Θεωρία δειγματοληψίας

Abstract

Το παρόν εκπαιδευτικό σύγγραμμα εισάγει τους σπουδαστές στη Θεωρία Δειγματοληψίας. Ειδικότερα, εξετάζονται οι τεχνικές δειγματοληψίας που εφαρμόζονται κατά τη διάρκεια μιας δειγματοληπτικής έρευνας με στόχο τη συλλογή στατιστικού δείγματος. Αρχικά, μελετώνται μία προς μία όλες οι γνωστές από τη Θεωρία Δειγματοληψίας τεχνικές, όπως η απλή τυχαία, η στρωματοποιημένη, η συστηματική, η κατά ομάδες δειγματοληψία και η δειγματοληψία σε πολλά στάδια. Οι κύριοι άξονες ανάπτυξης είναι ο τρόπος υλοποίησης της κάθε τεχνικής δειγματοληψίας και η στατιστική συμπερασματολογία, δηλαδή η εξαγωγή και επέκταση στον πληθυσμό αποτελεσμάτων που βασίζονται στο υποσύνολο των μετρήσεων του δείγματος. Η στατιστική συμπερασματολογία συμπεριλαμβάνει την εύρεση εκτιμητών για τις σημαντικότερες παραμέτρους του πληθυσμού, τον υπολογισμό των στατιστικών σφαλμάτων και την κατασκευή διαστημάτων εμπιστοσύνης. Τη μία προς μία μελέτη των βασικότερων τεχνικών δειγματοληψίας ακολουθεί η σύγκριση μεταξύ τους κυρίως ως προς την ακρίβεια των αποτελεσμάτων. Επίσης, ο συνδυασμός περισσοτέρων του ενός δειγματοληπτικών σχημάτων μελετάται στο πλαίσιο της δειγματοληψίας σε πολλά στάδια. Τέλος, μελετώνται θέματα ή προβλήματα που προκύπτουν κατά τη διάρκεια της υλοποίησης μιας δειγματοληπτικής έρευνας και επηρεάζουν την ακρίβεια των αποτελεσμάτων της, όπως ο καθορισμός του απαιτούμενου μεγέθους δείγματος και τα σφάλματα λόγω μη απόκρυψης. Στις μεθόδους δειγματοληψίας που μελετώνται ανά κεφάλαιο συμπεριλαμβάνονται οι οδηγίες για την υλοποίησή τους με το στατιστικό πακέτο R. Παρέχονται επίσης οι εντολές σε γλώσσα R για την επιλογή του δείγματος και την ανάλυση των δεδομένων. Για την καλύτερη κατανόηση παρέχονται παραδείγματα με αριθμητικά δεδομένα. Τα δεδομένα, καθώς και οι οδηγίες για τα προγράμματα, προστίθενται σε παράρτημα στο τέλος του βιβλίου.

This textbook introduces students to sampling theory. In particular, it examines the sampling techniques used during a sampling survey to collect a statistical sample. Initially, all techniques known from Sampling Theory are studied one by one, such as simple random, stratified, systematic, cluster sampling, and multistage sampling. The main areas of development are the implementation of each sampling technique and statistical inference, i.e., the extraction and extension to the population of results based on a subset of the sample measurements. Statistical inference includes finding estimators for the most important parameters of the population, calculating statistical errors, and constructing confidence intervals. The one-by-one study of the most basic sampling techniques is followed by a comparison between them, mainly in terms of the accuracy of the results. Also, the combination of more than one sampling scheme is studied in the context of multistage sampling. Finally, issues or problems that arise during the implementation of a sample survey and affect the accuracy of its results are studied, such as determining the required sample size and errors due to non-concealment. The sampling methods studied in each chapter include instructions for their implementation with the R statistical package. Commands in R for sample selection and data analysis are also provided. For better understanding, examples with numerical data are provided. The data, as well as instructions for the programs, are added in an appendix at the end of the book.