پاسخ کوتاه: نمونه‌گیری سهمیه‌ای یک روش غیراحتمالی در تحقیقات پیمایشی است که در آن برای هر گروه از جامعه (مثلاً بر اساس سن و جنسیت)، تعداد مشخصی مصاحبه تعیین می‌شود تا ترکیب نمونه شبیه جامعه باشد. تفاوت اصلی نمونه‌گیری سهمیه‌ای با نمونه‌گیری طبقه‌ای این است که در روش طبقه‌ای، افراد هر طبقه به‌صورت تصادفی از یک چارچوب نمونه‌گیری انتخاب می‌شوند؛ اما در روش سهمیه‌ای، انتخاب نهایی فرد بر عهده پرسشگر است تا سهمیه تعیین‌شده پر شود.

نمونه‌گیری سهمیه‌ای چیست و چطور کار می‌کند؟

گزارش کارگروه AAPOR دربارهٔ نمونه‌گیری غیراحتمالی، نمونه‌گیری سهمیه‌ای را «یکی از روش‌های شناخته‌شده و پرکاربرد تطبیق نمونه» می‌داند. در این روش هدف اصلی این است که از هر گروه جامعه تعداد مشخصی مصاحبه گرفته شود تا نمونه از نظر ویژگی‌هایی مانند سن و جنسیت با جامعه منطبق باشد. به گفتهٔ همین گزارش، بیشتر پروژه‌های مبتنی بر نمونه‌گیری سهمیه‌ای از «تطبیق توزیع» استفاده می‌کنند؛ یعنی توزیع ویژگی‌ها در نمونه باید با جامعه یکی شود، نه اینکه برای هر فرد یک جفت مشابه پیدا شود.

یک مثال ساده: فرض کنید برای پروژه‌ای ۴۰۰ مصاحبه لازم است و می‌خواهید ترکیب جنسیت و سه گروه سنی رعایت شود. جدول سهمیه این‌طور ساخته می‌شود (اعداد فرضی‌اند):

گروه سنی زن مرد جمع
۱۸ تا ۲۹ سال ۶۰ ۶۰ ۱۲۰
۳۰ تا ۴۴ سال ۷۰ ۷۰ ۱۴۰
۴۵ سال و بالاتر ۷۰ ۷۰ ۱۴۰
جمع ۲۰۰ ۲۰۰ ۴۰۰

هر خانهٔ این جدول یک سهمیه است. وقتی خانه‌ای پر شد، مصاحبه با افراد آن گروه متوقف می‌شود، حتی اگر پرسشگر فرد جدیدی از آن گروه پیدا کند.

سهمیه را می‌توان مستقل هم تعریف کرد؛ یعنی فقط جمع زنان و مردان و جمع هر گروه سنی کنترل شود، نه تک‌تک خانه‌های جدول. این کار پرکردن سهمیه را آسان‌تر می‌کند، اما ممکن است ترکیب دو ویژگی (مثلاً زنان جوان) از جامعه فاصله بگیرد. انتخاب بین این دو به اهمیت آن ترکیب برای پرسش‌های پژوهش بستگی دارد.

تفاوت نمونه‌گیری سهمیه‌ای و طبقه‌ای

برای درک بهتر تفاوت‌های بنیادی میان روش‌های احتمالی و غیراحتمالی، جدول زیر مقایسه کاملی میان نمونه‌گیری سهمیه‌ای و نمونه‌گیری طبقه‌ای ارائه می‌دهد:

ویژگی نمونه‌گیری سهمیه‌ای نمونه‌گیری طبقه‌ای
نوع روش غیراحتمالی احتمالی
چارچوب نمونه‌گیری لازم نیست لازم است (فهرست افراد هر طبقه)
انتخاب فرد پرسشگر، در چارچوب سهمیه تصادفی، از فهرست هر طبقه
احتمال انتخاب هر فرد نامعلوم معلوم
هزینه و سرعت کمتر و سریع‌تر بیشتر و کندتر

strong>نمونه‌گیری سهمیه‌ای این احتمال‌ها مشخص نیستند؛ به همین دلیل خطای نمونه‌گیری کلاسیک برای آن به همان شکل ساده قابل محاسبه نیست.

محدودیت مهم: نقش و انتخاب پرسشگر در نمونه‌گیری سهمیه‌ای

گزارش AAPOR یک نمونهٔ تاریخی مشهور را مرور می‌کند. در انتخابات ریاست‌جمهوری ۱۹۴۸ آمریکا، سه مؤسسهٔ بزرگ نظرسنجی همگی از نمونه‌گیری سهمیه‌ای استفاده کردند و همگی برنده را اشتباه پیش‌بینی کردند. بررسی بعدی نشان داد یکی از منابع اصلی خطا این بود که پرسشگران در چارچوب سهمیه تعیین‌شده، افراد کمی تحصیل‌کرده‌تر و مرفه‌تر را انتخاب کرده بودند.

درس این تاریخچه برای امروز ساده است: سهمیه فقط ویژگی‌هایی را کنترل می‌کند که در جدول آمده‌اند. اگر پرسشگران همگی در یک محله یا یک ساعت خاص از روز مصاحبه کنند، نمونه از نظر سن و جنسیت درست است اما از نظر متغیرهای دیگر دچار سوگیری شدید می‌شود. پیمایش اجتماعی اروپا (ESS) نیز گزارش می‌دهد که انحراف ترکیب پاسخ‌گویان، هنگام آزادی عمل بیشتر پرسشگر، افزایش می‌یابد.

