Statystyka · Marketing

Panel internetowy a próba losowa – obciążenie deklaracji zakupowych i ważenie

Fikcyjny operator sieci ładowarek pyta, ilu dorosłych planuje kupić auto elektryczne: panel internetowy podaje 20.8%, mała próba losowa 14.5%, a prawda wynosi 12.8%. Pokazujemy w R raking pakietem survey, kalibrację panelu do próby losowej i efektywną liczebność Kisha, a symulacja 1000 badań odpowiada, kiedy wagi naprawiają panel, a kiedy nie – pięć rysunków, podpisy APA i zdania do pracy.

Strona główna / Blog / Panel internetowy a próba losowa
W skrócie: Panel internetowy daje dużą próbę szybko, ale do panelu częściej trafiają osoby o określonych cechach, więc surowy odsetek bywa mocno przesunięty – w przykładzie 20.8% zamiast prawdziwych 12.8%. Raking do wieku, płci, regionu i wykształcenia zmniejszył obciążenie do 3.4 punktu procentowego, a kalibracja do rozkładu zainteresowania technologią z małej próby losowej – do 1.8 punktu, kosztem spadku efektywnej liczebności z 1500 do 965. Wagi naprawiają panel tylko wtedy, gdy zawierają zmienne, od których zależał dobór; gdy dobór zależy od cechy związanej z odpowiedzią, nawet kalibracja zostawia obciążenie, a mała próba losowa pozostaje jedynym nieobciążonym punktem odniesienia.

Przykład: sieć ładowarek i pytanie „ilu kierowców przesiądzie się na elektryka?”

Fikcyjny operator sieci ładowarek samochodów elektrycznych planuje, gdzie stawiać nowe stacje. Zarząd chce wiedzieć, jaki odsetek dorosłych planuje kupić auto elektryczne w ciągu dwóch lat. Dział marketingu ma dwa źródła danych: szybką ankietę w panelu internetowym (n = 1500) i małą próbę losową (n = 400), droższą i wolniejszą. Panel podaje 20.8%, próba losowa 14.5%. Której liczbie wierzyć i czy ważenie panelu wystarczy?

Dane są fikcyjne, więc znamy prawdę. Symulujemy populację 200 000 dorosłych; prawdziwy odsetek planujących zakup to 12.8%. Każda osoba ma wiek, płeć, region, wykształcenie i ukryte zainteresowanie nowymi technologiami, które mocno podnosi zamiar zakupu, a w ankiecie mierzymy je jednym pytaniem (niskie, średnie, wysokie). Do panelu chętniej trafiają osoby młodsze, lepiej wykształcone i zainteresowane technologią. Wszystkie parametry ustawiliśmy ręcznie (lista przy kodzie). Po pierwszym uruchomieniu osłabiliśmy dobór do panelu (wiek: z 0.6 i −0.7 na 0.5 i −0.5 na skali logarytmu szansy, wykształcenie: z 0.6 na 0.5, zainteresowanie technologią: z 0.5 na 0.4), bo w panelu było 57% osób w wieku 18–34 lata – obraz był przerysowany. Ziaren 738 i 7381 nie zmienialiśmy. Odpowiedzi z panelu i próby losowej pobierzesz jako panel-internetowy-ladowarki-ankieta.csv.

To kolejna część serii o statystyce w pracy z marketingu. Ogólny proces budowy wag opisuje wpis ważenie danych sondażowych krok po kroku, a samą próbę wygodną na mapie populacji – dobór nielosowy w obrazkach. Tu skupiamy się na jednym pytaniu: kiedy wagi naprawiają panel, a kiedy nie – i co daje mała próba losowa.

Rysunek 1: populacja → panel → wagi

Schemat z czterema blokami. 1. Populacja fikcyjna: 200 000 dorosłych, 12.8% planuje zakup auta elektrycznego w ciągu 2 lat; 18–34 lata 28%, wyższe wykształcenie 32%, wysokie zainteresowanie technologią 37%. Strzałki do 2a. Panel internetowy: n = 1500, 18–34 51%, wyższe 51%, wysokie zainteresowanie 56%, bez wag 20.8%, oraz 2b. Mała próba losowa: n = 400, 18–34 29%, wyższe 30%, wysokie zainteresowanie 36%, sama 14.5% [11.0, 18.0]. Obie strzałki do 3. Wagi (raking): wiek, płeć, region i wykształcenie z danych urzędowych, zainteresowanie technologią z próby losowej; wynik 14.6% [12.8, 16.5], efektywna liczebność 965 z 1500
Rysunek 1. Droga od populacji przez panel internetowy i małą próbę losową do wag kalibracyjnych, z liczbami z przykładu. Grafika: R, pakiet ggplot2 (dane fikcyjne, set.seed(738)).

Co widać. Panel jest duży, ale przesunięty: ma prawie dwa razy więcej osób młodych (51% zamiast 28%) i z wyższym wykształceniem (51% zamiast 32%). Próba losowa jest mała, ale wiernie odwzorowuje populację. Wagi łączą oba źródła: strukturę demograficzną bierzemy z danych urzędowych, a rozkład zainteresowania technologią – którego żaden urząd nie publikuje – z próby losowej.

Jak może zmylić. Schemat sugeruje, że po ważeniu wszystko jest w porządku. Nie jest: wynik 14.6% to wciąż o 1.8 punktu procentowego więcej niż prawda. Wagi naprawiają tylko to, co mierzą (Bethlehem, 2010).

Podpis do pracy:

Rysunek 1. Schemat doboru panelu internetowego i próby losowej oraz źródła informacji użytych do ważenia. Uwaga. Rozkłady wieku, płci, regionu i wykształcenia pochodzą z danych o populacji, a rozkład zainteresowania technologią – z próby losowej (n = 400). Dane fikcyjne.

Rysunek 2: kto trafia do panelu

Zanim zważysz dane, porównaj strukturę próby z populacją. Panel to próba nieprobabilistyczna: nie znasz szans wyboru, więc każde wnioskowanie opiera się na założeniach modelu, które trzeba jawnie opisać (Baker i in., 2013).

Pięć paneli słupków: odsetek osób w kategoriach w populacji (szare), panelu (pomarańczowe) i próbie losowej (niebieskie). Wiek 18–34: 28, 51, 29; 55+: 38, 18, 40. Płeć i region prawie bez różnic. Wykształcenie wyższe: 32, 51, 30. Zainteresowanie technologią wysokie: 37, 56, 36; niskie: 27, 13, 24
Rysunek 2. Struktura panelu internetowego (n = 1500) i próby losowej (n = 400) na tle populacji według pięciu cech. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(738)).

Co widać. Płeć i region w panelu prawie zgadzają się z populacją. Różnią się wiek, wykształcenie i zainteresowanie technologią: w panelu 55.9% osób deklaruje wysokie zainteresowanie, w populacji 37.3%. To ważne, bo w tej grupie zakup planuje 21.9% osób, a przy niskim zainteresowaniu – 4.4%.

Jak może zmylić. W praktyce ostatniego panelu (zainteresowanie technologią w populacji) nie zobaczysz – tę kolumnę znamy tylko dlatego, że dane są symulowane. Zgodność płci i regionu nie dowodzi, że panel jest w porządku. Osobno przeczytaj, co znaczy reprezentatywność próby.

Podpis do pracy:

Rysunek 2. Struktura panelu internetowego i próby losowej w porównaniu z populacją według wieku, płci, regionu, wykształcenia i zainteresowania technologią (odsetki). Uwaga. Rozkład zainteresowania technologią w populacji jest znany tylko dzięki symulacji. Dane fikcyjne.

Zdanie do Wyników:

W panelu internetowym nadreprezentowane były osoby w wieku 18–34 lata (51.1% wobec 28.1% w populacji) i z wyższym wykształceniem (50.8% wobec 31.9%); struktura płci i regionu była zbliżona do populacyjnej.

Rysunek 3: raking i kalibracja do próby losowej

Raking dopasowuje wagi kolejno do rozkładu każdej zmiennej (wiek, potem płeć, potem region…) i powtarza cykl, aż wszystkie się zgadzają. Nie potrzebuje liczebności wszystkich komórek skrzyżowania zmiennych i nie rozbija próby na małe komórki (Battaglia i in., 2009). W R robi to funkcja rake() z pakietu survey, która od razu liczy błędy standardowe uwzględniające ważenie (Lumley, 2004).

