O que é amostragem de dados? Como ver o quadro geral

Quando você precisa de uma resposta e precisa dela rapidamente, não seria ótimo perguntar a todos no mundo que poderiam ajudar a encontrar uma resposta? Embora sim, isso seria ótimo, também provavelmente levaria um tempo obsceno e seria bastante caro. Em vez disso, é melhor reunir seus dados perguntando a um número selecionado de pessoas com as informações de que você precisa. Esse método é conhecido como amostragem de dados. Para obter ajuda com a amostragem de dados, use software de análise estatística, que pode não apenas ajudar a determinar o tamanho da amostra e analisar os dados, mas também a formular várias conclusões e hipóteses uma vez que a amostragem esteja completa. O que é amostragem de dados? A amostragem de dados é uma técnica comum de estatística para analisar padrões e tendências em um subconjunto de dados representativo de um conjunto de dados maior que está sendo examinado. Usando amostras representativas, cientistas de dados e analistas podem rapidamente construir modelos enquanto mantêm a precisão e decidem a quantidade e a frequência da coleta de dados. A amostragem de dados é uma forma complexa de análise estatística que pode dar muito errado se não for feita corretamente. Também pode exigir uma pesquisa extensa antes que a amostragem possa começar. Tipos de amostragem Vários métodos de amostragem podem ser usados para extrair amostras de dados, sendo que a abordagem mais eficaz depende do conjunto de dados e do contexto. Esses métodos de amostragem de dados são geralmente categorizados como amostragem probabilística e amostragem não probabilística. Amostragem probabilística Na amostragem probabilística, cada aspecto da população tem uma chance igual de ser selecionado para ser estudado e analisado. Esses métodos geralmente oferecem a melhor chance de criar uma amostra que seja o mais representativa possível. 1. Amostragem aleatória simples Como o nome sugere, o método simples de amostragem de dados é aleatório. Cada indivíduo é escolhido por acaso, e cada membro da população ou grupo tem uma chance igual de ser selecionado. Aqueles que seguem essa rota podem até usar software para escolher aleatoriamente, já que é usado quando não há informações prévias sobre a população-alvo. Por exemplo, digamos que sua empresa tenha uma equipe de marketing de 50 pessoas e precise de 10 delas em um novo projeto prestes a ser lançado. Cada membro da equipe tem uma chance igual de ser selecionado, com uma probabilidade de 5%. Uma vantagem de usar a amostragem aleatória simples é que é a maneira mais direta de realizar a amostragem probabilística. Por outro lado, aqueles que usam a amostragem aleatória simples podem descobrir que os selecionados não têm as características que desejam estudar. 2. Amostragem sistemática A amostragem sistemática é um pouco mais complicada. Nesse método, o primeiro indivíduo é selecionado aleatoriamente, enquanto os outros são selecionados usando um "intervalo de amostragem fixo". Portanto, uma amostra é criada definindo um intervalo que deriva dados da população maior. Um exemplo de amostragem de dados sistemática seria escolher o primeiro indivíduo aleatoriamente e depois escolher cada terceira pessoa para a amostra. Algumas vantagens claras de usar a amostragem sistemática são que é fácil de executar e entender, você tem controle total do processo e há um baixo risco de contaminação de dados. 3. Amostragem estratificada A amostragem estratificada é um método em que elementos da população são divididos em pequenos subgrupos, chamados estratos, com base em suas semelhanças ou um fator comum. As amostras são então coletadas aleatoriamente de cada subgrupo. Esse método requer informações prévias sobre a população para determinar o fator comum antes de criar os estratos. Essas semelhanças podem ser qualquer coisa, desde a cor do cabelo até o ano em que se formaram na faculdade, o tipo de cachorro que têm e alergias alimentares. Uma vantagem da amostragem estratificada é que esse método pode fornecer maior precisão do que outros métodos. Por causa disso, você pode optar por testar uma amostra menor. 4. Amostragem por conglomerados O método de conglomerados divide toda a população ou grande conjunto de dados em conglomerados ou seções com base em um fator definidor. Em seguida, os conglomerados são selecionados aleatoriamente para serem incluídos na amostra e analisados. Digamos que cada conglomerado seja baseado em qual bairro de Chicago os indivíduos vivem. Esses indivíduos são agrupados por Wrigleyville, Lincoln Park, River North, Wicker Park, Lakeview e Fulton Market. Em seguida, a amostra de indivíduos é escolhida aleatoriamente para ser representada por aqueles que vivem em Wicker Park. Esse método de amostragem também é rápido e menos caro e permite que uma grande amostra de dados seja estudada. A amostragem por conglomerados, que é especificamente projetada para grandes populações, também pode permitir muitos pontos de dados de um demográfico ou comunidade completa. 