren wir diese Lücke? Wir verwenden Standardfehler.

Der Standardfehler ist ein Maß dafür, wie weit eine Schätzung voraussichtlich vom wahren Parameter abweichen wird. Sie ist analog zur Standardabweichung aller möglichen Stichproben. Um eine Schätzung des Standardfehlers zu berechnen, nehmen Sie die Standardabweichung der Stichprobe und dividieren sie durch die Quadratwurzel der Stichprobengröße.

„Der Standardfehler ist ein quantitatives Maß dafür, wie weit eine Schätzung voraussichtlich vom wahren Populationsparameter abweichen wird.“

Aus dem Standardfehler leiten wir die Fehlermarge ab. Die Fehlerspanne gibt einen Bereich an. Es sagt Ihnen, dass der wahre Parameter wahrscheinlich in einem bestimmten Intervall liegt. Eine Fehlermarge gibt keinen festen Wert für den Stichprobenfehler an. Stattdessen kommt es auf ein Konfidenzniveau an. Ein Konfidenzniveau von 95 % bedeutet, dass der wahre Parameter 95 Mal innerhalb Ihrer Fehlertoleranz liegen würde, wenn Sie die Studie 100 Mal wiederholen würden.

Die andere Art von Fehler

Stichprobenfehler sind nur die halbe Wahrheit. Es unterscheidet sich vom Nicht-Stichprobenfehler.

Der Nicht-Stichprobenfehler umfasst alle anderen Ungenauigkeiten. Dies liegt nicht daran, dass Sie eine Teilmenge abgetastet haben. Es wird durch fehlerhafte Methoden verursacht. Diese Fehler verringern die Genauigkeit ebenso stark wie Stichprobenfehler. Sie können sie jedoch nicht beheben, indem Sie die Stichprobengröße erhöhen.

Nichtstichprobenfehler lassen sich in zwei Kategorien einteilen:
* Systemische Fehler: Diese Verzerrung führt in eine Richtung.
* Variable Fehler: Diese verzerren die Ergebnisse zufällig, gleichen sich jedoch im Laufe der Zeit normalerweise aus.

Zu den häufigsten Ursachen für Nicht-Stichprobenfehler gehören:
* Abdeckungsfehler: Auslassungen, Duplikate oder Fehlklassifizierungen von Stichprobeneinheiten.
* Auswahlverzerrung: Erstellen einer nicht zufälligen Stichprobe, die nicht repräsentativ ist.
* Methodische Mängel: Schlecht konzipierte Umfragen.
* Datenverarbeitungsfehler: Fehler bei der Dateneingabe oder -berechnung.
* Fehlinterpretation: Falsche Interpretation der Ergebnisse.

Das Fazit

Stichprobenfehler sind die Kosten, die entstehen, wenn man Wissenschaft betreibt, ohne alles zu messen. Es ist der Preis der Schlussfolgerung. Sie können es verwalten. Sie können es reduzieren, indem Sie die Stichprobengröße erhöhen. Sie können es reduzieren, indem Sie bessere Stichprobenmethoden wie die Schichtung wählen. Sie können es anhand des Standardfehlers und der Fehlerspanne quantifizieren.

Aber man kann es nicht beseitigen. Nicht, es sei denn, Sie messen jeden. Und selbst dann müssen Sie sich über Nicht-Stichprobenfehler Gedanken machen. Daten sind niemals sauber. Es handelt sich immer um eine Annäherung. Und das ist in Ordnung. Solange Sie die Lücke verstehen, können Sie sie überwinden. Die Frage ist nicht, ob Ihre Daten perfekt sind. Die Frage ist, wie groß die Lücke ist. Und ob man damit leben kann.