Auteur'S Blog Over Financiële En Zakelijke

Vermijd deze biasfouten van voorbeelden in Social Media Research

Kwaliteit promoten in voorbeelden van sociale media


Social media-onderzoek, zoals het momenteel wordt uitgevoerd, is onderworpen aan niet-participatiebias. Er zijn een aantal typen niet-participatieafwijkingen en elk type heeft mogelijk invloed op de betrouwbaarheid van onderzoeksresultaten, vaak op manieren die verborgen of onbekend zijn. Onderzoek heeft zelfs aangetoond dat die onderzoeksdeelnemers die moeilijk te bereiken zijn en meerdere inspanningen nodig hebben om contact met hen op te nemen, op significante manieren van andere respondenten verschillen. Deze verschillen werden gezien in leeftijd, geslacht, burgerlijke staat, sociaaleconomische status, gezondheidsstatus en het aantal kinderen.

Responspercentage

De mate waarin de gegevens aan het einde van een studie alle leden in een steekproef omvatten, wordt de responsgraad genoemd. Hoewel dit concept duidelijk is in een gestructureerd onderzoek of een reeks interviews, is het meer ambigu in onderzoek op sociale media. Het is echter niet minder belangrijk in het onderzoek naar sociale media dan in andere soorten kwalitatief onderzoek. Het responspercentage wordt berekend aan de hand van het aantal deelnemers dat een enquête invult - of instemt om te worden geïnterviewd - gedeeld door het totale aantal mensen dat deel uitmaakt van de oorspronkelijke steekproefinspanning.

Het totale aantal moet mensen omvatten die niet met succes zijn gecontacteerd of die weigerden deel te nemen aan het onderzoek.

De kwestie van de generalisatie

Ongeacht de manier waarop gegevens worden verzameld, kan het belang van een hoge respons niet genoeg benadrukt worden. Het is niet mogelijk om een ​​grotere populatie realistisch te genereren als de respons van een steekproef laag is. Voorspelling van het monster neemt toe naarmate de respons daalt. In media-gebaseerde enquêtes, wanneer de terugkeerpercentages dalen tot 20 of 30 procent van de steekproef, vertoont die groep deelnemers weinig gelijkenis met de totale bemonsterde populatie. Dezelfde tendens van mensen om een ​​mail-in enquête in te sturen of om mee te doen aan een telefonische enquête gebeurt bij mensen die zich bezighouden met sociale medianetwerken: dat wil zeggen, een bijzonder belang in het onderwerp (of product of dienst, zoals het geval is) worden).

Voorbeeldgrootte

Kleinere monsters hebben een grotere steekproeffout dan grotere monsters. Overweeg dat voorbeeldgegevens een schatting van de kenmerken van de grotere populatie opleveren. Elk monster uit een steekproefkader geeft een afzonderlijke schatting van die grotere populatie. Theoretisch zou er een afzonderlijk patroon van antwoorden kunnen zijn in elk genomen monster voor elke vraag. Na verloop van tijd, met voldoende monsters getrokken uit het steekproefkader, zou het ware patroon convergeren rond het werkelijke (ware) patroon van de grotere populatie.

Foutmarge

Bemonsteringsfout beschrijft de precisie van een schatting van een van de monsters genomen uit de grotere populatie. Sampling error wordt uitgedrukt in termen van een foutmarge die geassocieerd is met een betrouwbaarheidsniveau, wat een statistische maat is. In een presidentsverkiezingenquête kan het rapport bijvoorbeeld aantonen dat de gevestigde exploitant wordt begunstigd door 64% van de kiezers. De foutenmarge zou plus-of-minus 3 punten zijn met een betrouwbaarheidsniveau van 95%. Met andere woorden, als de peiling opnieuw zou worden uitgevoerd met 100 verschillende steekproeven van de kiezers, zouden 95 van de 100 kiezers aangeven dat de gevestigde exploitant wordt begunstigd door 61% tot 67% van de kiezers.

Dat wil zeggen, 61% van de kiezers + 3% of -3%.

Beslissingen over de steekproefomvang

De foutmarge die samenhangt met het nemen van een steekproef neemt af naarmate de steekproefomvang omhoog gaat, maar slechts tot een bepaald punt. Wanneer de steekproefgrootte 1000 tot 2000 respondenten bereikt, is de foutenmarge voldoende klein om rekening te houden met grotere steekproeven (geen kosteneffectieve keuze). Wanneer subgroepen deel uitmaken van de grotere populatie, kunnen grotere steekproefgroottes gerechtvaardigd zijn omdat de foutmarge voor elke subgroep zal variëren, afhankelijk van het aantal mensen in de subgroepen. Als bijvoorbeeld 1000 leden van een sociaal medianetwerk en een foutmarge van 1 tot 3 procentpunten met een betrouwbaarheidsinterval van 95% worden gebruikt, analyseert een subgroep van dat sociale medianetwerk - bijvoorbeeld thuisblijven - moeders met een nummer van ongeveer 100 zouden een hogere foutmarge van ongeveer 4 tot 10 punten hebben.

Meten van voldoende monster

Monsters worden doorgaans geëvalueerd volgens de gebruikte selectieprocedures in plaats van de uiteindelijke grootte of samenstelling. Dit is van fundamenteel belang omdat het - in de meeste situaties - onmogelijk is om nauwkeurig te meten hoe representatief een steekproef van de grotere populatie is. Statistische procedures worden gebruikt omdat deze handige en fundamenteel betrouwbare schattingen mogelijk maken. Het vaststellen van een redelijk betrouwbaarheidsinterval en een foutenmarge aan het begin stelt onderzoekers in staat zich te concentreren op variabelen zoals responspercentage en adequate bemonsteringsframes.


Video Van De Auteur:

Gerelateerde Artikelen:

✔ - Word of Mouth vs. Viral Marketing

✔ - Hoe u uw eigen merk kunt bouwen

✔ - De 8 Brand Marketing-boeken kopen in 2019


Nuttig? Deel Dit Met Je Vrienden!