Los investigadores cuantitativos suelen estar interesados en poder hacer generalizaciones sobre grupos más grandes que sus muestras de estudio. Si bien es cierto que hay casos en que los investigadores cuantitativos se basan en muestras no probabilísticas (por ejemplo, cuando realizan investigaciones exploratorias o de evaluación), los investigadores cuantitativos tienden a basarse en técnicas de muestreo probabilístico. Los objetivos y las técnicas asociadas a las muestras probabilísticas difieren de las de las muestras no probabilísticas. Exploraremos esas metas y técnicas únicas en este artículo.

Introducción a la selección de muestras en la investigación cuantitativa

El objetivo principal del muestreo es obtener una muestra representativa, o una pequeña colección de unidades o casos de una colección o población mucho más grande, de manera que el investigador pueda estudiar el grupo más pequeño y producir generalizaciones precisas sobre el grupo más grande. Los investigadores se centran en las técnicas específicas que darán lugar a muestras altamente representativas (es decir, muestras muy parecidas a la población). Los investigadores cuantitativos tienden a utilizar un tipo de muestreo basado en las teorías de probabilidad de las matemáticas, denominado muestreo probabilístico.

Muestreo no probabilístico

El muestreo sin probabilidad es una técnica de muestreo en la que cada unidad de una población no tiene una probabilidad especificable de ser seleccionada. En otras palabras, el muestreo no probabilístico no selecciona sus unidades de la población de manera matemáticamente aleatoria. Como resultado, las muestras no aleatorias suelen producir muestras que no son representativas de la población. Esto también significa que nuestra capacidad de generalizar a partir de ellas es muy limitada.

Tipos de técnicas de muestreo no probabilísticas

Muestra de azar, accidental o de conveniencia

Procedimiento de muestreo en el que un investigador selecciona los casos de cualquier manera que sea conveniente incluir en la muestra. El muestreo al azar puede producir muestras ineficaces y muy poco representativas, por lo que no se recomienda. Cuando un investigador selecciona al azar casos que son convenientes, puede obtener fácilmente una muestra que falsea gravemente la representación de la población. Esas muestras son baratas y rápidas; sin embargo, los errores sistemáticos que se producen con facilidad las hacen peores que ninguna muestra.

Muestreo por cuotas

El muestreo por cuotas es una mejora con respecto al muestreo al azar. En el muestreo por cuotas, un investigador identifica primero las categorías pertinentes de personas (por ejemplo, hombres, mujeres; menores de 30 años, mayores de 30 años), y luego decide cuántas personas entran en cada categoría. Así pues, se fija el número de personas en las diversas categorías de la muestra.

Muestra de propósito o de juicio

La toma de muestras con fines específicos es un tipo de muestreo aceptable para situaciones especiales. Utiliza el juicio de un experto para seleccionar los casos o selecciona los casos con un propósito específico en mente. El muestreo con fines se utiliza con mayor frecuencia cuando es necesario medir una población de difícil acceso.

Muestreo de bola de nieve

El muestreo de bola de nieve (también llamado muestreo de red, remisión en cadena o de reputación) es un método para identificar y muestrear los casos en una red. Comienza con una o unas pocas personas o casos y se extiende sobre la base de los vínculos con los casos iniciales.

Selección de muestras en la investigación cualitativa

Muestreo de probabilidad

Técnica de muestreo en la que cada unidad de una población tiene una posibilidad concreta de ser seleccionada. El motivo de la utilización del muestreo probabilístico es generar una muestra que sea representativa de la población en la que se ha extraído. El muestreo aleatorio no garantiza que cada muestra aleatoria represente perfectamente la población 23. En cambio, significa que la mayoría de las muestras aleatorias estarán cerca de la población la mayor parte del tiempo, y que se puede calcular la probabilidad de que una muestra determinada sea precisa.

La jerga del muestreo aleatorio

Elemento de muestreo

Un elemento de muestreo es la unidad de análisis o caso en una población que se está midiendo.

Población

El gran conjunto de elementos de muestreo en un estudio es la población o el universo. Desafortunadamente, no es tan simple. El investigador novato debe entender que una población es un concepto abstracto. ¿Cómo puede ser una población un concepto abstracto, cuando hay un número determinado de personas en un momento dado? Excepto en el caso de poblaciones pequeñas específicas, nunca se puede congelar una población para medirla. Debido a que una población es un concepto abstracto, excepto en el caso de poblaciones pequeñas especializadas (por ejemplo, todos los estudiantes de una clase de Ingeniería Mecánica en la Universidad ‘Y’ en la primavera de 2000), un investigador debe estimar la población. Como concepto abstracto, la población necesita una definición operacional. Este proceso es similar a la elaboración de definiciones operacionales para los constructos que se miden. Un investigador operacionaliza una población desarrollando una lista específica que se aproxima mucho a todos los elementos de la población. Se trata de un marco de muestreo (que se examinará más adelante).