Porównujemy cztery oszacowania z panelu: bez wag, raking do wieku, płci i regionu, raking z dodanym wykształceniem i kalibrację do próby losowej – raking z piątą zmienną, zainteresowaniem technologią, której rozkład szacujemy z próby losowej. Ten pomysł – mała próba losowa jako „próba odniesienia” dla dużej próby ochotników – analizują Valliant i Dever (2011).

Wykres przedziałowy odsetka planujących zakup z 95% CI i przerywaną linią prawdy 12.8%. Panel bez wag 20.8% [18.7, 22.9], n_ef 1500. Raking: wiek, płeć, region 17.7% [15.7, 19.8], n_ef 1117. Raking + wykształcenie 16.3% [14.3, 18.2], n_ef 1045. Kalibracja do próby losowej 14.6% [12.8, 16.5], n_ef 965. Sama próba losowa 14.5% [11.0, 18.0], n = 400. Tylko dwa ostatnie przedziały obejmują prawdę
Rysunek 3. Odsetek planujących zakup auta elektrycznego w ciągu 2 lat z 95% przedziałem ufności według sposobu ważenia; n_ef – efektywna liczebność. Obliczenia: R, pakiety survey i ggplot2 (dane fikcyjne, set.seed(738)).

Co widać. Każdy krok zmniejsza obciążenie selekcyjne: z 7.96 punktu procentowego bez wag do 4.91 po rakingu demograficznym, 3.43 po dodaniu wykształcenia i 1.77 po kalibracji. Przedziały trzech pierwszych wersji nie obejmują prawdziwych 12.8% – są wąskie, bo próba duża, ale celują w złe miejsce. Sama próba losowa trafia blisko (14.5%), lecz jej przedział [11.0, 18.0] jest prawie dwa razy szerszy niż po kalibracji.

Jak może zmylić. Jedno badanie to jeden los. Próba losowa mogła równie dobrze dać 11% albo 17%; to, że kalibracja i próba losowa wypadły podobnie, nie dowodzi, że kalibracja jest nieobciążona. Odpowiedź daje symulacja (rysunek 5).

Podpis do pracy:

Rysunek 3. Odsetek respondentów planujących zakup samochodu elektrycznego w ciągu dwóch lat z 95% przedziałami ufności według metody ważenia panelu internetowego (n = 1500) oraz w próbie losowej (n = 400). Uwaga. Raking do rozkładów brzegowych populacji; kalibracja – raking z dodatkowym rozkładem zainteresowania technologią oszacowanym w próbie losowej. Linia przerywana – wartość w populacji (dane symulowane).

Zdanie do Wyników:

Bez wag odsetek planujących zakup samochodu elektrycznego w panelu wyniósł 20.8%, 95% CI [18.7, 22.9]. Po rakingu do struktury wieku, płci, regionu i wykształcenia spadł do 16.3% [14.3, 18.2], a po dodatkowej kalibracji do rozkładu zainteresowania technologią z próby losowej – do 14.6% [12.8, 16.5]. W próbie losowej (n = 400) wyniósł 14.5% [11.0, 18.0].

Rysunek 4: koszt wag – efektywna liczebność

Wagi nie są darmowe. Im bardziej się różnią, tym mniej informacji niesie próba. Miarą jest efektywna liczebność Kisha:

nef = (Σwi)² / Σwi² = n / (1 + CV²)

gdzie CV to współczynnik zmienności wag. Mianownik 1 + CV² to przybliżony efekt schematu wywołany ważeniem.

Wykresy skrzypcowe z wykresem pudełkowym wag względnych na skali logarytmicznej. Raking: wiek, płeć, region – wagi od 0.48 do 2.40, n_ef 1117 z 1500, deff 1.34. Raking + wykształcenie – od 0.38 do 2.75, n_ef 1045, deff 1.44. Kalibracja do próby losowej – od 0.32 do 3.81, stosunek największej do najmniejszej 12, n_ef 965, deff 1.56
Rysunek 4. Rozkład wag względnych (średnia = 1) w trzech wariantach ważenia panelu z efektywną liczebnością i efektem schematu Kisha. Obliczenia: R, pakiety survey i ggplot2 (dane fikcyjne, set.seed(738)).

Co widać. Każda dodatkowa zmienna rozciąga wagi: przy kalibracji najmniejsza waga to 0.32, a największa 3.81 (stosunek 12). Efektywna liczebność spada z 1500 do 965, a efekt schematu wynosi 1.56. Gdyby liczyć przedział tylko z nef, jego szerokość wzrosłaby z 3.58 do 4.46 punktu procentowego.

Jak może zmylić. Wzór Kisha to przybliżenie: zakłada, że wagi nie są związane z badaną cechą. Pakiet survey, który uwzględnia samą kalibrację, dał tu węższy przedział (szerokość 3.70 punktu procentowego), bo zmienne kalibracyjne dobrze przewidują zamiar zakupu. Do raportu bierz błąd standardowy z pakietu, a nef traktuj jako diagnostykę wag.

Zdanie do Metody:

Wagi skalibrowano metodą rakingu do rozkładów wieku, płci, regionu i wykształcenia w populacji oraz do rozkładu zainteresowania technologią oszacowanego w próbie losowej (n = 400). Wagi względne mieściły się w przedziale 0.32–3.81; efekt schematu Kisha wyniósł 1.56, a efektywna liczebność 965 z 1500.

Rysunek 5: kiedy ważenie naprawia panel? 1000 badań

Teraz powtarzamy całe badanie 1000 razy (nowy panel i nowa próba losowa za każdym razem) w dwóch światach. W świecie A do panelu częściej trafiają młodsi i lepiej wykształceni – dobór zależy od cech, które znamy z danych o populacji. W świecie B dobór zależy tylko od zainteresowania technologią, czyli od cechy związanej z odpowiedzią na pytanie badawcze. Mercer i in. (2017) opisują to przez analogię do wnioskowania przyczynowego: obciążenie selekcyjne zależy od tego, czy zmienne użyte do korekty wyjaśniają zarówno udział w próbie, jak i badaną cechę.

Dwa panele z rozrzutem oszacowań w 1000 symulowanych badaniach wokół prawdy 12.8%. A, dobór zależy od wieku i wykształcenia: panel bez wag obciążenie +3.8 p.p., raking demograficzny +1.0, raking z wykształceniem 0.0, kalibracja 0.0, sama próba losowa −0.1 przy dwa razy szerszym rozrzucie. B, dobór zależy od zainteresowania technologią: bez wag +6.8, raking +5.2, raking z wykształceniem +4.9, kalibracja do próby losowej +2.4, sama próba losowa 0.0
Rysunek 5. Oszacowania odsetka planujących zakup w 1000 symulowanych badaniach przy doborze do panelu zależnym od demografii (A) i od zainteresowania technologią (B). Romb – średnia, gruba linia – 50% środkowych wyników, cienka – 95%. Obliczenia: R, pakiet ggplot2 (set.seed(7381)).

Co widać. W świecie A raking z wykształceniem usuwa obciążenie (−0.04 punktu procentowego), a 95% przedział obejmuje prawdę w 96.9% badań. Raking bez wykształcenia zostawia +1.01 punktu – brakuje jednej zmiennej doboru. Panel po ważeniu jest tu dokładniejszy od samej próby losowej: pierwiastek błędu średniokwadratowego wynosi 0.91 wobec 1.68 punktu procentowego. W świecie B żadne ważenie demograficzne nie pomaga (+4.89), a przedziały prawie nigdy nie obejmują prawdy (0.1%). Kalibracja do próby losowej obcina obciążenie o ponad połowę (+2.39), ale nie do zera – pytanie mierzy zainteresowanie z błędem – a przedział obejmuje prawdę tylko w 36.6% badań. Nieobciążona pozostaje jedynie sama próba losowa (pokrycie 94.1%).

Jak może zmylić. W prawdziwym badaniu nie wiesz, w którym świecie jesteś. Valliant i Dever (2011) pokazali, że gdy skłonność do zgłoszenia się zależy od zmiennych badanych w ankiecie, modelowanie tej skłonności nie usuwa obciążenia. Błąd Monte Carlo pokrycia wynosi ok. 0.7 punktu procentowego.

Podpis do pracy:

Rysunek 5. Rozkład oszacowań odsetka planujących zakup samochodu elektrycznego w 1000 symulowanych badaniach przy doborze do panelu zależnym od wieku i wykształcenia (A) oraz od zainteresowania technologią (B). Uwaga. Romb – średnia; gruba linia – 50% środkowych oszacowań; cienka – 95%; linia przerywana – wartość w populacji (12.8%).

