Capitulo 5 A Logica da Amostragem do Survey Neste livro, como em muitos outros, 0 termo sumey'tem sido usado com o sentido implicito de "survey por amostragem", ‘por opasicto ao estudo de todas as componentes cle uma popu lagdo ou grupo. Tipicamente, métodos de survey sio usados para estudar um segmento ou parcela — uma amostra — de uma populagio, para fazer estimativas sobre a natureza da populagio ‘otal da qual a amostra foi selecionada. Embora a pritica de usar amosiras seja aceita mais ou menos tacitamente, as razées para amostrar, em geral, no sio conhwcidas. Consideremos breve- mrente estas razdes, antes de nos voltarmos para a Idgica e as técnicas da amostragem, Por Que Fazer Amostrogem? Ha duas razdes para justificar 2 amostragem: tempo © custo. Uma entrevista de um survey domiciliar abrangente pode exigir de uma a trés horas e de $40 a $100. A economia de estudar 2,000 pessoas ao invés de, digamos, 500.000 & Obvia. Portanto, amostear muitas vezes tozna possivel um projeto, enquante a recusa em amostrar acabasia com a pesquisa. No entanto, a amostragem no deve ser vista como um mal necessario. Em geral nao se reconhece que surveys por amostragem so muitas vezes mais precisos do que entrevista todos os componentes de uma populagao. Este fato aparente- mente bizarro resulta de diversas caracteristicas da logistica do survey por entrevista“S Primeiro, um grande projeto de entrevistas requer um riimero enorme de entrevistadores. Pesquisadores caracteristi- camente tentam limitar seu pessoal 20s melhores entrevistadores disponiveis, e um grande projeto provavelmente exige contratar qualquer pessoa disponivel, resultando que qualidade geral clos entrevistadores ¢ mais baixa do que a habitual. A qualidade dos dados coletados se reduz pela menor qualidade dos entre- vistadores. Além disso, uma pesquisa em menor escala permite procedimentos de acompanhamento mais severos, aumentando a taxa de entrevistas completas Segundo, j4 que entrevistar todos os membros de uma populagio grande requer uma fase de entrevisias longa, fica Uificil e mesmo impossivel especificar a gpoca a qual se referem os dados. Se a pesquisa visar medir 0 nivel de desemprego numa grande cidacle, o indice de desemprego fornecido pelos dados do survey nio se referem 4 cidade, seja do inicio, seja do fim das entrevistas. Ao invés, tem que dar alguma data hipotétice a0 indice de desemprego, talvez 0 ponto médio do periodo de entrevistas. (Pedir aos entrevistados para responder sobre uma data especificada uniforme introduz 0 problema da recordacdo imprecisa.) O problema da atribuig20 do tempo é inerente a qualquer projeto de entrevistas 930 cxecutado num 56 momento, € a gravidadle do problema ctesce com a duregio do periodo de entrevistas. Se entrevistar tomar dez meses — com 0s indices de desemprego variando neste periodo — 0 indice resultante nao terd significado, Finalmente, os requisitos administratives de um grande survey sio muito maiores do que os em geral encontradas pelos pesquisadores por surveys. A supervisio, os relatérios, © treinamento € assim por diante so muito mais dificeis num grande survey ¢ a qualidade dos dados coletados pode ser menor do qué a obtida num trabalho menor € mais manejavel (Vale a pena observar que o Bureau do Censo nos EUA produz um survey por amostragem aps 0 censo decenal para avaliar 0s dados colhidos na enumeragao total.) Dados por Amostragem Sao Realmente Exatos? Apesar da discessio anterior, talvez voré ainda sinta algun desconforto quanio 2/amostragem, Uma vez que é possivel uma amostra representar erroneamente a populagao da qual € obtida, 0 pesquisador que usa métodos de amostragem enfrenta um perigo incvitivel. No entanto, como mostraremos neste capftulo, procedimentos de amostragem bem estabelecidospodem tornar aceitivel esse perigo. Surveys por amostragem podem permitir estimativas muito precisas sobre as populacdes ‘que retratam, Mas 0 pesquisador de sureeys por amostragem deve estar preparado para tolerar uma certa ambiguidade, uma vez que raramente € possivel determinar o grau ce preciso dos achados de uma amostra. Pesquisacores de opiniio politica representam um grupo de pesquisadores por surveys a quem é dada a oportunidade de verificar a precisto dos achados das suas amostras. O dis da eleicio € 0 do julgamento final para eles, ¢ suas experiéncias sio instrutivas em relac2o @ questao mais geral da precisto dos surveys por amostragem. A maioria dos criticos dos métodos de surcey por amosiragem lembra a votacio do Literary Digest de 1936, que previu a vitdria de Alfred M. Landon sobre Franklin D, Roosevelt por maioria absoluta. Pesquisando uma amostra de mais de 2 millhdes de eleitores pelo correio. o Digest previu que Landon derrotaria Roosevelt em quase 15 pontos percentuais. A razi0 principal deste fracasso foi a moldura de amostragem usada pelos pesquisadores (discutiremos este conceito depois). A amostra do Digest foi tirada de catélogos telefonicos € listas de registras de automéveis, um procedimento de amostragem que foi suficiente nas cleigdes de 1920, 1924, 1928 ¢ 1932, mas que em 1936 nao forneceu um corte representativo dos eleitores americanos. No rastro da Depressio, ¢ no meio do New Deal, niimeros sem precedentes de americanos pobres apareceram para volar, € estas pessoas pobres no estavam adequadamente representadas pelos catdlogos telefanicos e listas de registros de automéveis.' Em 1936, George Gallup previu comretamente que Roosevelt ganbaria um segundo mandato. Os procedimentos de amostra- gem de Gallup diferiant dos do Literary Digest. © Instituto Americano de Opinio Pablica de Gallup foi pioneiro no uso da amosiragem por cotas (descrita posteriormente neste capitulo), que garantia a todos os tipos de eleitores, ricos © pobres igualmente, adequada representacao na amostra. Onde a pesquisa do Digest falhou em encontrar € interrogar os eleitores pobres — predominantemente Democratas —, a amostragem por colas de Gallup 0 fez. Doze anos depois, Gallup ¢ a maioria dos outros pesqui- sadores de opinizo politica passaram pelo constrangimento de prever a vit6ria de Thomas Dewey sobre Harry Truman. Como observou Goodman Ace, acidamente: “Todos acrediam nas pesquisas de opinido piiblica, Todos, desde o homem da rua até o presidente Thomas E. Dewey.” Varios fatores conspiraram paracausar 0 fiasco da pesquisa de 48. Para comegar, a maiotia dos pesquisadores terminou sua pesquisa cedo demais, apesar de uma tendéncia constante em diregio a Truman no transcorrer da cam- panha. Grande