Población objetivo

Se refiere al conjunto específico de casos que quiere estudiar y tiene un marco de muestreo que funciona.

Ratio de muestreo

La proporción de muestreo se determina dividiendo el tamaño de la muestra por la población total. Por ejemplo, si una población tiene 50.000 personas, y un investigador extrae 5.000 personas para la muestra, la proporción de la muestra sería de 0,10 (5.000/50.000).

Marco de muestreo

Un investigador pone en funcionamiento una población elaborando una lista específica que se aproxima mucho a todos los elementos de la población. Se trata de un marco de muestreo. Puede elegir entre muchos tipos de marcos de muestreo: Directorios telefónicos, registros de licencias de conducir, etc. Hacer una lista de los elementos de una población suena simple. Pero a menudo es difícil porque puede no haber una buena lista de elementos en una población. Un buen marco de muestreo es crucial para un buen muestreo. Un desajuste entre el marco de muestreo y la población definida conceptualmente puede ser una fuente importante de error. Del mismo modo que un desajuste entre las definiciones teóricas y operacionales de una variable crea una medición inválida, un desajuste entre el marco de muestreo y la población causa un muestreo inválido. Con pocas excepciones, los marcos de muestreo son casi siempre inexactos.

Parámetro

Un parámetro es cualquier característica verdadera de una población. Los parámetros se determinan cuando se miden todos los elementos de una población.
El parámetro de la población nunca se conoce con absoluta exactitud para las grandes poblaciones, por lo que los investigadores deben estimarlo sobre la base de muestras. En otras palabras, utilizan la información de la muestra para inferir cosas sobre la población.

Estadística

En el contexto de la teoría del muestreo y de esta discusión, una estadística es cualquier característica de una muestra que pueda utilizarse para inferir sobre un parámetro de una población.

¿Por qué al azar?

  1. Las muestras aleatorias tienen más probabilidades de dar una muestra que represente verdaderamente a la población cuando se comparan con las muestras no aleatorias. En otras palabras, permite a los investigadores hacer suposiciones o generalizaciones precisas de la muestra a la población investigada.
  2. El muestreo aleatorio permite al investigador calcular estadísticamente la relación entre la muestra y la población, es decir, el tamaño del error de muestreo.
  3. Definición del error de muestreo: Una definición no estadística del error de muestreo es la desviación entre los resultados de la muestra y un parámetro de la población debido a procesos aleatorios.
  4. Se necesitan menos recursos – tiempo y costo: Si se lleva a cabo correctamente, una muestra aleatoria puede producir resultados que pueden utilizarse para predecir con exactitud los parámetros dentro de la población a una fracción del costo de la medición de toda la población. Por ejemplo, ¿cuánto tiempo y dinero costaría hacer una encuesta de toda la población de los Estados Unidos? Compare esa cifra con lo que costaría en tiempo y dinero encuestar una muestra de 2.000 residentes de los Estados Unidos.
  5. Precisión: Los resultados de una muestra probabilística bien diseñada y cuidadosamente ejecutada producirán resultados que son igualmente, si no más exactos que si se tratara de llegar a cada una de las personas de toda la población.

Tipos de técnicas de muestreo probabilístico

Simple aleatorio

En el muestreo aleatorio simple, un investigador desarrolla un marco de muestreo preciso, selecciona elementos del marco de muestreo según un procedimiento matemáticamente aleatorio, y luego localiza el elemento exacto que fue seleccionado para su inclusión en la muestra.

Muestreo sistemático

Los elementos se seleccionan al azar utilizando un intervalo de muestreo. El intervalo de muestreo (es decir, Kth es un número) le dice al investigador cómo seleccionar elementos de un marco de muestreo saltándose los elementos del marco antes de seleccionar uno para la muestra. Por ejemplo, un investigador tendría una lista de 1.000 elementos en su población. Supongamos que el tamaño de la muestra es de 100. En este caso, el investigador seleccionaría cada 10 casos. Para ello hay que seguir dos trucos: primero, el marco de la muestra debe tener los elementos ordenados de manera aleatoria y segundo; el punto de partida (el punto en el que se selecciona el primer elemento para su inclusión en la muestra) debe determinarse de manera aleatoria.