Zdanie do Metody:

Ponieważ dobór do panelu internetowego mógł zależeć od cech związanych z zamiarem zakupu, wyniki ważone traktowano jako oszacowania obarczone możliwym obciążeniem selekcyjnym i porównano z wynikiem z niezależnej próby losowej.

Co z tym zrobić w marketingu

  • Nie podawaj surowego odsetka z panelu. 20.8% wobec prawdziwych 12.8% to różnica, która zmienia plan inwestycji w stacje.
  • Waż do zmiennych, które tłumaczą udział w panelu. Wiek, płeć i region to minimum; wykształcenie i cechy związane z tematem (tu zainteresowanie technologią) są ważniejsze.
  • Kup małą próbę losową jako punkt odniesienia. 400 wywiadów to za mało na szczegółowe analizy, ale wystarczy, by skalibrować panel do zmiennej pomocniczej i sprawdzić, czy wyniki się rozjeżdżają.
  • Raportuj wynik przedziałem i scenariuszem. Do planu przyjmij część wspólną przedziałów z obu prób (tu 12.8–16.5%), a nie jedną liczbę z panelu. Jak przejść od deklaracji do sprzedaży, opisuje wpis deklaracja zakupu a faktyczny zakup.
  • Do trendów używaj tego samego panelu i tych samych wag. Obciążenie, które się nie zmienia, mniej szkodzi porównaniom w czasie niż poziomom.

Jak opisać w pracy

Nazwij dobór wprost (panel internetowy, próba nieprobabilistyczna), opisz zmienne i źródła wag, podaj efekt schematu i wynik bez wag. Przegląd Cornesse i in. (2020) przypomina, że trafność wniosków z próby nieprobabilistycznej zależy całkowicie od założeń modelu, a Elliott i Valliant (2017) opisują dwa sposoby wnioskowania z takich prób: szacowanie pseudoprawdopodobieństw włączenia i modelowanie zmiennej badanej. Jak opisać wagi krok po kroku, pokazuje hasło o ważeniu danych.

Metoda. Dane zebrano w panelu internetowym (n = 1500; próba nieprobabilistyczna) oraz w próbie wylosowanej z populacji dorosłych (n = 400). Wagi panelu wyznaczono metodą rakingu do rozkładów wieku, płci, regionu i wykształcenia w populacji oraz do rozkładu zainteresowania nowymi technologiami oszacowanego w próbie losowej. Przedziały ufności obliczono z uwzględnieniem ważenia (pakiet survey w R 4.5.3). Podano też wyniki bez wag. Ponieważ dobór do panelu mógł zależeć od cech niemierzonych, wyniki ważone mogą pozostać obciążone.
Odsetek planujących zakup auta elektrycznego według metody ważenia
Źródło i ważeniennefOdsetek (%) [95% CI]
Panel bez wag1500150020.8 [18.7, 22.9]
Panel: raking (wiek, płeć, region)1500111717.7 [15.7, 19.8]
Panel: raking + wykształcenie1500104516.3 [14.3, 18.2]
Panel: kalibracja do próby losowej150096514.6 [12.8, 16.5]
Próba losowa40040014.5 [11.0, 18.0]
Tabela 1. Odsetek respondentów planujących zakup samochodu elektrycznego w ciągu dwóch lat według źródła danych i metody ważenia. Uwaga. n_ef – efektywna liczebność Kisha. Przedziały ufności uwzględniają ważenie.
Przykład reprodukowalny

Kod R: dane, raking, kalibracja i symulacja

Kod odtwarza wszystkie liczby z tekstu i pięć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę, motyw i funkcje, z których korzystają następne. Przepisy kończą się nazwą wykresu (p1–p5), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losują przepisy 1 (set.seed(738)) i 5 (set.seed(7381)); ziaren nie zmieniano. Ręcznie ustalono: liczebność populacji (200 000), rozkład wieku (28%, 34%, 38%), płci (52% kobiet) i regionu (30%, 25%, 20%, 25%), szansę wyższego wykształcenia (0.40, 0.33, 0.20 według wieku, wyższą w dużych miastach i niższą na wsi), model zainteresowania technologią (mężczyźni +0.35, wiek +0.4/0/−0.4, wyższe wykształcenie +0.3, szum o odchyleniu 0.9) i jego pomiar pytaniem (szum 0.6, progi −0.5 i 0.6), model zamiaru zakupu (stała −2.75, zainteresowanie 0.9, duże miasta 0.5, wyższe wykształcenie 0.3, wiek +0.2/+0.2/−0.3), odsetek planujących zakup w 12 miesięcy wśród planujących w 2 lata (18%), dobór do panelu (wiek +0.5/0/−0.5, wyższe wykształcenie +0.5, zainteresowanie 0.4), liczebności 1500 i 400 oraz mechanizmy w symulacji (A: wiek +0.5/0/−0.5 i wykształcenie 0.8; B: zainteresowanie 0.6) i 1000 powtórzeń. Po pierwszym uruchomieniu zmieniono tylko dobór do panelu (z wieku +0.6/0/−0.7, wykształcenia 0.6 i zainteresowania 0.5), bo panel miał 57% osób w wieku 18–34 lata. Przepis 1 zapisuje dane do pliku CSV w katalogu roboczym. Cały kod liczy się ok. 35 s.

1. Dane: populacja, panel i próba losowa

Dane wejściowe: nic – dane losuje kod. Na początku paleta Okabe–Ito kol, motyw motyw, funkcja minus() (znak − w etykietach) i funkcja losuj() (losowanie z nierównymi szansami).

Co odczytać: prawdziwy odsetek planujących zakup w populacji (%), odsetek bez wag w panelu i w próbie losowej.

R
# Przepis 1. Fikcyjna populacja, panel internetowy (n = 1500) i mała próba losowa (n = 400)
library(ggplot2)
options(width = 120)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw rysunków
kol <- c("Populacja" = "grey45", "Panel" = "#D55E00", "Próba losowa" = "#0072B2",
         "Panel bez wag" = "#D55E00", "Raking: wiek, płeć, region" = "#E69F00",
         "Raking + wykształcenie" = "#009E73", "Kalibracja do próby losowej" = "#0072B2",
         "Sama próba losowa" = "#000000")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-", "−", x)          # znak minus (−) w etykietach rysunków

# Losowanie bez zwracania z prawdopodobieństwem proporcjonalnym do wagi skłonności
# (kolejne wybory jak w sample(prob = ...), ale szybko: klucz rexp(1) / skłonność, bierzemy k najmniejszych)
losuj <- function(sklonnosc, k) {
  klucz <- rexp(length(sklonnosc)) / sklonnosc
  which(klucz <= sort(klucz, partial = k)[k])
}

# Parametry ustalone ręcznie
N <- 200000                                           # dorośli w populacji (fikcyjnej)
wiek_poz <- c("18–34", "35–54", "55+");  p_wiek <- c(0.28, 0.34, 0.38)
reg_poz <- c("Duże miasta", "Średnie miasta", "Małe miasta", "Wieś"); p_reg <- c(0.30, 0.25, 0.20, 0.25)

set.seed(738)
pop <- data.frame(wiek = factor(sample(wiek_poz, N, TRUE, p_wiek), levels = wiek_poz),
                  plec = factor(sample(c("Kobieta", "Mężczyzna"), N, TRUE, c(0.52, 0.48))),
                  region = factor(sample(reg_poz, N, TRUE, p_reg), levels = reg_poz))
a <- as.integer(pop$wiek); m <- pop$plec == "Mężczyzna"; duze <- pop$region == "Duże miasta"
pop$wyksztalcenie <- factor(ifelse(runif(N) < plogis(qlogis(c(0.40, 0.33, 0.20))[a] + 0.6 * duze -
                                                       0.5 * (pop$region == "Wieś")), "Wyższe", "Niższe"),
                            levels = c("Niższe", "Wyższe"))
wyz <- pop$wyksztalcenie == "Wyższe"
# Ukryte zainteresowanie nowymi technologiami (nie ma go w żadnej statystyce publicznej)
tech <- 0.35 * m + c(0.4, 0, -0.4)[a] + 0.3 * wyz + rnorm(N, 0, 0.9)
# To samo zainteresowanie zmierzone pytaniem w ankiecie (z błędem pomiaru), 3 kategorie
pop$tech_pytanie <- cut(tech + rnorm(N, 0, 0.6), c(-Inf, -0.5, 0.6, Inf), labels = c("Niskie", "Średnie", "Wysokie"))
# Zamiar zakupu auta elektrycznego w ciągu 2 lat (1 = tak) i plan zakupu w ciągu 12 miesięcy (rzadki)
lin <- -2.75 + 0.9 * tech + 0.5 * duze + 0.3 * wyz + c(0.2, 0.2, -0.3)[a]
pop$intencja <- rbinom(N, 1, plogis(lin))
pop$zakup12 <- pop$intencja * rbinom(N, 1, 0.18)