nimero dos eleitores que dlisseram nao saber em quem votariam foram predominantemente para Truman, Mais importante, contudo — 0 fracasso de 48 apontou uma série de falhas inerentes & amostragem por cotas, 0 mesmo método que fora um avango considcrivel sobre os métodos de amostragem do Literary Digest. Em 1948, diversos pesquisadores académicos de survey estavam experimentando métodos de amosiragem probabi- Istica, De forma geral, eles tinham muito mais sucesso do que os amostradores por cotas, € a amostragem probabilistica continua sendo © método mais respeitado por pesquisadores de survey. Esta breve discussio conta uma hist6ria parcial das fases iniciais do survey por amostragem nos EUA, talvez as custas da fé do leitor nos métodos destes survey. Para com. pensar, consideremos 0 cursiculo mais recente da precisto da pesquisa cle opiniao politica. Em novembro le 1988, George Bush recebeu 54% dos votos para presidente; Michael Dukakis 46%, Mas os eleitores nao tiveram que esperar os resultados das urnas para saber quem havia vencido. Varias pesquisas de boca de urna, entrevistando amostras de eleitores logo apés sairem das secoes eleitorais, mostraram as seguintes estimativas dos resultados, apresentados na Tabela 5-1 TABELA 5-1 Resultados dos pesquisa de boco de vino: novembro de 1968 Buh Dukes CBS News /New York Times 54% 46% ABC News / Washington Post 54% 46% NBC News / Wall Sreet Journat 54% 46% Los Angeles Times 54% 46% FONTE ~ Dados laos de Ae nn, jon. 169, 25-2. odes CBS far reels pa cexiuiros"rpstarn’. No lugar dos 2 milhdes ck eleitores avaliados pelo Literary Digest em 1936, estas quatro pesquisas de boca de urna amostraram entre 6.000 € 20.000 eleitores para predizer a votagio dos mais dle 90 milhdes de americanos que foram as umas. Os resultados destas Pesquisas nao foram surpreendentes, apenas confirmaram a tendéncia relatada nas pesquisas feitas na semana anterior & eleigio.© que as grandes pesquisa tinham a dizer, em geral basezdas em amostras de 2.000 ou menos entrevistados, esti apresentado ma Tabela 5-2. TABELA 5-2 Pesquisas de opinidc politica antes da eleicdo de 1988 Bush Dukakis CBS News / New York Times (45/11/88) 55% 45% Pesquisa Gallup (3-5/11/88) 56% 44% USA Today 7 CNN (3-6/11/88) 55% 4586 Pesquisa Hamtis (2-5/11/88) 53% 47% ABC News / Washington Post (2-5/11/88) 35% 45% NBC News / Wall Sircet Journal (l-5/1/88)___$3% __ 47% FOMIE = Dos odes de Abi Gin oud 1988, p39, Lede des fam eles gra exhicos “reps ni" Surveys por amastragem podem ser extremamente precisos. Ao mesmo tempo, devemos conceder que, aincla hoje, muitas vexes niv 0 sio. O resto do capitulo apresenta as razdes e as regras para obter precisio na amostragem. Dois Tipos de Métodos de Amostragem Util distinguir dois grandes tipos de métodos de amostragem: amostragem probabilistica ¢ amostragem ndo- probabilistica. O cerne deste capitulo se dedica 4 amostragem probabilistica, por ser hoje o método mais respeitado ¢ Util Uma parte menor do capitulo considera os varios tipos de métodos de amostragem nio-probabilistica Vamos iniciar com uma discussio sobre a légica da amostragem de probabilidade, seguida de uma breve taxonomia de conceitos € terminologia de amostragem. Depois nos vol- taremos para 0 conceit de distribuigao amostral, que é 9 base para estimar a precisio dos achados do suey por amos: lragem. Estas discussdes tedricas serio seguidas por consi deragdes sobre molduras de populagdes e de amostragem, focalizando os problemas priticos de como determinar 0 grupo alvo do estudo € como comecar a selecionar uma amostra. A seguir examinaremos os tipos bisicos de desenhos ue surveys: amosiras alealsrias simples, amosiras sistemdticas, amostras estratificadas, ¢ amostras por conglomeradios [cluster. Enodiscuticemos © descreveremos brevemente a amostragem ndo-probabilistica © capitulo termina com breves consideragdes sobre alguns Uusos no-stirvey dos métodos dle amostragem em areas como 4 analise de conteiido, a observacao panticipante ¢ a andlise historia, Esperamos que vocé se familiarizara © suficiente com a Logica do survey por amostragem para poder aplicar este conhecimento numa ampla varicdade de situacdes: Logica da Amostragem de Probabilidade \ histéria dts pesquisas de opiniao politicas mostra que surveys por amostragem podem scr ben precisos. Ao mesmo tempo, deve ficar igualmente claro que as amostras devem ser selecionadas ewidadosamente, Consideraremos ra- pidamente 0 porgué disso. As Implicacdes da Homogeneidade ¢ da Heterogeneidade Se todas os membros de uma populagic fossem idénticos uns aos outros em todos 0s sentidos, no haveria necessidade de procedimentos cuidacosos de amostragem; qualquer amosira sefia suficicnte. De fato, neste caso extremo de homogencidade, um case bastaria como amostra pare estudar as carscteristicas de toda & populagio. Antes de descartar essa iléia como impossivel, lembre-se de que muito da amostragem cientifica € feita desta forma. Nas ciéncias fisicas, cm algumas situagdes, & seguro fazer tal suposi¢lo. O quimice que testa centas propriedades do carbone, por exemplo, nao precisa passe pela enumeracao sofricht de todo, © carbono no mundo, pani depois selecionar uma amostra proba- bilisica dle moléculas cle carbeno para estudo. Do mesmo modo, © médlco ou 0 clinico que examina o sangue de uma pessoa no retirar todo © sangue dela, part depois sc :1 probabilistica de célukas sangdineas. Para fins préticos, ngue ch pessoa ¢ sutficiente qualquer Mas, se bi variagio ou heterogeneidade na populagio estudada, 0 pesquisador deve usar procedimentos de amostra- gem mais controkidos. Vale a pena assinalar a aplicabilidade maior deste principio além da pesquisa social, As origens da moderna (eoria de amostragem eso na pesquisa agricola, especialmente no trabalho de R. A. Fisher, cujo nome continua associado & algumas das estatisticas de survey mais usacas,Para nossos fi imponante assinalar a heterog neidade dos grupos sociais {Como as pessoas diferem de varias formas, cada populagao humana € composta de individuos variados. Uma amostra de individuos de uma popul: conter essencialmente 4 mesma variacao existente na popula para permitir clescrigdes titeis dela. A amostragem probabilistica Eum méiodo eficiente para extrair uma amosira que reflta cometa- mente a variagio existente na populacdo como um tod, Vies Consciente e Inconsciente de Amostragem E claro que qualquer um pode sclecionar uma amostra de survey, mesmo sem einamento ou cuidade especial. Para selecionar uma amostra de 100 estudantes