Muestreo estratificado

En el muestreo aleatorio estratificado, un investigador divide primero la población en subpoblaciones (estratos: definidos como una característica de la población. Por ejemplo, femenina y masculina) sobre la base de información complementaria. Después de dividir la población en estratos, el investigador extrae una muestra aleatoria de cada subpoblación. En general, el muestreo estratificado produce muestras más representativas de la población que el muestreo aleatorio simple si la información del estrato es exacta.

Muestreo por estratos

El muestreo de grupos aborda dos problemas: Los investigadores carecen de un buen marco de muestreo para una población geográficamente dispersa y el costo para llegar a un elemento muestreado es muy alto. En lugar de utilizar un marco de muestreo único, los investigadores utilizan un diseño de muestreo que implica múltiples etapas y agrupaciones. Un conglomerado es una unidad que contiene elementos de muestreo finales pero que puede tratarse temporalmente como un elemento de muestreo propiamente dicho. En otras palabras, el investigador muestrea aleatoriamente los conglomerados, y luego muestrea al azar los elementos de los conglomerados seleccionados; esto tiene una gran ventaja práctica. Puede crear un buen marco de muestreo de los conglomerados, aunque sea imposible crear uno para los elementos de muestreo. Una vez que el investigador obtiene una muestra de los conglomerados, la creación de un marco de muestreo para los elementos dentro de cada conglomerado se hace más manejable. Una segunda ventaja para las poblaciones geográficamente dispersas es que los elementos dentro de cada agrupación están físicamente más cerca unos de otros. Esto puede producir ahorros en la localización o el alcance de cada elemento.

¿Qué tamaño debe tener una muestra?

La mejor respuesta a esta pregunta es: “¡Depende!” ¿De qué depende?

  1. El tipo de análisis de datos que el investigador planea (descriptivo, regresión múltiple).
  2. De la precisión de la muestra para los propósitos del investigador (error de muestreo aceptable).
  3. De las características de la población (homogénea o heterogénea, grande o pequeña). En principio, para los tamaños de muestra es, cuanto más pequeña es la población, mayor tiene que ser la proporción de muestreo para una muestra precisa. Las poblaciones más grandes permiten ratios de muestreo más pequeños para muestras igualmente buenas. Esto se debe a que, a medida que el tamaño de la población crece, los beneficios en cuanto a la exactitud del tamaño de la muestra se reducen. Para poblaciones pequeñas (menos de 1.000), un investigador necesita una proporción de muestreo grande (alrededor del 30%). Para poblaciones moderadamente grandes (10.000), se necesita una proporción de muestreo más pequeña (alrededor del 10%) para tener la misma precisión. Para las poblaciones grandes (más de 150.000), es posible que las proporciones de muestreo más pequeñas (alrededor del 1%) sean muy precisas. Para tomar muestras de poblaciones muy grandes (más de 10.000.000), se puede lograr una precisión utilizando proporciones de muestreo diminutas (0,025%).

Dibujar las inferencias

La finalidad de la toma de muestras es permitir que un investigador saque conclusiones de la muestra para la población. Lo que hay que recordar es que las muestras probabilísticas tienen más probabilidades, cuando se comparan con las muestras no probabilísticas, de dar muestras representativas de la población. En otras palabras, un investigador que desee extraer inferencias sobre la población a partir de su muestra, debe tratar siempre de producir una muestra que sea similar a la población. Si la muestra no es similar o representativa de la población en la que fue extraída, la capacidad de hacer inferencias exactas se ve muy mermada.

¿Debo utilizar siempre una técnica de muestreo probabilístico?

NO! La respuesta es un poco más complicada que eso. Además, si fuera tan fácil determinar la técnica de muestreo para un estudio, ¿por qué habría tantas para elegir? La respuesta corta a esta pregunta es: Depende. Depende de numerosos factores. Esta pregunta se responderá mejor en clase, pero aquí hay una regla general: Elija una técnica que se adapte bien a su estudio, presupuesto y tiempo. Pero recuerde siempre que, por mucho trabajo que se haga en el diseño de la investigación, la recogida de datos, las pruebas piloto o la preparación, una muestra mal dibujada puede ser inútil cuando se intenta generalizar a poblaciones más grandes.