Stratifikované náhodné vzorkování

Analýza dat z průzkumů v Pythonu

EbunOluwa Andrew

Data Scientist

Co je stratifikované náhodné vzorkování

Stratifikované vzorkování lépe odráží populaci
Technika, při níž je populace rozdělena do skupin (strat) podle podobných vlastností
Zahrnuje opětovné vzorkování tak, aby proporce odpovídaly populaci

Demografická změna jako velká skupina lidí znázorňující rozmanitost populace

Proč používat stratifikované náhodné vzorkování?

Minimalizuje selekční zkreslení
Zvyšuje reprezentativnost určitých skupin populace
Příklady:
- Odhadování příjmů různých populací
- Odhadování výsledků voleb
- Odhadování střední délky života

Ruční počítadlo pro sčítání osob

Kdy stratifikované náhodné vzorkování nepoužívat

Podskupiny by se neměly překrývat
- Subjekty spadající do více skupin -> zkreslení
Příklad překryvu v otázce průzkumu
- Jak dlouho pracujete na svém současném místě?
  - 1–2 roky
  - 2–4 roky

Přemýšlející žena

Výsledky průzkumu práce na místě ve firmě ABC

| employee_id | gender | onsite_work |
|-------------|--------|-------------|
|    fffe6838 | Male   | Yes         |
|   fffe12184 | Female | Yes         |
|    fffe9404 | Female | Yes         |
|   fffe17578 | Male   | Yes         |
|   fffe22257 | Female | Yes         |
|    fffe6217 | Male   | Yes         |
|    fffe7828 | Female | Yes         |
|   fffe18192 | Male   | Yes         |
|    fffe2839 | Female | Yes         |
|   fffe16173 | Female | Yes         |

Kontrola proporcí v populaci

survey.gender.value_counts(normalize=True)

Female    0.556
Male      0.444
Name: gender, dtype: float64

Vizualizace proporcí v populaci

import pandas as pd
import matplotlib.pyplot as plt

survey.gender.value_counts().plot.pie()

Poměr žen a mužů v průzkumu

Příklad stratifikovaného vzorkování

strat_sample = 
survey.groupby(
  'gender', group_keys = False).apply(
  lambda x: x.sample(frac = 0.1))

| employee_id | gender | onsite_work |
|-------------|--------|-------------|
|    fffe4934 | Female | Yes         |
|    fffe3958 | Female | Yes         |
|      fffe18 | Female | Yes         |
|     fffe283 | Female | Yes         |
|   fffe20382 | Female | Yes         |
|    fffe8721 | Male   | Yes         |
|    fffe5955 | Male   | Yes         |
|    fffe7081 | Male   | Yes         |
|     fffe353 | Male   | Yes         |
|    fffe1765 | Male   | Yes         |

Kontrola proporcí ve vzorku

Původní populace

survey.gender.value_counts(normalize=True)

Stratifikovaný vzorek

strat_sample.gender.value_counts(
  normalize=True))

Female    0.556
Male      0.444
Name: gender, dtype: float64

Female    0.56
Male      0.44
Name: gender, dtype: float64

Pojďme procvičovat!

Analýza dat z průzkumů v Pythonu