universitdrios, oma pessoa pode ir a0 campus ¢ enirevistar os alunos que ali encontrar andando. Este tipo dé méicdo de amostragem, muitas vezes usado por pesquisedores nao treinados, tem problemas muito sérios. Para comegar, bd o perigo dos vieses pessoais do pes- quisador afetarem a amosira selecionads desta forma; por- tanto, ela nao representaria realmente a populagio estudantil Suponha, por exemplo, que voct se sente intimidado por estudantes com ac bippy'e acha que eles ridicularizariam seu trabalho. Portanto, voce pode evitar, consciente ov incons. star (ais pessoas. Por outto lado, voce Gientemente, entre pode sentir que as atitudes de estudiantes de aspecto “sério” nao seriam celevantes part suas finalidades de pesquisa, evitando entrevisti-los. Mesmo que buscasse entrevistar um grupo “equilibrado” de estudantes, talvez vocé nao soubesse quais as proporgdes adequadas dos tigos diversos de alunos para tal equilibria, ou talve7 vocé nao teaha como identificar os dlferentes Uipos, apenas vendo-os passar. Mesmo fazendo um esforgo de entrevistar cada décimo estudante que entrasse na biblioteca universitiria, voce nio garantiria uma amosira representativa, uma vez que tipos diferentes de alunos visitam a biblioteca com frequéncias diferentes. Portanto, a amostra sobre-representaria aqueles estudantes que usam it biblioteca com mais frequéncia Representatividade e Probabilidade de Selecéo Amostras de surveys devem representar as populagdes das quais so retiradas, se devem fornecer estimativas titeis quanto daquela populagio. Nao necessitam, contudo, As caracteristser representativas em todos os aspectos: representatividade, ro sentido que tem para a amostragem, limita-se 4s caracteristicas relevantes para os interesses substantivos da pesquisa. (Este ponto ficara mais evidente nas discussdes posteriores sobre estratificagao.) Um principio basico da amostragem probabilistica é: tna amnostra serd vepresentativa da populagcio da qual for selecionada, se todos os membros da populagdo tiverem oporiunidade igual de serem selecionados para a amostra.’ Amnosttas com esta qualidade sio freqiientemente rotuladas de amosiras MIPSE (metodo de igual probabilidade de sel tarde variagdes deste principio, trate-se clo princi que fundamenta a amostragem probabilistica Indo além deste principio basico, devemos entender que Amosiras — mesmo as amostras MIPSE cuidadosamente selecio- nadas — raramente, talvez nunca, s20 perfellamente representa- sivas das populagdes das quais sio retiradas. A despeito dessa limitagao, a amostragem probabilistica oferece duas vantagens especiais para os pesquisadores, J Primeiro, amostras probabilisticas, embora jamais perfeia- mente representativas, S40 ipicamente mais representativasdo que outros tipos de amostras, porque os vieses discutides acimma sio evitados. Na pritica, hii maior possibilidade de uma amostea probabilistica ser eepresentativa da populagdo cla qual € extraida do que uma amasira nio-probabilistica. ~/ Segundo, ¢ mais importante, 2 teoria da probabilidade permite estimar a precisko ou represematividade da amostra E concebivel que v0cé, por meios totalmente aleatérias, sclecione uma amostra que represente quase perfeitamente a populagao maior. No entanto, € muito mais provavel que nao o faga, € vocé no tem como avaliar a probabilidade de cer atingido a representatividade, Por outro lado, a amostra probabilfstica pode fornecer uma estimativa precisa do seu sucesso ou fracasso. Apés apresentar uma breve taxonomia da terminologia da amostragem, examinaremos os meios pelos quais se pode estimar a representatividade da sua amostra. Conceitos e Terminologia de Amostragem AS seguintes dliscussties dt teoris ¢ pritica da amostragem usa virios termos técnicos. Pata faciliar a compreensto das dis- cussdes, € importante defini-los. Na maior parte, usaremos termos habitualmente usados em manuais sobre amostragem € estatisicaAo apresentar esta taxonomia sobre terminologia € conceitos de amostragem. quero reconhecer uma divida para com Leslie Kish & seu excelente manual sobre © survey por amostra- gem.‘ Embora eu tenha modificado algumas das convencdes usadas por Kish, a sua apresentagio é a mais importante fonte para a nossa discussio. Elemento Um elemento é a unidade sobre a qual a informacao & coletada, e que serve de base para a andlise. Tipicamente na pesquisa de survey, os elementos s30 pessoas ou certos tipos de pessoas. Entretanto, outros tipos de unidades — familias, clubes, corporagées ctc. — podem também constituir 0 elementos de um survey. Universo Um universo é a agregac2o tedrica ¢ hipotética de todos ‘0s elementos definidos num survey: Se 0 americano indivi- dual for o elemento do survey, envio “americanos” serio 0 universo, Porém, um universo de survey é totalmente no especificaclo quanto a tempo ¢ lugar e € essencialmente um termo indti Popule<éo Populagdo € 2 agcegacao (eoricamente especificada de elementos do survey. Embora o termo vago “americanos” posta Constituir 0 universo de um survey, delinear a popvlagao inclui definir o elemento “americano” (por exemplo, cidadania € residéncia) o referencial de tempo para a pesquisa (ameri canos desde quando?) Tradwair © universo “nova-iorquinos adultos" para uma populacao trabalhivel requer especificar 2 idade, definindo “adulto”, as fronteiras de Nova Torque etc. Especificar 0 termo “estudante universitério” inclui levar ‘em conta estudantes de horério integral € parcial, candidatos a diplomas ou nao, estudantes dos cursos de graduagio € pos-graduacao, € atributos similares. Embora sc tenha que comecar especificndo cuidadasa- mente @ populacio, em geral a licenca postica permite que voce escreva seu relaténio ema termos do universo hipotético. Por facili dade de apresentagao, mesmo 0 pesquisador mais consciencioso nommalmente fala de “americanos” ¢ no de “cidadios residentes dos Estados Unidos da América a panir de 12 de novembro de1989". A orieatagio principal nese assunto, como na maioria mio confundir ov iludir os leitares dos outros, Populagéo do survey Uma popniasdo do survey & a agregagao de clementos dla qual é de fato extraida a amostra do survey, Lembreese de que uma popukigio é uma especificacao tedrica do universo. Na pritica, raramente voc’ pode gartntir que todos ox clementos que se enquadram nas definigdes tedricas estabclecidas tm cfetivamente 2 chance de serem selecionados para :t mostra Mesmo as listas de clementos compiladas especitica pata fics de amostragem costumam ser algo incompletas. Alguns