# Panel internetowy: do panelu częściej trafiają młodsi, lepiej wykształceni i zainteresowani technologią
sklonnosc_panel <- exp(c(0.5, 0, -0.5)[a] + 0.5 * wyz + 0.4 * tech)
panel <- pop[losuj(sklonnosc_panel, 1500), ]
# Mała próba losowa (dobór losowy prosty z całej populacji)
los <- pop[sample(N, 400), ]

dane <- rbind(cbind(zrodlo = "panel", panel), cbind(zrodlo = "proba_losowa", los))
dane$id <- seq_len(nrow(dane))
dane <- dane[, c("id", "zrodlo", "wiek", "plec", "region", "wyksztalcenie", "tech_pytanie", "intencja", "zakup12")]
write.csv(dane, "panel-internetowy-ladowarki-ankieta.csv", row.names = FALSE, fileEncoding = "UTF-8")

prawda <- mean(pop$intencja)
round(c(populacja_N = N, prawdziwy_odsetek_intencji = 100 * prawda, prawdziwy_zakup12 = 100 * mean(pop$zakup12),
        panel_n = nrow(panel), panel_bez_wag = 100 * mean(panel$intencja),
        losowa_n = nrow(los), losowa = 100 * mean(los$intencja)), 2)
Wynik w R
               populacja_N prawdziwy_odsetek_intencji          prawdziwy_zakup12                    panel_n 
                 200000.00                      12.84                       2.26                    1500.00 
             panel_bez_wag                   losowa_n                     losowa 
                     20.80                     400.00                      14.50 

2. Struktura panelu i próby losowej: Rysunek 2

Dane wejściowe: pop, panel i los z przepisu 1.

Co odczytać: odsetki w kategoriach (populacja, panel, próba losowa) i odsetek planujących zakup w grupach zainteresowania technologią.

R
# Przepis 2. Struktura panelu i próby losowej na tle populacji – Rysunek 2
# Korzysta z pop, panel, los, kol i motyw z przepisu 1.
zmienne <- c(wiek = "Wiek", plec = "Płeć", region = "Region", wyksztalcenie = "Wykształcenie",
             tech_pytanie = "Zainteresowanie technologią")
zrodla <- list(Populacja = pop, Panel = panel, "Próba losowa" = los)
struktura <- do.call(rbind, lapply(names(zmienne), function(z) do.call(rbind, lapply(names(zrodla), function(zr) {
  t <- prop.table(table(zrodla[[zr]][[z]]))
  data.frame(zmienna = zmienne[[z]], kategoria = names(t), zrodlo = zr, odsetek = 100 * as.numeric(t))
}))))
szer <- reshape(struktura, idvar = c("zmienna", "kategoria"), timevar = "zrodlo", direction = "wide")
names(szer) <- sub("odsetek\\.", "", names(szer))
szer[, -(1:2)] <- round(szer[, -(1:2)], 1)
print(szer, row.names = FALSE)
# Odsetek planujących zakup w kategoriach zainteresowania technologią (populacja, %)
round(100 * tapply(pop$intencja, pop$tech_pytanie, mean), 1)

struktura$zmienna <- factor(struktura$zmienna, levels = zmienne)
struktura$kategoria <- factor(struktura$kategoria, levels = rev(unique(struktura$kategoria)))
struktura$zrodlo <- factor(struktura$zrodlo, levels = c("Populacja", "Panel", "Próba losowa"))
p2 <- ggplot(struktura, aes(odsetek, kategoria, fill = zrodlo)) +
  geom_col(position = position_dodge(width = 0.8, reverse = TRUE), width = 0.75) +
  geom_text(aes(label = sprintf("%.0f", odsetek), x = odsetek + 1),
            position = position_dodge(width = 0.8, reverse = TRUE), hjust = 0, size = 3.1, colour = "grey20") +
  facet_wrap(~zmienna, ncol = 2, scales = "free_y") +
  scale_fill_manual(values = kol, name = NULL) +
  scale_x_continuous(limits = c(0, 80), breaks = seq(0, 80, 20), labels = function(x) paste0(x, "%")) +
  labs(x = "Odsetek osób w kategorii", y = NULL) + motyw
p2   # zapis: ggsave("panel-internetowy-struktura.svg", p2, width = 10, height = 8)
Wynik w R
                     zmienna      kategoria Populacja Panel Próba losowa
                        Wiek          18–34      28.1  51.1         29.0
                        Wiek          35–54      34.0  31.2         31.2
                        Wiek            55+      37.9  17.7         39.8
                        Płeć        Kobieta      52.0  49.2         53.0
                        Płeć      Mężczyzna      48.0  50.8         47.0
                      Region    Duże miasta      30.0  33.8         28.5
                      Region Średnie miasta      25.1  23.7         24.0
                      Region    Małe miasta      19.8  19.0         18.5
                      Region           Wieś      25.0  23.5         29.0
               Wykształcenie         Niższe      68.1  49.2         70.0
               Wykształcenie         Wyższe      31.9  50.8         30.0
 Zainteresowanie technologią         Niskie      26.7  12.8         24.5
 Zainteresowanie technologią        Średnie      36.0  31.3         40.0
 Zainteresowanie technologią        Wysokie      37.3  55.9         35.5
 Niskie Średnie Wysokie 
    4.4     9.7    21.9 

3. Raking i kalibracja do próby losowej: Rysunek 3

Dane wejściowe: dane z przepisu 1; pakiet survey.

Co odczytać: odsetek z 95% CI, obciążenie w punktach procentowych i efektywną liczebność n_eff dla każdej metody oraz kontrolę struktury wieku po rakingu.

R
# Przepis 3. Raking (survey::rake) i kalibracja do próby losowej: oszacowania z 95% CI – Rysunek 3
# Korzysta z pop, panel, los, prawda, kol i motyw z przepisu 1.
suppressPackageStartupMessages(library(survey))

# Struktura populacji (liczebności) – w praktyce z danych urzędu statystycznego
brzeg <- function(zm) setNames(as.data.frame(table(pop[[zm]])), c(zm, "Freq"))
d0 <- svydesign(ids = ~1, data = panel, weights = ~1)           # panel: każdy z wagą 1

w_rak3 <- rake(d0, list(~wiek, ~plec, ~region), list(brzeg("wiek"), brzeg("plec"), brzeg("region")))
w_rak4 <- rake(d0, list(~wiek, ~plec, ~region, ~wyksztalcenie),
               list(brzeg("wiek"), brzeg("plec"), brzeg("region"), brzeg("wyksztalcenie")))
# Kalibracja do próby losowej: rozkładu zainteresowania technologią nie zna żaden urząd,
# więc szacujemy go z małej próby losowej (n = 400) i dokładamy jako piąty rozkład brzegowy
tech_los <- data.frame(tech_pytanie = levels(pop$tech_pytanie),
                       Freq = N * as.numeric(prop.table(table(los$tech_pytanie))))
w_kal <- rake(d0, list(~wiek, ~plec, ~region, ~wyksztalcenie, ~tech_pytanie),
              list(brzeg("wiek"), brzeg("plec"), brzeg("region"), brzeg("wyksztalcenie"), tech_los))
d_los <- svydesign(ids = ~1, data = los, weights = ~1)

kish <- function(w) sum(w)^2 / sum(w^2)                        # efektywna liczebność (Kish)
wynik <- function(nazwa, d) {
  s <- svymean(~intencja, d); ci <- confint(s)
  w <- weights(d)
  data.frame(metoda = nazwa, odsetek = 100 * coef(s), ci_dol = 100 * ci[1], ci_gora = 100 * ci[2],
             obciazenie_pp = 100 * (coef(s) - prawda), n = length(w), n_eff = kish(w))
}
oszacowania <- rbind(wynik("Panel bez wag", d0), wynik("Raking: wiek, płeć, region", w_rak3),
                     wynik("Raking + wykształcenie", w_rak4), wynik("Kalibracja do próby losowej", w_kal),
                     wynik("Sama próba losowa", d_los))
rownames(oszacowania) <- NULL
cat("Prawdziwy odsetek w populacji:", round(100 * prawda, 2), "%\n")
pokaz <- oszacowania; num <- sapply(pokaz, is.numeric); pokaz[num] <- lapply(pokaz[num], round, 2)
print(pokaz, row.names = FALSE)