5. Amostragem em múltiplos estágios A amostragem em múltiplos estágios é uma forma mais complicada de amostragem por conglomerados. Essencialmente, esse método divide a população maior em muitos conglomerados. Os conglomerados de segundo estágio são então divididos ainda mais com base em um fator secundário. Em seguida, esses conglomerados são amostrados e analisados. A "encenação" na amostragem em múltiplos estágios continua à medida que múltiplos subconjuntos são identificados, agrupados e analisados. Amostragem não probabilística Os métodos de amostragem de dados na categoria não probabilística têm elementos que não têm uma chance igual de serem selecionados para serem incluídos na amostra, o que significa que não dependem de randomização. Essas técnicas dependem da capacidade do cientista de dados, analista de dados ou de quem está selecionando para escolher os elementos para uma amostra. Por causa disso, esses métodos correm o risco de produzir uma amostra não representativa, que é um grupo que não representa verdadeiramente a amostra. Isso poderia resultar em uma conclusão generalizada. 1. Amostragem por conveniência Na amostragem por conveniência, às vezes chamada de amostragem acidental ou de disponibilidade, os dados são coletados de um grupo facilmente acessível e disponível. Os indivíduos são selecionados com base em sua disponibilidade e disposição para participar da amostra. Esse método de amostragem de dados é tipicamente usado quando a disponibilidade de uma amostra é rara e cara. Também é propenso a viés, já que a amostra pode não representar sempre as características específicas que precisam ser estudadas. Voltemos ao exemplo que usamos para a amostragem aleatória simples. Você ainda precisa de 10 membros da equipe de marketing para ajudar em um projeto específico. Em vez de selecionar aleatoriamente os membros da equipe, você seleciona os 10 que estão mais dispostos a ajudar. Esse método tem a vantagem de ser fácil de realizar a um custo relativamente baixo e de forma rápida. Também permite a coleta de dados e informações úteis de uma lista menos formal, como os métodos usados na amostragem probabilística. A amostragem por conveniência é o método preferido para estudos piloto e geração de hipóteses. 2. Amostragem por cota Quando o método de cota é usado na amostragem de dados, os itens são escolhidos com base em características predeterminadas. O pesquisador de amostragem de dados garante representação igual dentro da amostra para todos os subgrupos dentro do conjunto de dados ou população. A amostragem por cota depende do padrão predefinido. Por exemplo, a população sendo analisada é 75% mulheres e 25% homens. Como a amostra deve refletir a mesma porcentagem de mulheres e homens, apenas 25% das mulheres serão escolhidas para estar na amostra para corresponder aos 25% de homens. A amostragem por cota é ideal para aqueles que consideram as proporções da população enquanto permanecem econômicos. Uma vez que os personagens são determinados, a amostragem por cota também é fácil de administrar. 3. Amostragem por julgamento A amostragem por julgamento, também conhecida como amostragem seletiva, é baseada na avaliação de especialistas na área ao escolher quem convidar para ser incluído na amostra. Nesse caso, digamos que você esteja selecionando de um grupo de mulheres com idades entre 30 e 35 anos, e os especialistas decidem que apenas as mulheres com diploma universitário serão mais adequadas para serem incluídas na amostra. Isso seria amostragem por julgamento. A amostragem por julgamento leva menos tempo do que outros métodos, e como há um conjunto de dados menor, os pesquisadores devem conduzir entrevistas e outras técnicas de coleta prática para garantir o tipo certo de grupo focal. Como a amostragem por julgamento significa que os pesquisadores podem ir diretamente à população-alvo, há um aumento na relevância da totalidade da amostra. 4. Amostragem em bola de neve A amostragem em bola de neve, às vezes chamada de amostragem por referência ou amostragem por cadeia de referência, é usada quando a população é rara e desconhecida. Isso é tipicamente feito selecionando um ou um pequeno grupo de indivíduos com base em critérios específicos. A(s) pessoa(s) selecionada(s) são então usadas para encontrar mais indivíduos a serem analisados. Considere uma situação ou tópico altamente sensível, como contrair uma doença contagiosa. Esses indivíduos podem não discutir abertamente sua situação ou participar de pesquisas para compartilhar informações sobre a doença. Como nem todas as pessoas com essa doença responderão às perguntas feitas, o pesquisador pode optar por entrar em contato com pessoas que conhecem, ou aqueles com a doença podem entrar em contato com outros que conhecem que também a têm para coletar as informações necessárias. Esse método é chamado de bola de neve porque, como as pessoas existentes são convidadas a nomear pessoas para estar na amostra, o mesmo aumenta de tamanho como uma bola de neve rolando. A amostragem em bola de neve permite que um pesquisador alcance uma população específica que seria difícil de amostrar usando outros métodos, mantendo os custos baixos. Devido ao tamanho menor da amostra, também requer pouco planejamento e uma força de trabalho menor. Reamostragem de dados Uma vez que você tenha uma amostra de dados, isso pode ser usado para estimar a população. No entanto, como isso só lhe dá uma única estimativa, não há variabilidade ou certeza na estimativa. Por causa disso, alguns pesquisadores estimam a população várias vezes a partir de uma amostra de dados, o que é chamado de reamostragem de dados. Cada nova estimativa é referida como uma subamostra, já que é da amostra de dados