estudiantes sto sempre inadverticke mente omitidas das listagens de alunos. Hi usuirios de ielefones que exigem que seus nomes ¢ ntimeros nio sejam incluidos nos catdlogos. Ponanto, a populigao de survey é a agregagiv dos elementos dos quais a amostra & selecionada Muit lagdes de sinvey mais severamente do que o indicado nos veres, pesquisadores deciclem liminary sis pope ‘exemplos acim. Firms de pesquisa de opiniao podem limits suas ‘amosteas nacionais” aos quaccnia € oito Estados adj centes, omitindlo, por razdes pritiens, 0 Alasea © © Hat Lim pesquisador, to selecionar uma amostra de professores de psicologia, pode limitar 2 populagio do sn7eey aos pro: fessores de psicologia em depanamentos dle psicologia, omi- lindo os que pertencem a outros departamentos. (Num certo, swatido, podemos dizer que esies pesquisadores redcfiniram SeUS universos € populagdes, continto que tenh estas revisdes claras para os leltores.) m tornado Unidode de Amostra Uma wridade de amosira & 0 elemeno ou conjunto de elementos considerados para selegio cm ailguma capa da amostragem. Numa amostra simples, de estigio anico, as unidades de amostra 86 0 mesmo que os elementos. Ma em amosiras mais complexas, pode-se usar niveis diferentes de unidades de amostra. Por exemplo, um pesquisidor pode, Primeiso, extrair una amosira de quasteirdes numa cidade, depois uma amosira de vesidéncits nesses quancirdes ¢, enfim, uma amoste de adultos nas resideneias selecionadas nestas Urds etapas de amostragem eindes, residéncias € udultos, sendoque 86 08 diktimos s40 05 elementos. De forma mais especifica, os termos “unidades primarias de amostea,” “unidades secun- dirias de amostra” e “unidades finais de amostra” devem ser usadas pare designar as etapas sucessivas. Roldura de Amastragem Uma moldura de amosiragem & a lista de wnidades de amosira da qual a amostra, ou alguma ctapa dela, ¢ selecionada Se uma amostea simples de estudantes for sclecionada de uma listagem de estudantes, a listagem seria a moldurs de amos- tragem. Se a unidade priméria de amostra para uma amostra populacional complexa for o quaneirio, a lista os quaneirdes a moldura de amostragem — na forma de livreto impresso, caro arquivo da TBM, fila magaética ou arquivo em disquete %4 No planejamento de amostra de etapa tinica, a moldura de amosiragem 6a lista dos elementos compando a populacao de survey. Na pratica, muitas vezes sto as molduras de amostragem disponiveis que definem as populagdes de survey, a0 invés do contririo, Freqiientemente, voce comega com um Universo ou talvez uma populagio em mente para sua pesquisa, ¢ depois procura possiveis molduras de amostragem. As mol- dvras disponiveis slo examinadas ¢ avaliadas, € voce escolhe a mokdura que representa a populacdo de survey mais apro- priada para seus fins. A relagao entre populagdes ¢ molduras de amosteagem € critica, ndo tendo recebido atengao suficiente. Uma segio posterior deste capitulo aprofunda a questio. Unidade de Observacéo Uma unidade de observactio, ov unidade de coleta de dados, é um elemento ou agregacao de elementos de que st colets informagio. A unidade de andlise ¢ a unidade de obser: vaio muitas veres S20 0 mesmo —a pessoa individual — mas isso nao € necessirio. Por exemplo, entrevistar chefes de familia (as unidades de observagdo) para coletar informacio sobre todos os seus membros (as unidades de anilise), Atarefa é mais simples quando a unidade de andlise a unidade de observacio sio © mesmo. Mas, Ireqiientemente isso nao € possivel ou vidvel, obrigando-o a usar alguma engenhosidade para obter dados relevantes de suas unidades de andlise, sem de fato observé-las.Voriavel Uma varidvel é um conjunto de caracteristicas mutuamente excludentes, como sexo, idade, emprego etc. Podemos descrever 195 clementos de uma populagio em rermos das suas caracterfs- ticas individuais numa varidvel. Tipicamente, surveys visam des- crever a distribuigto das ceracterfsticas de uma varidvel numa populacio, Assim, vocé pode descrever a distribuigao etéria de uma populagao examinando a frequéncia relativa das diferentes idades dos seus membros, Repare que uma variivel, por definigio, deve ter variagao, s¢ todos os elementos na populacdo tém a mesma caracterstics, esta Caracteristica € uma constante na populacio e nao parte de ‘uma Variével Parémetro Um pardmetro é a descrigao sunviria de uma variivel numa populagao. A renda média de (odas as familias numa cidade € 2 distribuigao etéria da populagio da cidade sto parametros. Pate ipontante da pesquisa por surveys envolve a estimativa dos parametros populacionais baseada em observagbes amostrais. Estatistica Uma estatistica é a descrigio suméria de uma varivel mum survey por amostragem. Portanto, a cenda média computada a partir de um survey por amostragem € a disiribuigio etdria daquela amostra sto estatisticas. Usa-se estatisicas de amosiras para fazer estimativas sobre parimetros populacionais, Erro omostral © erro amestral é discutido com mais detalhes numa seco posterior deste capitulo. Métodos de amostragem probabilistica raramente ou nunca fornecem estatisticas exatamente iguais aos parimetros que buscam estimay. Entretanto, a teoria da proba- bilidade permite estimar 0 grau de erro a ser esperade num determinado desenho de amostragem. Niveis de Confionca e Intervalos de Confianga Estes termos também sio discutidos com mais detalhes numa seo posterior. Computar o erro amostral permite expressar a precisio das suas esatistcas em termos do nivel de confianga,estabelecendo que essas estatisticas esto dentro de um interval especificado do parimerro. Por exemplo, vacé pode dizer que esti “95% confiante” que sua estaistca (por exemplo, 50% favorecem © candidato X) esta dentro de mais ou menos ( +) 5 pontos percentuais do pardimetro populacional. Quando vocé expand: o intervalo cle confianga para uma dada estatistica, sua “confianga® aumenta; vocé pocle dizer que tem 99,9% de confianga de que sta estatistica estd dentro de + 7,5 pontos percentuais do parimetto, Teoria da Amostragem Probabilistica e Distribuigéo Amostral eo examina a (eoria bisica da amos babilistica tal como ¢ aplicada ao survey por amostragem; consideraremos a I6gica da distribuigdo amostal € erro amostral em relagio 2 uma uaridvel binomial, ov seja, uma variavel con- indo em duas caracteristicas. em pro. Teoria de Amostragem Probebilistica A finaliclace vitima do survey por amostragem ¢ selecionar tum conjunto cle elementos de uma populagao de tal forma que descrigdes destes elementos (estatisticas) descrevam