# Kontrola: struktura panelu po rakingu zgadza się ze strukturą populacji (%)
round(100 * rbind(populacja = prop.table(table(pop$wiek)),
                  panel_po_rakingu = svymean(~wiek, w_rak3)), 1)

oszacowania$metoda <- factor(oszacowania$metoda, levels = rev(oszacowania$metoda))
oszacowania$etykieta <- minus(sprintf("%.1f%% [%.1f, %.1f]  n = %d, n_ef = %.0f", oszacowania$odsetek,
                                      oszacowania$ci_dol, oszacowania$ci_gora, oszacowania$n, oszacowania$n_eff))
p3 <- ggplot(oszacowania, aes(odsetek, metoda, colour = metoda)) +
  geom_vline(xintercept = 100 * prawda, linetype = "dashed", colour = "grey20") +
  annotate("text", x = 100 * prawda + 0.3, y = 5.5, hjust = 0, size = 3.6, colour = "grey20",
           label = sprintf("prawdziwy odsetek: %.1f%%", 100 * prawda)) +
  geom_errorbar(aes(xmin = ci_dol, xmax = ci_gora), width = 0.2, orientation = "y", linewidth = 0.8) +
  geom_point(aes(shape = metoda), size = 3.6) +
  geom_text(aes(x = 35, label = etykieta), hjust = 1, size = 3.6, colour = "grey15") +
  scale_colour_manual(values = kol, guide = "none") +
  scale_shape_manual(values = c(15, 16, 17, 18, 8), guide = "none") +
  scale_x_continuous(limits = c(8, 35), breaks = seq(8, 24, 4), labels = function(x) paste0(x, "%")) +
  scale_y_discrete(expand = expansion(add = c(0.5, 0.9))) +
  labs(x = "Odsetek planujących zakup auta elektrycznego w ciągu 2 lat (95% CI)", y = NULL) + motyw
p3   # zapis: ggsave("panel-internetowy-oszacowania.svg", p3, width = 10, height = 5.6)
Wynik w R
Prawdziwy odsetek w populacji: 12.84 %
                      metoda odsetek ci_dol ci_gora obciazenie_pp    n   n_eff
               Panel bez wag   20.80  18.75   22.85          7.96 1500 1500.00
  Raking: wiek, płeć, region   17.75  15.67   19.82          4.91 1500 1116.81
      Raking + wykształcenie   16.27  14.30   18.24          3.43 1500 1044.56
 Kalibracja do próby losowej   14.61  12.76   16.46          1.77 1500  964.58
           Sama próba losowa   14.50  11.05   17.95          1.66  400  400.00
                 18–34 35–54  55+
populacja         28.1    34 37.9
panel_po_rakingu  28.1    34 37.9

4. Rozrzut wag i efektywna liczebność: Rysunek 4

Dane wejściowe: obiekty w_rak3, w_rak4, w_kal i funkcja kish() z przepisu 3.

Co odczytać: zakres wag względnych, współczynnik zmienności, efekt schematu Kisha, n_eff i szerokość 95% CI (punkty procentowe) przy n = 1500 i przy n_eff.

R
# Przepis 4. Rozrzut wag i efektywna liczebność (Kish) – Rysunek 4
# Korzysta z w_rak3, w_rak4, w_kal, kish(), kol i motyw z przepisów 1 i 3.
wagi <- list("Raking: wiek, płeć, region" = weights(w_rak3), "Raking + wykształcenie" = weights(w_rak4),
             "Kalibracja do próby losowej" = weights(w_kal))
wagi <- lapply(wagi, function(w) w / mean(w))                  # wagi względne: średnia = 1
diag_wag <- do.call(rbind, lapply(names(wagi), function(nm) {
  w <- wagi[[nm]]
  data.frame(metoda = nm, min = min(w), mediana = median(w), max = max(w), max_do_min = max(w) / min(w),
             cv = sd(w) / mean(w), deff_kish = 1 + (sd(w) / mean(w))^2, n_eff = kish(w))
}))
pokaz <- diag_wag; num <- sapply(pokaz, is.numeric); pokaz[num] <- lapply(pokaz[num], round, 2)
print(pokaz, row.names = FALSE)
# Szerokość 95% CI (punkty procentowe) – ten sam wzór sqrt(p(1 − p) / n) przy n = 1500 i przy n_eff
p_kal <- coef(svymean(~intencja, w_kal))
round(c(bez_wag_n1500 = 2 * 1.96 * 100 * sqrt(p_kal * (1 - p_kal) / 1500),
        z_n_eff = 2 * 1.96 * 100 * sqrt(p_kal * (1 - p_kal) / kish(wagi[[3]]))), 2)

wagi_df <- data.frame(metoda = factor(rep(names(wagi), lengths(wagi)), levels = rev(names(wagi))),
                      waga = unlist(wagi))
diag_wag$metoda <- factor(diag_wag$metoda, levels = levels(wagi_df$metoda))
diag_wag$etykieta <- sprintf("n_ef = %.0f z 1500 (deff = %.2f)\nwaga max/min = %.0f", diag_wag$n_eff,
                             diag_wag$deff_kish, diag_wag$max_do_min)
p4 <- ggplot(wagi_df, aes(waga, metoda, colour = metoda)) +
  geom_vline(xintercept = 1, colour = "grey40", linetype = "dashed") +
  geom_violin(aes(fill = metoda), alpha = 0.25, scale = "width", width = 0.75, linewidth = 0.5) +
  geom_boxplot(width = 0.18, outlier.size = 0.8, fill = "white", colour = "grey15", linewidth = 0.5) +
  geom_text(data = diag_wag, aes(x = 6.2, label = etykieta), hjust = 1, vjust = -0.55, size = 3.6,
            colour = "grey15", lineheight = 0.95) +
  scale_x_log10(breaks = c(0.25, 0.5, 1, 2, 4), limits = c(0.25, 6.5)) +
  scale_colour_manual(values = kol, guide = "none") + scale_fill_manual(values = kol, guide = "none") +
  labs(x = "Waga względna respondenta (1 = przeciętna; skala logarytmiczna)", y = NULL) + motyw
p4   # zapis: ggsave("panel-internetowy-wagi.svg", p4, width = 10, height = 5.4)
Wynik w R
                      metoda  min mediana  max max_do_min   cv deff_kish   n_eff
  Raking: wiek, płeć, region 0.48    0.62 2.40       5.02 0.59      1.34 1116.81
      Raking + wykształcenie 0.38    0.77 2.75       7.23 0.66      1.44 1044.56
 Kalibracja do próby losowej 0.32    0.70 3.81      12.06 0.75      1.56  964.58
bez_wag_n1500.intencja       z_n_eff.intencja 
                  3.58                   4.46 

5. Symulacja 1000 badań w dwóch światach: Rysunek 5

Dane wejściowe: pop, losuj() i prawda z przepisu 1, w_rak3 i kish() z przepisu 3. Własna funkcja raking() daje te same wagi co survey::rake, a liczy się szybciej.

Co odczytać: średnie oszacowanie, obciążenie, odchylenie standardowe i pierwiastek błędu średniokwadratowego (punkty procentowe), pokrycie 95% CI (%), średnią n_eff i 2.5. oraz 97.5. centyl oszacowań. Przepis liczy się ok. 30 s.

