Где взять целевые доли для взвешивания?

В России — Росстат, ВПН-2020. По регионам — региональные стат-управления. Для онлайн-аудитории — Mediascope, Brand Analytics.

Что если ячейка выборки пустая?

Варианты: перейти на raking; объединить ячейки; допустить смещение и явно сообщить в отчёте об ограничении.

Калькулятор весов выборки — post-stratification и iterative raking

Q: Когда нужно взвешивать выборку?

Когда распределение по соцдему в опросе отличается от популяции, а вы хотите обобщать результаты на популяцию.

Q: Что такое дизайн-эффект (DEFF)?

DEFF = 1 + CV²(weights). Показывает, во сколько раз эффективный размер выборки меньше реального.

Q: Сколько переменных можно взвешивать одновременно?

Iterative raking работает с 3-5 маргиналами, на практике до 4 переменных (пол, возраст, регион, образование). Больше — пустые ячейки и нестабильные веса.

Q: Меняется ли стат-значимость после взвешивания?

Да. Эффективный размер выборки меньше реального, стандартные ошибки растут. Все тесты делайте на взвешенных данных и учитывайте n_eff.

Введите целевые доли по соцдему и распределение в вашем опросе — получите веса для каждой ячейки. Расчёт идёт в браузере, без сохранения данных.

Когда нужно взвешивание — когда ваша выборка не репрезентирует целевую популяцию (например, в опросе 70% женщин, а в генеральной — 51%). Веса корректируют этот перекос.

1. Переменные

Переменная 1

Категории через запятую

Переменная 2 (опционально)

Категории через запятую

2. Целевые доли в популяции (%)

Сумма по каждой переменной = 100%. Источник: Росстат, ВПН, отраслевые данные.

3. Распределение в вашем опросе (число респондентов)

Введите количество респондентов в каждой ячейке. Алгоритм рассчитает вес для каждой ячейки.

Метод Post-strat требует целевые доли для каждой ЯЧЕЙКИ (cross-table). Raking — только маргиналы по каждой переменной отдельно.

N выборки

—

Эфф. размер

—

Дизайн-эффект

—

Веса по ячейкам

Соберите соцдем в опросе WebAsk и взвешивайте выборку здесь

Создать опрос бесплатно

Как использовать веса

Post-stratification

Вес = target_share / sample_share по каждой ячейке. Простой метод, требует целевые доли по cross-table (например, пол × возраст).

Iterative raking (IPF)

Требует только маргиналы (доли отдельно по полу, отдельно по возрасту). Итеративно подгоняет веса под маргиналы. Используется когда нет полных cross-tab данных.

Дизайн-эффект

Показывает потерю точности из-за взвешивания. DEFF = 1 + CV²(weights). При DEFF=1.5 эффективный размер выборки на 33% меньше реального.

Trimming весов

Если вес слишком большой (10+) — обычно лучше его обрезать. Иначе один респондент тянет всю статистику. Рекомендуется обрезать веса в диапазоне 0.3-3.

Часто задаваемые вопросы

Когда нужно взвешивать выборку?

Когда распределение по соцдему в вашем опросе отличается от популяции, а вы хотите обобщать результаты на всю популяцию. Например, в опросе 70% женщин, а в стране — 51%. Без взвешивания результаты будут смещены в сторону женских ответов. Перед сбором ответов спланируйте объём через калькулятор размера выборки.

Чем post-stratification отличается от raking?

Post-stratification требует целевые доли для каждой ячейки cross-table (пол × возраст × регион). Raking использует только маргиналы (доли отдельно по полу, отдельно по возрасту). Raking удобнее, когда полных cross-tab данных нет.

Что такое дизайн-эффект?

DEFF = 1 + CV²(weights), где CV — коэффициент вариации весов. Показывает, во сколько раз эффективный размер выборки меньше реального. При DEFF=2 ваша выборка n=400 эквивалентна простой случайной n=200.

Где взять целевые доли?

В России — Росстат (rosstat.gov.ru), ВПН-2020. По регионам — региональные стат-управления. По отраслям — отраслевые ассоциации. Для онлайн-аудитории — Mediascope, Brand Analytics.

Когда не помогает взвешивание?

Если в каких-то ячейках нет ни одного респондента, вес не определён. Если выборка систематически отличается по ненаблюдаемым переменным (например, по доходу), взвешивание по соцдему не уберёт смещение.

Как применить веса в анализе?

Умножьте каждый ответ респондента на его вес. Среднее с весами: Σ(x_i × w_i) / Σ(w_i). В большинстве BI-инструментов (Tableau, Power BI) и Excel есть формула SUMPRODUCT для взвешенного среднего.

Какой максимальный вес допустим?

Стандартная практика — обрезать веса в диапазоне 0.3-3 (или 0.5-2 для строгих требований). Слишком большой вес означает, что один респондент сильно искажает результат — это снижает надёжность.

Что если ячейка пустая?

Алгоритм пометит её как «нет данных». Варианты: 1) перейти на raking (только маргиналы); 2) объединить ячейки (например, 18-24 + 25-34); 3) допустить смещение и явно сообщить в отчёте об ограничении.

Сколько переменных можно взвешивать одновременно?

Технически iterative raking работает с 3-5 маргиналами. Практический предел: 4 переменные (пол, возраст, регион, образование). Больше — высока вероятность пустых ячеек и нестабильных весов. Чем больше переменных взвешивания, тем больше дизайн-эффект и меньше эффективный размер выборки.

Меняется ли стат-значимость после взвешивания?

Да. Эффективный размер выборки (n_eff) после взвешивания меньше реального n, поэтому стандартные ошибки растут. Доверительные интервалы расширяются на √(deff). Делайте все тесты значимости на взвешенных данных и учитывайте n_eff, не реальное n.

Все инструменты

Соберите соцдем в WebAsk и взвешивайте выборку

Создайте опрос с блоком соцдем-вопросов, посчитайте распределение, рассчитайте веса здесь и применяйте в анализе.

Создать опрос бесплатно