com precisio a populacio total da qual foram selecionadas. amostragem probabilistica fornece um método para ampli 2 possibilidade de alcancar esta meta, bem como métodos para estimar o grau de sucesso provavel => Selecto aleattria é a chave deste proceso, Num processo de selegio aleatéria, cada elemento tei chance igual de selec3o, independence de qualquer outro evento do processo de selegao. Jangar uma moeda perfeita & 0 exemplo mais frequentemente citado; tirar uma cara ou uma coroa & independente de selecdes anteriores de caras ou coreas. Outro exemplo é jogar um conjunto de dados perfeicos. Estas imagens de selegto aleat6ria, contudo, raramente se aplicam diretamente aos méodos de survey por amosteagem, E bem mais provivel vocé usar tabelas de nlmeros aleatérios ‘0g programas de computador que selecionam aleatoriamente as unidades de amostragem. A disponibilidade destes auxilios A pesquisa torna-os um bom comeco para nossa discu: sobre a amostragem aleatbria ‘As razdes para usar métodos de selegdo aleat6ria, ou seja, labelas de nmeros aleatérios ov programas de computador,sao duas. Primero, este procedimento funciona como antidoto as vieses conscientes ou inconscientes do pesquisador. O pes- quisador que seleciona casos de forma intuitiva pode muito bem selecionar casos que apéiam expectativas ou hipoteses de pesquisa preexistentes. Segundo, a selecao aleatéria d4 acesso 2 teoria da probabilidade, que € a base para as estimativas sobre parimetros populacionais ¢ as estimativas de erro. Passemos agora a0 exame deste segundo aspecto, Distribuicdo Binomial do Amostragem A forma mais clara de discutic ¢ conceito da distribuigio amosteal € usar um exemplo simpies de survey. Suponha que queremos estudar a populagio estudantil de uma universi- dade para medir a aprovagao ou rejeico de um cédigo de conduta estudantil proposto pela administracio. A populagao do survey seré 4 agregacao de estudantes relacionados numa listagem de alunos (a moldura de amostragem). Os elementos serdo 0s estudantes individuais da universidade. A varidvel considerada seré atitudes quamo ao cédigo, uma variavel binomial — aprovar ou cejeitar, Selecionaremos uma amostra aleatéria de estudantes para estimar (odo 0 corpo estudantil A Figura 5-1 apresenta um eixo de ordenadas represen- tando todos os valores possiveis deste pacdmetro na popula- {so — de 0 até 100% de aprovagio, O ponto médio do eixo— 50% — representa a situaa0 na qual metade das alunos aprova © cédigo, enquanto a outra metade rejeta-. ‘Vamos supor que demos um niimero a cada aluno da list gem, c que selecionamos 100 nimeros de uma tabela de niimeros aleat6rios. Os 100 estudantes cujos nimeros forem selecionados so enurevistados © perguntados quanto a sua atitude em relagio a0 cédigo estudantil— se aprovam ou rejeitam. Suponhamos que cesta operagio nos da 48 alunos que aprovam o cédigo e 52 que rejeitam. Podemos representar esta estatistica marcando a orde- nada no ponto correspondente 4 48%, Agora suponba que selecionamos outra amostra de 100 alunos exatamente da mesma forma, ¢ que medimos sua aprovagio/rejeicio do cédigo estudantil e que 51 estudantes desta amostra aprovem 0 cédigo; esse resultado pode ser representado por outra marca no local apropriado da ordenada, Repetindo © proceso, podemos descobrir, que, numa terceira amostra, 52 alunos aprovam 0 cédigo,FIGURA 5-1 Percentage de alunos que eprovam o cidigo estudanil ° 50 100 1A Figura 5-2 mosura as ués diferentes estatisticas representando as porcentagens de alunos em cacka uma das irés amostras aleatérias que aprovam 0 cédigo estudantil. A regra basica da amostragem aleat6ria € que as amostras extraidas de uma populagio fomecem estimativas do pardmetro relative & populagao total. Portanto, ca amostra aleatéria dé uma estimativa da porcentagem de estu- dantes em todo 0 corpo estudantil que aprovam o cédigo de estu- dantes. No entanio, infelizmente selecionamos trés amostras € agora temos trés estimativas distintas FIGURA 5-2 Percentogem de olunos que aprovam o cédigo extudenil mostra 2 (51%) ta 168%) ™ [/— Aneera 3 (2%) ° 50 00 FIGURA 5-3 Porcentagem de elunes que aprovam o ciigo estudotil o 30 700 Para escapar deste dilemma, vamos extrair mais € mais amos- tras de 100 alunos cada, perguntar a cada uma das amostras sobre sua aprovagio/rejeigio do cédigo, € marcar as novas estatisticas no nosso grafico de resumo. Ao extrair muitas amostras, vamos descobrir que algumas das novas amostras repetem as estima- tivas dadas por amostras anteriores. Para explicar esta situagdo,acrescentemos um eixo de abcissas 2 figura, representando ‘© ntimero de amostras que fornecem estimativas. A Figura 5-3 mostra © produto dos nossos novos esforgos amostrais. A distribuigao das estatisticas amosteais, mostrada na Figura 5-3, € chamada distribuigdo amostral. Ao aumentar 0 nGmero de amostras selecionadas e entrevistadas, também aumentamos a extensio das estimativas fomecidas pela operacio de amostragem. Num sentido, agravamos nosso dilena de tentar adivinhar © parimetro da populacio. No entanio, a teoria da probabilidade oferece certas regras importantes relativas & distribuicao de amosteas mostrada na Figura 5-3. Primeiro, se muitas amostras aleat6rias independlentes si0 extraidas de uma populagao, as estatisticas amostrais fomecidas por estas amostras estardo distribufdas em torno do parmetio populacional de uma forma conhecida. Embora haja uma ampla faixa de estimativas, a maioria estd mais proxima dos 50% do que de outra parte do grifico. Portanto, # teoria da probabilidade nos diz que © valor real esté prdximo 40s 50%. Segundo, a teoria da probabilidade nos da uma formula para estimar guilo préximo as estatisticas ca amostragem esto aglomeradas em torno do valor real. Esta fSrmula contém trés fatores: © parametro, o tamanho da amostra € 0 erro padréo (uma medida do erro da amostragem), da Formula: S=V 52 Simbolos: P, Q: Os parametros populacionais para o binomial; se 60% do corpo estudantil aprovam océdigoe 40% rejeitam, Pe Q sio 60% € 40%, 04 0,6 ¢ 0,4 Observe que Q=1- Pe P=1-0. nO numero de casos em cada amostea 5. © erro padrao. Suponha que o pardmeteo populacional seja 50% de apro- vagio € 50% de rejeicao. Recorde que estivemos selecionando amosiras de 100 casos cada. Quando estes ntimeros 880 postos ra fSrmula, vemos que 0 erro padrio € igual a 0,05, ov 5%. Em termos da teoria da probabilidade, 0 erro padrio € um dado valioso porque indica em que medida as estimativas esto distribuidas em torno do parimetro