original. Cada amostra que estima a população a partir da reamostragem é sua própria ferramenta estatística para quantificar sua precisão. Processo de amostragem de dados O processo geral de amostragem de dados é um método de análise estatística que ajuda a tirar conclusões sobre populações a partir de amostras. O primeiro passo na amostragem de dados é identificar e definir a população que você deseja analisar. Isso pode ser feito conduzindo pesquisas, enquetes de opinião, observações, grupos focais, questionários ou entrevistas. Esse passo também pode ser referido como coleta de dados. Parâmetros precisam ser definidos, seja decidido apenas pesquisar mulheres entre 18 e 35 anos ou homens que se formaram na faculdade em 2010 no estado de Vermont. Em seguida, selecione o quadro de amostragem, que é a lista de itens ou pessoas que formam uma população na qual a amostra é retirada. Por exemplo, um quadro de amostragem pode ser os nomes das pessoas que vivem em uma cidade específica para uma pesquisa sobre o tamanho da família nessa cidade. Então, um método de amostragem será escolhido. Dependendo das características do conjunto de dados e dos objetivos da pesquisa, você pode escolher qualquer um dos métodos de amostragem de dados mencionados na seção anterior. O quarto passo é determinar o tamanho da amostra a ser analisada. Na amostragem de dados, o tamanho da amostra é o número exato de amostras que serão medidas para que uma observação seja feita. Digamos que sua população será homens que se formaram na faculdade em 2010 no estado de Vermont, e esse número é 40.000, então o tamanho da amostra será 40.000. Quanto maior o tamanho da amostra, mais precisa será a conclusão. Finalmente, é hora de coletar dados da amostra. Com base nos dados, você fará uma decisão, conclusão ou plano de ação. Erros comuns de amostragem de dados Ao amostrar dados, aqueles envolvidos devem fazer conclusões estatísticas sobre a população a partir de uma série de observações. Como essas observações muitas vezes vêm de estimativas ou generalizações, erros são inevitáveis. Os três principais tipos de erros que ocorrem ao realizar a amostragem de dados são: 1. Viés de seleção: O viés que é introduzido pela seleção de indivíduos para fazer parte da amostra que não é aleatória. Portanto, a amostra não pode representar a população que está sendo analisada. 2. Erro de amostragem: O erro estatístico ocorre quando o pesquisador não seleciona uma amostra que representa toda a população de dados. Quando isso acontece, os resultados encontrados na amostra não representam os resultados que teriam sido obtidos de toda a população. A única maneira de eliminar 100% a chance de um erro de amostragem é testar 100% da população. Claro, isso geralmente é impossível. No entanto, quanto maior o tamanho da amostra em seus dados, menos extremo será a margem de erro. 3. Erro de não resposta: Este erro ocorre quando indivíduos selecionados não participam de uma pesquisa ou estudo. Surge de fatores como falta de interesse, dificuldade em alcançar os participantes ou fadiga de pesquisa e afeta a precisão dos dados coletados. Vantagens da amostragem de dados Há uma razão pela qual a amostragem de dados é tão popular, pois há muitas vantagens. Para começar, é útil quando o conjunto de dados que precisa ser examinado é muito grande para ser analisado como um todo. Um exemplo disso é a análise de big data, que examina conjuntos de dados brutos e massivos na tentativa de descobrir tendências. Nesses casos, identificar e analisar uma amostra representativa de dados é mais eficiente e econômico do que pesquisar toda a população ou conjunto de dados. Além de ser de baixo custo, analisar uma amostra de dados leva menos tempo do que analisar toda a população de dados. Também é uma ótima opção se sua empresa tem recursos limitados. Estudar toda a população de dados exigiria tempo, dinheiro e equipamentos variados. Se os suprimentos são limitados, a amostragem de dados é uma estratégia apropriada a considerar. Desafios da amostragem de dados Alguns desafios ou desvantagens da amostragem de dados podem surgir durante o processo. Um fator importante a considerar é o tamanho da amostra necessária e a possibilidade de experimentar um erro de amostragem, além do viés da amostra. Ao se aprofundar na amostragem de dados, uma pequena amostra pode revelar as informações mais importantes necessárias de um conjunto de dados. No entanto, em outros casos, usar uma amostra grande pode aumentar a probabilidade de representar com precisão o conjunto de dados como um todo — mesmo que o tamanho aumentado da amostra possa interferir na manipulação e interpretação desses dados. Por causa disso, alguns podem ter dificuldade em selecionar uma amostra verdadeiramente representativa para resultados mais confiáveis e precisos. Não existe amostra grátis Pelo menos, não quando se trata de seus dados. Não importa qual método você escolha, levará tempo e esforço. Reduza o tamanho da população que você deseja analisar, arregaçe as mangas e comece. Os números sólidos que sua empresa precisa para tomar decisões baseadas em dados estão a apenas uma amostra de distância! Você tem seus dados, amostra e análise. Quer uma visão mais clara? Explore ferramentas de visualização de dados para obter melhores insights. Este artigo foi publicado originalmente em 2020. Foi atualizado com novas informações.