R
# Przepis 5. Symulacja 1000 badań: dwa mechanizmy doboru do panelu – Rysunek 5
# Korzysta z pop, N, a, wyz, tech, losuj(), prawda, kol, motyw, minus() (przepis 1) oraz w_rak3 i kish() (przepis 3).
# Szybki raking w podstawowym R (te same wagi co survey::rake – kontrola niżej)
raking <- function(dane, cele, maxit = 100, tol = 1e-7) {
  w <- rep(1, nrow(dane))
  kody <- lapply(names(cele), function(z) as.integer(dane[[z]]))   # numery kategorii (wszystkie występują w próbie)
  for (it in seq_len(maxit)) {
    w_stare <- w
    for (j in seq_along(cele)) {
      suma <- rowsum(w, kody[[j]])[, 1]               # suma wag w każdej kategorii
      w <- w * (as.numeric(cele[[j]]) / suma)[kody[[j]]]
    }
    if (max(abs(w - w_stare) / w_stare) < tol) break
  }
  w
}
cele_pop <- lapply(c(wiek = "wiek", plec = "plec", region = "region", wyksztalcenie = "wyksztalcenie"),
                   function(z) table(pop[[z]]))
# Kontrola: własna funkcja daje te same wagi co survey::rake z przepisu 3
c(najwieksza_roznica_wzgledna = max(abs(raking(panel, cele_pop[1:3]) - weights(w_rak3)) / weights(w_rak3)))

jedno_badanie <- function(sklonnosc) {
  pn <- pop[losuj(sklonnosc, 1500), ]
  ls <- pop[sample(N, 400), ]
  w3 <- raking(pn, cele_pop[1:3]); w4 <- raking(pn, cele_pop)
  wk <- raking(pn, c(cele_pop, list(tech_pytanie = N * prop.table(table(ls$tech_pytanie)))))
  est <- c("Panel bez wag" = mean(pn$intencja),
           "Raking: wiek, płeć, region" = weighted.mean(pn$intencja, w3),
           "Raking + wykształcenie" = weighted.mean(pn$intencja, w4),
           "Kalibracja do próby losowej" = weighted.mean(pn$intencja, wk),
           "Sama próba losowa" = mean(ls$intencja))
  neff <- c(1500, kish(w3), kish(w4), kish(wk), 400)
  se <- sqrt(est * (1 - est) / neff)                 # przybliżony błąd standardowy z efektywnej liczebności
  rbind(est = est, pokrycie = abs(est - prawda) < 1.96 * se, neff = neff)
}
mechanizmy <- list(
  "A. Dobór zależy od wieku i wykształcenia" = exp(c(0.5, 0, -0.5)[a] + 0.8 * wyz),
  "B. Dobór zależy od zainteresowania technologią" = exp(0.6 * tech))

set.seed(7381)
R <- 1000
sym <- do.call(rbind, lapply(names(mechanizmy), function(mch) {
  wyn <- replicate(R, jedno_badanie(mechanizmy[[mch]]))
  data.frame(mechanizm = mch, metoda = rep(colnames(wyn), R), odsetek = 100 * as.vector(wyn["est", , ]),
             pokrycie = as.vector(wyn["pokrycie", , ]), n_eff = as.vector(wyn["neff", , ]))
}))
podsum <- aggregate(cbind(odsetek, pokrycie, n_eff) ~ mechanizm + metoda, data = sym, FUN = mean)
podsum$obciazenie_pp <- podsum$odsetek - 100 * prawda
podsum$sd_pp <- aggregate(odsetek ~ mechanizm + metoda, data = sym, FUN = sd)$odsetek
podsum$rmse_pp <- sqrt(podsum$obciazenie_pp^2 + podsum$sd_pp^2)
kw <- aggregate(odsetek ~ mechanizm + metoda, data = sym, FUN = quantile, probs = c(0.025, 0.25, 0.75, 0.975))
podsum[, c("q025", "q25", "q75", "q975")] <- kw$odsetek[match(paste(podsum$mechanizm, podsum$metoda),
                                                               paste(kw$mechanizm, kw$metoda)), ]
podsum$pokrycie <- 100 * podsum$pokrycie
podsum <- podsum[order(podsum$mechanizm, match(podsum$metoda, names(kol)[4:8])), ]
pokaz <- podsum; num <- sapply(pokaz, is.numeric); pokaz[num] <- lapply(pokaz[num], round, 2)
print(pokaz[, c("mechanizm", "metoda", "odsetek", "obciazenie_pp", "sd_pp", "rmse_pp", "pokrycie", "n_eff", "q025", "q975")],
      row.names = FALSE)
# Błąd Monte Carlo pokrycia 95% przy 1000 powtórzeniach (punkty procentowe):
round(100 * sqrt(0.95 * 0.05 / R), 2)

sym$metoda <- factor(sym$metoda, levels = rev(names(kol)[4:8]))
podsum$metoda <- factor(podsum$metoda, levels = levels(sym$metoda))
podsum$etykieta <- minus(ifelse(abs(podsum$obciazenie_pp) < 0.05, "obciążenie 0.0 p.p.",
                                 sprintf("obciążenie %+.1f p.p.", podsum$obciazenie_pp)))
p5 <- ggplot(podsum, aes(odsetek, metoda, colour = metoda)) +
  geom_vline(xintercept = 100 * prawda, linetype = "dashed", colour = "grey20") +
  geom_linerange(data = podsum, aes(xmin = q025, xmax = q975), linewidth = 0.8) +
  geom_linerange(data = podsum, aes(xmin = q25, xmax = q75), linewidth = 3.2) +
  geom_point(size = 3.4, shape = 23, fill = "white", stroke = 1) +
  geom_text(aes(x = 27.5, label = etykieta), hjust = 1, size = 3.6, colour = "grey15") +
  facet_wrap(~mechanizm, ncol = 1) +
  scale_colour_manual(values = kol, guide = "none") +
  scale_x_continuous(limits = c(5, 28), breaks = seq(5, 25, 5), labels = function(x) paste0(x, "%")) +
  labs(x = "Oszacowany odsetek planujących zakup w 1000 symulowanych badaniach", y = NULL,
       subtitle = sprintf("Romb: średnia; gruba linia: 50%% wyników; cienka: 95%%; przerywana: prawda (%.1f%%)", 100 * prawda)) +
  motyw
p5   # zapis: ggsave("panel-internetowy-symulacja.svg", p5, width = 10, height = 6.6)
Wynik w R
najwieksza_roznica_wzgledna 
               7.324746e-09 
                                      mechanizm                      metoda odsetek obciazenie_pp sd_pp rmse_pp
       A. Dobór zależy od wieku i wykształcenia               Panel bez wag   16.61          3.77  0.95    3.89
       A. Dobór zależy od wieku i wykształcenia  Raking: wiek, płeć, region   13.85          1.01  0.89    1.35
       A. Dobór zależy od wieku i wykształcenia      Raking + wykształcenie   12.80         -0.04  0.91    0.91
       A. Dobór zależy od wieku i wykształcenia Kalibracja do próby losowej   12.80         -0.04  0.96    0.97
       A. Dobór zależy od wieku i wykształcenia           Sama próba losowa   12.78         -0.06  1.68    1.68
 B. Dobór zależy od zainteresowania technologią               Panel bez wag   19.69          6.85  1.02    6.92
 B. Dobór zależy od zainteresowania technologią  Raking: wiek, płeć, region   18.04          5.20  0.96    5.29
 B. Dobór zależy od zainteresowania technologią      Raking + wykształcenie   17.73          4.89  0.95    4.98
 B. Dobór zależy od zainteresowania technologią Kalibracja do próby losowej   15.23          2.39  0.94    2.56
 B. Dobór zależy od zainteresowania technologią           Sama próba losowa   12.82         -0.02  1.70    1.70
 pokrycie   n_eff  q025  q975
      2.0 1500.00 14.67 18.40
     86.5 1192.75 12.04 15.54
     96.9 1060.31 11.02 14.53
     96.2 1052.30 10.94 14.75
     94.2  400.00  9.50 16.25
      0.0 1500.00 17.73 21.67
      0.0 1416.58 16.13 19.91
      0.1 1406.19 15.83 19.68
     36.6 1195.53 13.35 17.08
     94.1  400.00  9.75 16.25
[1] 0.69

6. Pułapka: rzadki odsetek

Dane wejściowe: pop, panel, los (przepis 1) i w_kal (przepis 3).

Co odczytać: liczbę osób planujących zakup w 12 miesięcy, odsetek (%) i 95% CI w panelu po kalibracji i w próbie losowej.

