8.

1 pengenalan
Sampel cluster sampel probabilitas di mana setiap unit sampling adalah kumpulan, atau cluster, elemen.
Cluster sampling lebih murah dibandingkan sederhana atau stratified random sampling jika biaya
memperoleh bingkai yang berisi daftar semua elemen populasi sangat tinggi atau jika biaya memperoleh
pengamatan meningkat sebagai jarak yang memisahkan unsur meningkat.
Untuk meringkas, cluster sampling adalah desain yang efektif untuk memperoleh jumlah tertentu
informasi dengan biaya minimum dengan ketentuan sebagai berikut:
1. Sebuah frame yang baik daftar elemen populasi baik tidak tersedia atau sangat mahal untuk
mendapatkan, sementara bingkai daftar cluster mudah diperoleh.
2. Biaya memperoleh pengamatan meningkat sebagai jarak yang memisahkan unsur-unsur meningkat.

8.2 Cara menggambar sampel klaster

Contoh:
Seorang sosiolog ingin memperkirakan rata-rata pendapatan per kapita di sebuah kota kecil tertentu.
Tidak ada daftar orang dewasa penduduk tersedia. Bagaimana dia harus merancang survei sampel?
Larutan:
Cluster sampling tampaknya menjadi pilihan yang logis untuk desain survei karena tidak ada daftar
elemen yang tersedia. Kota ini ditandai menjadi blok-blok segi empat, kecuali untuk dua daerah industri
dan tiga taman yang hanya berisi beberapa rumah. sosiolog memutuskan bahwa masing-masing blok
kota akan dianggap satu cluster, dua kawasan industri akan dianggap satu cluster, dan, akhirnya. Ketiga
taman akan dianggap sebagai salah satu cluster. Cluster diberi nomor pada peta kota, dengan angka dari
1 sampai 415. The experimenteras cukup waktu dan uang untuk sampel n = 25 cluster dan
mewawancarai setiap rumah tangga dalam setiap cluster. Oleh karena itu 25 angka acak antara 1 dan
415 yang dipilih dari tabel 2 usus buntu, dan cluster memiliki angka-angka ini ditandai pada peta.
Pewawancara kemudian ditugaskan untuk masing-masing kelompok sampel.

8.3 estimasi populasi berarti dan jumlahCluster sampling adalah simple random sampling dengan
masing-masing unit sampling yang berisi sejumlah elemen. Maka penaksir rata-rata populasi μ dan
jumlah τ adalah sama dengan yang untuk simple random sampling. Secara khusus, mean sampel y ̅
adalah estimator yang baik dari rata-rata populasi μ. Sebuah estimator dari μ dan dua estimator dari τ
dibahas dalam bagian ini.Notasi berikut ini digunakan dalam bab ini:N = jumlah cluster dalam populasin
= jumlah cluster yang dipilih dalam sampel acak sederhanam_i = jumlah elemen dalam cluster I, i = 1, ....,
Nm ̅ = 1 / n Σ_ (i = 1) ^ n▒m_i = ukuran cluster rata-rata untuk sampelM = Σ_ (i = 1) ^ N▒m_i = jumlah
elemen dalam populasiM ̅ = M / N = ukuran cluster rata-rata untuk populasiy_i = total semua
pengamatan di i th klaster

Penaksir rata-rata populasi μ adalah mean sampel y ̅, yang diberikan oleh

y ̅ = (Σ_ (i = 1) ^ n▒y_i) / (Σ_ (i = 1) ^ n▒m_i)
Jadi y ̅ mengambil bentuk estimator ratio, seperti yang dikembangkan pasal 6 (regresi). Dengan m_i mengambil
tempat x_i. Kemudian diperkirakan varian y ̅ memiliki bentuk varians dari estimator ratio.
Estimator dari rata-rata populasi μ:
y ̅ = (Σ_ (i = 1) ^ n▒y_i) / (Σ_ (i = 1) ^ n▒m_i)
Estimasi varians dari y :̅
V (y ̅) = ((N-n) / (NNM ̅ ^ 2)) (Σ_ (i = 1) ^ n▒ (y_i-y ̅m_i) ^ 2) / (n-1)

Contoh:
Wawancara dilakukan di masing-masing 25 blok sampel pada Contoh 8.1. Data yang berpenghasilan
disajikan pada Tabel 8.1. Menggunakan data untuk memperkirakan pendapatan per-kapita di kota dan
menempatkan terikat pada kesalahan dari estimasi.

Diperkirakan varians dalam Persamaan. (8.2) adalah bias dan estimator yang baik dari V (y )̅ hanya jika n
adalah katakanlah besar, n ≥ 20. Bias hilang jika cluster ukuran m_1, m_2 ⋯ m_N adalah sama. Seperti
dalam semua kasus estimasi rasio, penaksir dan kesalahan standar dapat ia dihitung dengan pas garis
regresi tertimbang dipaksa melalui asal dengan bobot yang sama dengan kebalikan dari nilai-nilai m.
Contoh 8.2 mengilustrasikan prosedur estimasi ini

Karena penaksir mean per elemen adalah estimator ratio, perhitungan dilanjutkan persis seperti yang
mereka lakukan untuk estimator ratio dalam Bab 6. Ringkasan statistik dasar untuk data tersebut
disajikan dalam tabel.

8.4 SAMA CLUSTER SIZE; PERBANDINGAN UNTUK SAMPLING ACAK SEDERHANA

Untuk studi yang lebih tepat dari hubungan antara cluster sampling dan simple random sampling, kita
membatasi diskusi kita dengan kasus di mana semua m_i adalah sama dengan nilai yang sama,
mengatakan m. Kami menganggap ini untuk menjadi kenyataan bagi seluruh penduduk cluster, seperti
dalam kasus karton sampling makanan kaleng di mana setiap karton berisi axactly 24 kaleng. Dalam hal
ini, M = Nm dan ukuran sampel total elemen nm (n cluster masing-masing elemen m).
Ini estimator dari μ dan τ memiliki sifat khusus ketika semua ukuran cluster yang sama (yaitu, m_1 =
m_2 = ⋯ = m_N). Pertama, estimator y ,̅ diberikan oleh Persamaan (8.1), merupakan estimator berisi
mean populasi μ. Kedua, V ̅ (y )̅ , yang diberikan oleh Persamaan (8.2), merupakan estimator berisi dari
varians dari y .̅ Akhirnya, dua estimator, saya ̅ dan Ny _ (t,) dari τ total populasi adalah sama.

Penaksir (8.1) dari rata-rata populasi per elemen akan dilambangkan dalam kasus ukuran cluster yang
sama ini dengan y _ (c,) dan itu menjadi
y _C = 1 / m [1 / n Σ_ (i = 1) ^ n▒y_i] = 1 / mn Σ_ (i = 1) ^ n▒Σ_ (i = 1) ^ m▒y_ij
Mana y_ij menunjukkan pengamatan sampel j dari klaster i. Perhatikan bahwa y _C dapat dianggap
sebagai keseluruhan rata-rata semua measurments sampel nm, atau sebagai rata-rata total cluster
sampel dibagi dengan m