کنترل نمونه‌گیری سهمیه‌ای در میدان: چهار قاعده طلایی

۱. سهمیهٔ کل و سهمیهٔ هر پرسشگر را جدا تعریف کنید

اگر فقط سهمیهٔ کل وجود داشته باشد، پرسشگرانِ سریع‌تر خانه‌های آسان را زودتر پر می‌کنند و گروه‌های سخت‌یاب برای روزهای آخر می‌مانند. تقسیم سهمیه بین پرسشگران این مشکل را کم کرده و پراکندگی مصاحبه‌ها را افزایش می‌دهد.

۲. سؤال‌های سهمیه را اول پرسشنامه بگذارید

در هنگام طراحی فرم و پرسشنامه آنلاین، سوالات مربوط به سن، جنسیت یا هر ویژگی سهمیه‌ای باید در ابتدای مصاحبه پرسیده شوند تا اگر سهمیه آن گروه پر شده است، مصاحبه همان‌جا با پیام مناسب تمام شده و وقت پاسخ‌گو و پرسشگر هدر نرود.

۳. پرشدن سهمیه را به صورت خودکار متوقف کنید

وقتی شمارش سهمیه با فایل اکسل و تماس تلفنی انجام می‌شود، چند پرسشگر هم‌زمان آخرین ظرفیت یک خانه را پر می‌کنند و پروژه با مصاحبهٔ اضافه تمام می‌شود. سامانه‌ای که شمارش را لحظه‌ای انجام می‌دهد، این مشکل را کاملاً حذف می‌کند.

۴. پراکندگی مکانی و زمانی را هم پایش کنید

برای کاهش سوگیری انتخاب در نمونه‌گیری سهمیه‌ای، موقعیت و ساعت مصاحبه‌های هر پرسشگر را بررسی کنید. اگر همهٔ مصاحبه‌های یک پرسشگر در یک نقطه ثبت شده باشد، با وجود پر شدن درست سهمیه‌ها، کیفیت نمونه‌گیری زیر سؤال می‌رود.

پس از عملیات میدانی: وزن‌دهی در نمونه‌گیری سهمیه‌ای

حتی با کنترل دقیق، نمونهٔ نهایی کاملاً با جامعه منطبق نیست؛ گاهی چند خانهٔ سهمیه پر نمی‌شوند یا ترکیب ویژگی‌های دیگر متفاوت است. گزارش AAPOR می‌گوید روش‌های کالیبراسیون به‌طور سنتی روی نمونه‌های سهمیه‌ای به کار رفته‌اند و رایج‌ترین شکل آن «پس‌طبقه‌بندی» (poststratification) است: وزن پاسخ‌گویان طوری تنظیم می‌شود که جمع‌های نمونه برای متغیرهایی مانند سن و جنسیت با جامعه برابر شود.

وزن‌دهی جای کنترل دقیق سهمیه در میدان را نمی‌گیرد. اگر یک خانه تقریباً خالی بماند، وزن چند پاسخ‌گوی محدود آن بسیار بزرگ می‌شود و نتایج ناپایدار می‌شوند. هرچه نمونه‌گیری سهمیه‌ای در میدان دقیق‌تر اجرا شود، وزن‌ها به عدد یک نزدیک‌تر بوده و به اصلاحات کمتری نیاز خواهد بود.

اشتباهات رایج در تعریف سهمیه

  • سهمیهٔ متقاطع بیش از حد:

    دانستن احتمال انتخاب اهمیت بالایی دارد؛ به گفتهٔ گزارش AAPOR، احتمال‌های انتخابِ معلوم، پیش‌شرط استنباط در چارچوب طرح‌محور است. در اجرای

    ترکیب چهار یا پنج ویژگی، خانه‌هایی با یک یا دو مصاحبه می‌سازد که پرکردنشان روزها طول می‌کشد.
  • سهمیه بر اساس ویژگی بی‌ربط: ویژگی‌ای که با موضوع پژوهش ارتباطی ندارد، فقط هزینه را بالا می‌برد.
  • نبود منبع برای توزیع جامعه: سهمیه باید از یک منبع معتبر جمعیتی یا مطالعهٔ قبلی بیاید، نه حدس و گمان.
  • سهمیهٔ سخت بدون انعطاف: گاهی بهتر است برای ویژگی‌های کم‌اهمیت‌تر بازهٔ مجاز تعریف کنید تا عدد دقیق.

سامانه نظرسنجی یوچک فیلد سهمیهٔ کل پروژه و سهمیهٔ هر پرسشگر را به صورت هوشمند کنترل می‌کند و پیشرفت هر خانهٔ سهمیه را آنلاین در داشبورد نشان می‌دهد.

مدیریت پروژه و کنترل هوشمند سهمیه‌ها در یوچکاجرای دقیق و بدون خطای نمونه‌گیری سهمیه‌ای با یوچک

داشبورد لحظه‌ای یوچک پیشرفت هر خانه سهمیه را برای تمام پرسشگران به صورت خودکار کنترل و متوقف می‌کند.