R
# Przepis 6. Pułapka: rzadki odsetek (zakup w ciągu 12 miesięcy) w panelu i w próbie losowej
# Korzysta z pop, panel, los (przepis 1), w_kal, d_los i kish() (przepis 3).
prawda12 <- mean(pop$zakup12)
k_panel <- svyciprop(~I(zakup12 == 1), w_kal, method = "logit")     # panel po kalibracji
k_los <- binom.test(sum(los$zakup12), nrow(los))                     # próba losowa: przedział Cloppera–Pearsona
rzadki <- data.frame(
  zrodlo = c("Populacja (prawda)", "Panel po kalibracji", "Próba losowa"),
  osoby_z_planem = c(sum(pop$zakup12), sum(panel$zakup12), sum(los$zakup12)),
  odsetek = 100 * c(prawda12, coef(k_panel), k_los$estimate),
  ci_dol = 100 * c(NA, confint(k_panel)[1], k_los$conf.int[1]),
  ci_gora = 100 * c(NA, confint(k_panel)[2], k_los$conf.int[2]))
rzadki$ci_gora_do_dol <- rzadki$ci_gora / rzadki$ci_dol
pokaz <- rzadki; num <- sapply(pokaz, is.numeric); pokaz[num] <- lapply(pokaz[num], round, 2)
print(pokaz, row.names = FALSE)
Wynik w R
              zrodlo osoby_z_planem odsetek ci_dol ci_gora ci_gora_do_dol
  Populacja (prawda)           4528    2.26     NA      NA             NA
 Panel po kalibracji             54    2.75   1.97    3.83           1.94
        Próba losowa              9    2.25   1.03    4.23           4.09

7. Grafika: schemat „populacja → panel → wagi”: Rysunek 1

Dane wejściowe: obiekty z przepisów 1 i 3.

Co odczytać: przepis tylko rysuje schemat z liczbami policzonymi wcześniej.

R
# Przepis 7. Grafika: schemat „populacja → panel → wagi” z liczbami z przykładu – Rysunek 1
# Korzysta z pop, panel, los, prawda (przepis 1) i oszacowania (przepis 3).
f1 <- function(x) sprintf("%.0f%%", 100 * x)
o <- oszacowania[match(c("Panel bez wag", "Kalibracja do próby losowej", "Sama próba losowa"),
                       oszacowania$metoda), ]
udz <- function(d) c(mlodzi = mean(d$wiek == "18–34"), wyzsze = mean(d$wyksztalcenie == "Wyższe"),
                     tech = mean(d$tech_pytanie == "Wysokie"))
u_pop <- udz(pop); u_pan <- udz(panel); u_los <- udz(los)
bloki <- data.frame(
  x = c(0, 1.05, 1.05, 2.1), y = c(0.5, 1, 0, 0.5), w = 0.66, h = c(0.8, 0.5, 0.5, 0.8),
  naglowek = c("1. Populacja (fikcyjna)", "2a. Panel internetowy", "2b. Mała próba losowa", "3. Wagi (raking)"),
  tresc = c(
    sprintf("%s dorosłych\nplanuje zakup auta elektrycznego\nw ciągu 2 lat: %.1f%%\n\n18–34 lata: %s\nwyższe wykształcenie: %s\nwysokie zainteresowanie\ntechnologią: %s",
            format(nrow(pop), big.mark = " "), 100 * prawda, f1(u_pop[1]), f1(u_pop[2]), f1(u_pop[3])),
    sprintf("n = %d; chętniej młodsi, wykształceni\ni zainteresowani technologią\n18–34: %s, wyższe: %s\nwysokie zainteresowanie: %s\nbez wag: %.1f%%",
            nrow(panel), f1(u_pan[1]), f1(u_pan[2]), f1(u_pan[3]), o$odsetek[1]),
    minus(sprintf("n = %d; dobór losowy prosty\n18–34: %s, wyższe: %s\nwysokie zainteresowanie: %s\nsama: %.1f%% [%.1f, %.1f]",
            nrow(los), f1(u_los[1]), f1(u_los[2]), f1(u_los[3]), o$odsetek[3], o$ci_dol[3], o$ci_gora[3])),
    minus(sprintf("wiek, płeć, region, wykształcenie\n← dane urzędowe\n\nzainteresowanie technologią\n← próba losowa (2b)\n\nwynik: %.1f%% [%.1f, %.1f]\nn_ef = %.0f z %d",
            o$odsetek[2], o$ci_dol[2], o$ci_gora[2], o$n_eff[2], nrow(panel)))),
  obrys = c("grey45", "#D55E00", "#0072B2", "#009E73"), tlo = c("#F4F4F4", "#FDF1E9", "#F2F7FB", "#EEF8F4"))
strzalki <- data.frame(x = c(0.34, 0.34, 1.39, 1.39), y = c(0.62, 0.38, 1, 0),
                       xend = c(0.71, 0.71, 1.76, 1.76), yend = c(0.92, 0.08, 0.66, 0.34))
p1 <- ggplot(bloki) +
  geom_rect(aes(xmin = x - w / 2, xmax = x + w / 2, ymin = y - h / 2, ymax = y + h / 2),
            fill = bloki$tlo, colour = bloki$obrys, linewidth = 0.9) +
  geom_segment(data = strzalki, aes(x = x, y = y, xend = xend, yend = yend), colour = "grey30",
               linewidth = 0.7, arrow = arrow(length = unit(0.18, "cm"), type = "closed")) +
  geom_text(aes(x = x - w / 2 + 0.02, y = y + h / 2 - 0.03, label = naglowek), hjust = 0, vjust = 1,
            fontface = "bold", size = 4.1, colour = "#0f1d3a") +
  geom_text(aes(x = x - w / 2 + 0.02, y = y + h / 2 - 0.11, label = tresc), hjust = 0, vjust = 1,
            size = 3.4, lineheight = 1.0, colour = "grey15") +
  coord_cartesian(xlim = c(-0.35, 2.45), ylim = c(-0.27, 1.27), expand = FALSE) +
  labs(title = "Populacja → panel → wagi: skąd bierze się obciążenie i co je zmniejsza", x = NULL, y = NULL) +
  motyw + theme(axis.text = element_blank(), panel.grid.major = element_blank())
p1   # zapis: ggsave("panel-internetowy-schemat.svg", p1, width = 10, height = 6.2)

8. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: pary kolorów z rysunków i – dla porównania – para czerwony–zielony.

Co odczytać: odległość barw ΔE w przestrzeni CIELAB przy typowym widzeniu i po symulacji deuteranopii i protanopii. Pary o mniejszej odległości (np. pomarańczowy i żółty) różnią się na rysunkach także kształtem punktu albo podpisem osi.

R
# Przepis 8. Kontrola palety: symulacja zaburzeń widzenia barw
library(colorspace)
pary <- list("panel – próba losowa" = c("#D55E00", "#0072B2"),
             "populacja – panel" = c("grey45", "#D55E00"),
             "raking 3 zmienne – raking + wykształcenie" = c("#E69F00", "#009E73"),
             "raking + wykształcenie – kalibracja" = c("#009E73", "#0072B2"),
             "panel bez wag – raking 3 zmienne" = c("#D55E00", "#E69F00"),
             "czerwony – zielony (do unikania)" = c("#FF0000", "#00A000"))
col2hex <- function(k) rgb(t(col2rgb(k)), maxColorValue = 255)
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(col2hex(k)), "LAB"))
  sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(col2hex(k))),
                                    protanopia = roznica(protan(col2hex(k)))))), 1)
Wynik w R
                                          widzenie_typowe deuteranopia protanopia
panel – próba losowa                                114.6        108.3       91.9
populacja – panel                                    76.9         63.4       53.8
raking 3 zmienne – raking + wykształcenie            88.7         66.3       51.5
raking + wykształcenie – kalibracja                  70.1         55.4       58.0
panel bez wag – raking 3 zmienne                     33.4         18.4       24.9
czerwony – zielony (do unikania)                    141.2         12.3       25.1

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych, test dwumianowy z przedziałem Cloppera–Pearsona (binom.test) i własna funkcja rakingu – podstawowa instalacja R. Raking, kalibracja i przedziały ufności uwzględniające wagi – pakiet survey. Rysunki wykonano w pakiecie ggplot2 i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survey (wersja 4.5): Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8), 1–19. https://doi.org/10.18637/jss.v009.i08
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • „Zawodowi respondenci”. W panelach część osób wypełnia bardzo wiele ankiet – dla nagród. Mogą różnić się od reszty panelu w sposób, którego nie widać w demografii. Takiej cechy nie ma w danych o populacji, więc raking jej nie wyrówna. Sprawdzaj liczbę ankiet na osobę i czas wypełniania (zob. nieuważne odpowiedzi w ankietach online).
  • Odsetki rzadkie. Zakup w ciągu 12 miesięcy planuje w populacji 2.26% osób. W próbie losowej to 9 osób z 400: 2.25%, 95% CI [1.03, 4.23] – górna granica jest cztery razy wyższa od dolnej. Panel po kalibracji (54 osoby) daje 2.75% [1.97, 3.83]: węższy przedział, ale z tym samym ryzykiem obciążenia co wyżej. Przy rzadkich odsetkach używaj przedziałów, które nie schodzą poniżej zera (przedział ufności dla proporcji), i nie dziel wyniku na podgrupy.
  • Przedział po kalibracji jest za wąski. Rozkład zainteresowania technologią z próby losowej traktujemy jak znany, choć pochodzi z 400 osób. Pakiet tego nie uwzględnia; uczciwszy przedział da bootstrap obu prób naraz.
  • Próba losowa też ma braki odpowiedzi. W symulacji odpowiada każdy wylosowany. W rzeczywistości zostaje błąd braku odpowiedzi – jak w ankiecie po zakupie, gdzie wagi budowaliśmy z danych CRM (ankieta po zakupie i brak odpowiedzi).
  • Większy panel nie pomaga. Obciążenie nie maleje z liczebnością; maleje tylko przedział, więc rośnie fałszywa pewność (Bethlehem, 2010). Ten sam problem przy szacowaniu rynku pokazuje wpis wielkość rynku z ankiety. Pamiętaj o tym także w innych badaniach marki prowadzonych w panelu, np. przy wyborze nazwy przez porównania parami.