popula- cional. Especificamente, a (eoria da probabilidade indica que certas proporgdes das estimativas amostrais esto dentro de incrementos especificados de erros padrao do parametro populacional. Aproximadamente 34% (0,3413) das estimativasamostrais esto até um desvio padrlo acim do parimetro da populaglo, ¢ outros 34% até um desvio padrio abaixo do parime- to. No nosso exemplo, o erro padrdo 5%, entao sabemos que 3496 das amostras darlo estimativas de aprovacio estudantil entre 50% (parimetro) € 55% Cum erro padrio acima); outros 34% das amosizas mostrarbo estimativas entre 50% € 454% (um desvio pa- dedo abaixo do parimetro), Reunindo-as, sabernos que aproxima~ damente dois cergos (68%) das amostras resultario em estima~ tivas denteo (mais ou menos) de 5% do pardmetro Alem disso, a woria da probabilidade diz que cerca de 95% das amostras estario dentro cle (mais ou menos) dois erros padrio do valor verdadeiro, e 99.9% das amostras dentro de (mais ou menos) trés desvios padrio. Neste exemplo, ponanto, sabemos que s6 uma amostra em mil resultaria numa estimativa abaixo de 35% de aprovaca0 ou acima de 65% de aprovacio. A proporeao dle amosteas caindo entre um, dois ou és eos padrio do parimetro € constante para qualquer procedi- mento de amosiragem aleatéria como a que foi descrita, contanto que se selecione grande némero de amostras. Contudo, 0 tama- iho do erro pado & uma fun¢a0 do parimetro populacional ¢ do tamanho da amostra. Se voltarmos & f6rmula, vemos que 0 ferro pad aumenia como funga0 de um aumento na quantidade PQ. Veja, também, que esta quantidade atinge o avéximo quando a populacio é dividida a0 meio Se P= 0,5, PQ= 0,25; se P= 0.6, PQ=0,24; Se P= 08, PQ = 0,16; se P= 0,99, PO = 0,0009. Por extensio, se P for 0,0 ou 1,0 (isto €, se 0% ou 100% aprovarem o ccédigo estudantil), o erro padrio seri 0, Se todos na populagao tém a mesma atitude (sem variagio), ento qualquer amostra dard exatamente a mesma estimativa O erro padrio é também uma fungao inverse do tamanho da amostra. A medida que o tamanho la amostra cresce, o €170 padrio diminui, e as varias amostras estarao aglomeradas mais, préximas a0 valor verdadeiro. Qutra regra ¢ evidente a partir da férmula: devide & raiz quadrada na férmula, o erro padrio fica reduzido pela metade Se 0 tamanho da amostea for guadru- plicado. Em nosso exemplo, amostras de 100 produzem um erro padrlo de 5%; para reduzir 0 erro padrdo a 2,5%, terfamos que aumentar 0 tamanho dz amostra para 400. (© apéndice B traz uma tabela para ajuda-lo a fazer essas estimativas.) © que discutimos provém da teoria da probabilidade esta- belecida, referente a selecio de grandes aimeros de amostras aleatérias, Se 0 paramerro populacional for conhecido, ¢ muitas amostras aleatérias forem selecionadas, poderemos predizer quantas amostras cairo dentro de intervalos especifi- cados 2 partir do parimetro. No entanto, estas condigéesnao sho tipicas do survey por amostragem. Usualmente, 0 pesquisador desconhece 0 parimetro € conduz um survey por amostragem para estimé-lo. Ademais, os pesquisadores de survey normalmente nao sclecionam grandes atimeros de amostras, em geral extraindo s6 uma, Apesar disso, a discussio acima sobre a teoria da probabilicade fornece uma base para inferéncias sobre a situagdo tipica dlos surveys Se a teoria da probabilidade diz. que 68% das amostras estardo dentro de um erro padrio do parametro, 0 pesquisador infere que uma amostra aleat6ria tem uma probabilidade de 68% de estar dentro daquela faixa. Neste sentido, falamos de niveis de confianca: voce tem “68% de confianga" que a estimativa da sua amostra esti dentro de um exto padrao do pardmetro, ou tem “95% de confianga” que a estatistica da amostra esté dentro de dois eros padrio do parimeteo, € assim por diante. Compreensivelmente, a confianca aumenta quanto mais se estende a margem para erro, Vocé estd virtual mente positive (99,9% de conflanca) que a estimativa da amosira esta dentro de trés erros padrao do valor verdadeico. Embora confianie (em algum nivel) de estar dentro de urna certa faixa do pardmetro, jf assinalamos que raramente voc® conhece o pardmetto, Para resolver este dilema, voce subs- titui o parametro na f6rmula pela sua estimativa de amostra- ‘gem; na falta do valor verdadeiro, vocé o substitui com a melhor estimativa disponivel. © resultado destas inferéncias € estimativas € que 0 pesquisidor de survey toma-se capaz de estimar tanto um pari- metro populacional quanto 0 grau esperado de erro com base numa amostra extraida da populaco. Comesando com a pergunta: “Qual porcentagem do corpo estudantil aprova 6 novo codigo”, voce pode selecionar uma amostra aleatéria de 100 alunos ¢ entrevisti-los. Vocé pode relatar que sua melhor estimativa é que 30% do corpo estudantil aprovam 0 cédigo, € tem 95% de confianga que entre 40 c 60% (mais ou menos dois eros padrio) aprovam. A faixa de 40 a 60% & chamada de intervalo de confianca. Esta € 2 logica basica da amostragem probabilistica. A sclecao aleatéria permite ligar os achados do survey por amostragem 20 corpo da tcoria da probabilidade para estimar 2 precisio daqueles achados. Todos os enunciados de precisto 11a amostragem devem especificar tanto um nivel de confianga quando um intervalo de confianca. Vocé pode informar que esté 246 confiante de que o parimetro populacional esté entre dois valores especificadosA discussao precedente considerou apenas um tipo de estatistica — as porcentagens produzidas por uma variavel binomial ov dicotémica, A mesma logica se aplica ao exame de outras estatisiicas, tais como renda média. Uma vex que as computagdes sao mais complicadas, nesta introducio- consideramos apenas os binomiais Advertimos que 0 uso da teoria da probabilidade, como discutide nesta segdo, nao est plenamente justificado em termos técnicos. A tora da distribuigao amostral, por exemplo, faz suposigdes que quase nunca se aplicam as situagdes de surveys. A [érmula usada para avaliac 0 numero de amostras que estariam contidas dentro de incrementos especificados de erros padrao, por exemplo, supde uma populacio infinita, lum numero infinito de amostras © amostragem com substituicéo. Ademais, na nossa discussio, © salto inferencial da distribuicao de virias amostras para as caracteristicas provaveis de uma amostra foi grosseiramente simplificado. sas adverténcias sio feitas por razbes de perspectiva Pesquisadores, is vezes, parecem superestimar a preciso das estimativas produzidas pelo uso da teoria da probabilidade em conexdo a pesquisa por survey. Mencionaremos em outras partes deste capitulo e do liveo que variagdes nas técnicas de amostragem e fatores de nao-amostragem podem reduzir ainda mais a legitimidade de tais estimativas. Nao obstante, 08 célculos discutidos nesta seco podem scr de grande valor para compreender € avaliar dados. Embora no fornegam precisas quanto se pode supor, podem ser bastante vilidos para fins praticas, € 820 inquestionavelmente mais validos do que estimativas detivadas menos rigorosamente, paseadas em métodos de amostragem menos rigorosos. Voce deve se familiarizar com a Logica bisica subjacente 20s céleulos, para poder reagir sensatamente tanto aos scus préprios dados quanto aos dados informados por outros. estimativas Populacées ¢ Molduras de Amostragem ‘seco anterior lidou com um modelo te6rico para amos- tragem de survey: Se o consumicor de sumeys, 0 cstudante ou 0 pesquisador precisam conhecer essa teora, Jevern igualmente saber avaliar as condigdes imperfeitas existentes no campo. Esta seqio discule um aspecto das condigées de campo que requer compromisso entre as condigdes € o8 supostos te6ricos — a congruéncia ov a disparidade entre populagdes ¢ molduras de amostragemDito simplesmente, uma moldura de amosteagem & a lista, ou fac-simile razoavel, de elementos dos quais € selecionada ‘uma amosira probabilistica. A prOxima seca0 trata dos méiodos de selecionar amostras, mas primeiro precisamos considerar a propria moldura de amostragem. Amosteas corretamente selecionadas fornecem informagbes apropriadas para descrever 2 populagio de elementos que compdem a moldura de amos- tragem — nada mais. £ preciso enfutizar este ponto, dada a lendéncia do comum entre pesquisadores de selecionar amostra cle uma dada moldura dle amostragem e entio fazer afirmacdes sobre uma populacao semethante, mas nado idéntica, 2 populacio do survey definida pela moldura de amostragem. © problema mais amplo da generaliza¢ao social-cientitica, equivalente a estudar uma pequena igreja luterana em Dakota do None para descrever 2 religido nos UA. No restante da segio examinaremos finalidades diversas para os surveys € discutiremos boas € mis molduras de amostragem para aquelas finalidades. Surveys de organizacoes Ireqiientemente sio 0 tipo mais simples de survey, do ponto de vista da amostragem, porque, ipicamente, organizagées passvem listas de membros. Nestes casos, a lista de membros € uma excelente moldura de amos- tragem, Se uma amostra aleatéria € selecionada de uma lista de membros, ©s dados colhidos desta amostra podem ser considerados como representativos de todos os membros — caso todos os membros forem incluidos na lista. Se alguns nao tiverem sido incluidos, deve-se fazer um esforco para amos- trélos; do contririo, os achados do survey $6 podem ser consi- derados como representatives daqueles membros na lista Populagdes que oferecem boas listas organizacionais sdo escolas primérias ¢ secundarias, estudantes universita membros de igrejas; operdrios de fabricas; membros de frater- nidades e grémios, de clubes sociais, de servica ou paliticos; e membros de associagdes profissionais, Estes comentarios se aplicam principalmente a organizagoes locais. Organizagées estaduais ou nacionais freqiientemente no em uma dinica lista de membros facilmente disponivel. Por exem- plo, nio hé uma lista Unica de todos os membros da Igreja Episcopal. Mas um planejamento de amostiagem um pouco mais complexo pode aproveitar as listas de membros de igrejas locais amostrando primeiro igrejas e depois subamostrando as listas de membros dessas igrejas. Outras listas de individuos podem ser especiatmente relevares as necessidades de pesquisa de survey. Por exemplo,agéncias governamentais mantém listas cle cleitores registrados caso voce queira fazer uma pesquisa pré-cleitoral de opiniio ‘ou um exame mais detalhado do comportamento eleitoral, mas vocé deve cenificar-se de que a lista esti atualizada. Listas semethantes contém nomes de donos de automavets, le recebe- dores de beneficios sociais, de contribuintes de impostos, pessoas cam licengas comerciais, profissionais licenciados ete Embora algumas clestas istas sejam dlificeis de: conseguit, podem fomecer excelentes molduras de amostragem. Como os eementos de amostragem num survey nio precisam ser pessoas, hi diversas Fists com outros tipos de elementos: universidades, negécios de virios tipos, cidades, revistas académicas, jornais, sindicatos, clutes politicos, associagdes profissionais ete Catilogos Iclefonicos si0 muito usados para pesquisas de opiniao “ripidas ¢ sujas". Inegavelmente sio ficcis de fazer e de baixo custo, 0 que sem diivida responde pela sua populiridade, € se voce quiser fazer afirmacdes sobre assinantes ctelefones, 0 catilogo é uma moldura de amostragem razoavel- mente boa infelizmente, com excessiva freqiiéncia, os cati- logos telefnicos so usados como lista da populacao de un cidade ou dos seus eleitores. Hi muitos defeitos neste &po de raciveinio, © principal sendo um viés de classe social Gente pobre tem menos possibilidade de ter telefones: wna amostra tle catdlogo telefnico, portanto, provavelmente teri uma predisposiga0 para as classes média ¢ alta, (O Capitulo 10 examina um método especial para amostragem em relagao a surveys ielefOnicos: discagem aleatéria de algarismos) Catdlogos de ruas e mapas de impostos sio frequente- mente usados como fontes ficeis para amostras de residéncias, mas podem softer das mesmas desvantagens dos catilogos (clefonicos, tais como serem incompletos ¢/ou enviesades. Por exemplo, em regides urbanas com zoneamento rigoroso, unidades residenciais ilegais 2m pouca possibilidade de aparecerem em registros oficiais. Resulta que, nao tendo estas unidades chance de selecio, os achados das amostras no sho representativos dlessas uniclades, tipicamente mais pobres © superlotadas, Revisdo de Populacées e Molduras de Amostragem Uma vez que a literatura da pesquisa por suneys tem sido surpreendentemente descuidacla com as questées de populacdes € molduras de amostragem, dou-thes atengio especial. Para maior Enfase, listo, em revisho, as principals diretrizes a lembrat.1° achados dos survey's por amostragem sé podem ser « _erados representatives da agregacio de elementos que compéem 2 moldura de amastrager. 