Najczęstsze pytania

Czy ważenie panelu internetowego usuwa obciążenie?

Tylko wtedy, gdy zmienne użyte do ważenia wyjaśniają, kto trafia do panelu, i są związane z badaną cechą. W symulacji ważenie usunęło obciążenie, gdy dobór zależał od wieku i wykształcenia (obciążenie −0.04 punktu procentowego), ale gdy zależał od zainteresowania technologią, raking demograficzny zostawił +4.89 punktu.

Co to jest raking i jak go zrobić w R?

Raking (ważenie iteracyjne) dopasowuje wagi kolejno do rozkładu każdej zmiennej i powtarza cykl, aż wszystkie rozkłady w próbie zgadzają się z populacją. W R użyj svydesign() i rake() z pakietu survey; podajesz listę zmiennych i tabel z liczebnościami w populacji, a svymean() zwraca odsetek z błędem standardowym uwzględniającym wagi.

Jak policzyć efektywną liczebność próby po ważeniu?

Wzorem Kisha: nef = (suma wag)² / suma kwadratów wag, czyli n / (1 + CV²), gdzie CV to współczynnik zmienności wag. W przykładzie po kalibracji 1500 ankiet było warte tyle co 965 ankiet bez wag (efekt schematu 1.56). To przybliżenie – w raporcie podaj błąd standardowy z pakietu do analizy prób ważonych.

Po co mała próba losowa, skoro panel ma 1500 osób?

Próba losowa jest nieobciążona, ale przy 400 osobach daje szeroki przedział (tu 14.5%, 95% CI [11.0, 18.0]). Najwięcej daje jako punkt odniesienia: szacujesz z niej rozkład zmiennej, której nie ma w danych urzędowych (np. zainteresowania technologią), i kalibrujesz do niego panel. W przykładzie zmniejszyło to obciążenie panelu z 3.43 do 1.77 punktu procentowego.

Czy większy panel internetowy jest bardziej wiarygodny?

Nie, jeśli dobór jest obciążony. Większa próba zwęża przedział ufności, ale nie przesuwa go w stronę prawdy, więc rośnie fałszywa pewność. W symulacji przedziały z panelu ważonego tylko demograficznie obejmowały prawdziwy odsetek w 0.1% badań, a z samej próby losowej – w 94.1%.

Powiązane hasła

Przeczytaj też

Ważysz dane z panelu internetowego albo piszesz o tym pracę?

Pomożemy dobrać zmienne do ważenia, policzyć wagi i efektywną liczebność, porównać panel z próbą odniesienia i opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., & Tourangeau, R. (2013). Summary report of the AAPOR Task Force on Non-probability Sampling. Journal of Survey Statistics and Methodology, 1(2), 90–143. https://doi.org/10.1093/jssam/smt008
  2. Battaglia, M. P., Hoaglin, D. C., & Frankel, M. R. (2009). Practical considerations in raking survey data. Survey Practice, 2(5), 1–10. https://doi.org/10.29115/sp-2009-0019 ● Otwarty dostęp
  3. Bethlehem, J. (2010). Selection bias in web surveys. International Statistical Review, 78(2), 161–188. https://doi.org/10.1111/j.1751-5823.2010.00112.x ● Otwarty dostęp
  4. Cornesse, C., Blom, A. G., Dutwin, D., Krosnick, J. A., De Leeuw, E. D., Legleye, S., Pasek, J., Pennay, D., Phillips, B., Sakshaug, J. W., Struminskaya, B., & Wenz, A. (2020). A review of conceptual approaches and empirical evidence on probability and nonprobability sample survey research. Journal of Survey Statistics and Methodology, 8(1), 4–36. https://doi.org/10.1093/jssam/smz041 ● Otwarty dostęp
  5. Elliott, M. R., & Valliant, R. (2017). Inference for nonprobability samples. Statistical Science, 32(2), 249–264. https://doi.org/10.1214/16-sts598 ● Otwarty dostęp
  6. Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8). https://doi.org/10.18637/jss.v009.i08 ● Otwarty dostęp
  7. Mercer, A. W., Kreuter, F., Keeter, S., & Stuart, E. A. (2017). Theory and practice in nonprobability surveys: Parallels between causal inference and survey inference. Public Opinion Quarterly, 81(S1), 250–271. https://doi.org/10.1093/poq/nfw060 ● Otwarty dostęp
  8. Valliant, R., & Dever, J. A. (2011). Estimating propensity adjustments for volunteer web surveys. Sociological Methods & Research, 40(1), 105–137. https://doi.org/10.1177/0049124110392533

Cytowania BibTeX

@article{baker2013summary, author={Baker, R. and Brick, J. M. and Bates, N. A. and Battaglia, M. and Couper, M. P. and Dever, J. A. and Gile, K. J. and Tourangeau, R.}, title={{Summary report of the AAPOR Task Force on Non-probability Sampling}}, journal={Journal of Survey Statistics and Methodology}, year={2013}, volume={1}, number={2}, pages={90--143}, doi={10.1093/jssam/smt008}}
@article{battaglia2009practical, author={Battaglia, Michael P. and Hoaglin, David C. and Frankel, Martin R.}, title={{Practical considerations in raking survey data}}, journal={Survey Practice}, year={2009}, volume={2}, number={5}, pages={1--10}, doi={10.29115/sp-2009-0019}}
@article{bethlehem2010selection, author={Bethlehem, Jelke}, title={{Selection bias in web surveys}}, journal={International Statistical Review}, year={2010}, volume={78}, number={2}, pages={161--188}, doi={10.1111/j.1751-5823.2010.00112.x}}
@article{cornesse2020review, author={Cornesse, Carina and Blom, Annelies G. and Dutwin, David and Krosnick, Jon A. and De Leeuw, Edith D. and Legleye, Stéphane and Pasek, Josh and Pennay, Darren and Phillips, Benjamin and Sakshaug, Joseph W. and Struminskaya, Bella and Wenz, Alexander}, title={{A review of conceptual approaches and empirical evidence on probability and nonprobability sample survey research}}, journal={Journal of Survey Statistics and Methodology}, year={2020}, volume={8}, number={1}, pages={4--36}, doi={10.1093/jssam/smz041}}
@article{elliott2017inference, author={Elliott, Michael R. and Valliant, Richard}, title={{Inference for nonprobability samples}}, journal={Statistical Science}, year={2017}, volume={32}, number={2}, pages={249--264}, doi={10.1214/16-sts598}}
@article{lumley2004analysis, author={Lumley, Thomas}, title={{Analysis of complex survey samples}}, journal={Journal of Statistical Software}, year={2004}, volume={9}, number={8}, doi={10.18637/jss.v009.i08}}
@article{mercer2017theory, author={Mercer, Andrew W. and Kreuter, Frauke and Keeter, Scott and Stuart, Elizabeth A.}, title={{Theory and practice in nonprobability surveys: Parallels between causal inference and survey inference}}, journal={Public Opinion Quarterly}, year={2017}, volume={81}, number={S1}, pages={250--271}, doi={10.1093/poq/nfw060}}
@article{valliant2011estimating, author={Valliant, Richard and Dever, Jill A.}, title={{Estimating propensity adjustments for volunteer web surveys}}, journal={Sociological Methods \& Research}, year={2011}, volume={40}, number={1}, pages={105--137}, doi={10.1177/0049124110392533}}
R