2. Muitas veres, as molduras de amostragem nto inchyem de faxo todas 06 elementos que seus nomes svgerem, (Diretérios de estudantes no inchiem todas os estudantes, catilogos tele(Onicos rio incluem todos os assinantes) ‘Omissdes so quase inevitiveis. Poranto, uma primeira preocupagio deve str avalar 2 extensio destas omissoes € comigilas se possivel. (Nawuralmance, tave2 voce possa ‘gnorar, sem prejuize, um pequeno agmero Se amissbes ¢ difel comes20) 3. Para poder gencralizar a populagio que compoe a moldura de amostragem, € necessirio que todos os ‘elementos tenham representacio igual nels; cada elemento deve aparecer uma 6 vez. Do contririo, elementos que aparecem mais de uma vez terio maior probabilidade de seleglo, € a amosira, no geral, sobre-teprescatars exes elementos. Outros assuntos mais priticos, relacionados as populagées © molduras de amastragem, so tratados em outros capitulos. Por exemplo, 0 formato da maldura de amostragem — uma lista numa publicacao, um arquivo em fichas 3x5, placas addressograph, cartes TBM, fitas magnéticas, disquetes — € muito importante, Tais consideragdes frequentemente ganham precedéncia sobre consideragdes cientificas; uma lista mais “facil” podera ser escolhida contra uma lista mais “dificil”, mesmo que esta seja mais apropriada 4 populaglo alvo, Nao devemas ser dogméticos 4 este respeito; os pesquisadores devern pesar cuidaclosamente as vantagens ¢ as clesvantagens relativas destas alternativas. © mais importante € que vocé esteja ciente — e deve informar sev leitor — das deficiéncias de qualquer moldura de amos- tragem que escolher. Tipos de Desenhos de Amostragem Introducéo Talvez, a essa altura, vot esteja apavorado com a importincia € as dificuldades para organizar sua moldura de amostragem; & um sentimento coneto ¢ saudavel. Apés éstabelecer a moldura de amas- tragem, voce deve selecionar uma amosira de clementos para estudo,Até agora, focalizamos a amastragem aleatéria simples, De fato, as estaisticas usadas em geral pelos pesquisadores de stovey supdem tal amostra. Mas, como logo veremos, hd diversas opgdes para fazer a amostragem, e raramente se opta pela alealéria sim- ples, por duas razdes. Primeiro, a amostragem aleatéria simples 56 € possivel com 2s molduras de amostragem mais simples Segundo, a amostragem alcat6ria simples pode nao sero méiode melhor (o mais preciso). Discutiremos agora a amostragem alca- t6ria simples © outros tipos de desenhos de amostragem: Amostragem Aleotéria Simples ‘A amostragem alcatéria simples [AAS] € 0 método de amostragem bisico suposto pelos calculos estatisticos do suey. ‘A matemitica da amostragem aleat6ria é particularmente com- plexa, € nus desviaremos dela, preferindo descrever os méwodos de campo que empregam este métoclo, Uma vez estabelecida uma meldura de amostragem de acordo com a discussio anterior, voce numera cada elemento da lista, atribuindo um e s6 um némero a cada um, sem saltar enum nGmero, A seguir, usa uma tabela de ntimeros aleat6rios para sclecionar os clementos da amostra Se sua moldura de amostragem esti em formato proprio para computadores, como um disquete, uma amostra aleat6ria simples pode ser extraida automaticamente, usando um programa de computador rclativamente simples. Com efeito, © computador pode numerar os elementos da moldura de amostragem, gerar sua propria série de niimeros aleat6rios, € imprimir a lista de elementos selectonaclos. Amostragem Sistematica A amostragem aleatéria simples rarameme € usada na Pratica. Em geral, n30 € 0 métado de amostragem mais eficiente, € jd vimos que pode ser trabalhoso quando feito manual- mente, A AAS habitualmente requer uma lista de elementos, quando esta lista esté disponivel, geralmente os pesquisa dores usam © método de amosiragem sistemdlica, a0 invés da amostragem aleatéria simples. Na amosteagem total (por exemplo, cada 100*) é escolhido para inctusio na amostra. Se a lista tem 10.000 elementos, ¢ voce quer uma amostra de 1,000 elementos, seleciona cada d mento para a amostra. Para garantia contra algum viés humanopossivel a0 usar este método, voce seleciona 0 primeira elemento aleatoriamente. No exemplo acima, voc’ comega excolhendo um nimero aleat6rio enire 1 € 10; 0 elemento com este némero é incluido na amostra, mais cada décimo clemento seguinte. Refere-se (ecnicamente a este procedimento como uma “amostna sistematica de inicio aleat6rio’ Dois termos sto usados frequentemente em conexto coma amostragem sistemitica. © iniervatio de amosivagem & a distancia padio entre os elementos selecionados na amostra — 10 no exemplo acima. A razdo amosiral é a proporgao «le clementos selecionados da populagho — um décimo no exemplo acinya (A razd0 amosteal é igual a Lintervalo de amostragem.) Na prética, a amostragem sistemtica € vinwalmente idntica a amostragem aleatéria simples, De fato, se a lista de elementos for *randomizada" antes da amostragem, pode-se argumentar que lama amostragem sistemitica rotirada daqucla lista é, aa realie dade, uma amostra aleatcria simples. Os debates quanto aos éritos relatives da amostragem aleatéria simples ¢ da amosiet- {gem sistematica foram resolvidos largamenie em favor do método mais simples, a sistematica, Empiricamente, os resultados sio vir- tualmente idénticos. Além disso, como veremos, a amostragem sistematica, em algumas situagdes, 6 um pouco mais precisa do que a amostragem aleat6ria simples. A amostragem sistemAtica (raz um perigo: 0 arranjo dos elementos na lista pode desaconselhar uma amostrd sistem Este perigo & cm geral referide pelo termo poriodicidadle, Se a lista de elementos estiver organizada num padrio cfclico que coincide com 0 intervalo de amostragem, resultacd uma umostrt grosseiramente tendenciosa. Dois exemplos bastam. Num estudo de soldados durante a 1/ Guerra Mundial, ‘0s pesquisadores selecionaram cada décimo soldado das lista- gens das unidades. Mas estas estavam organizadas sob a forma de uma tabela organizacional, listando primeito 0s sargentos € depois cabos € pragas, pelotio por pelotao, sendo que cada pelotde tinha clez membros. Pocnto, cada dlécima pessoa na lista era um sargento de pelotdo, ¢ a amosira sistemdtica selecionada tinha apenas sargentos, Poderia acontecer, também, que nenhum sargento fosse selecionado, Noutro cxemplo, suponha que queremos selecionar uma amostra de apanamentes num prédio. Se a amostra for extraida de uma lista dos apartamentos organizados em ordem numérica (por exemplo, 191, 102, 103, 104, 201, 202, e assim por diante), hd 0 risco do intervalo de amostragem coincidircom o nlimero de apartamentos num andar ou seu mihiplo, Neste caso, a amostra poderia incluir apenas apartamentos do lado noroeste, ou $6 apanamentos perto dos elevadores. Se estes tipos de apartamentos tiverem alguma caracteristica peculiar em comum (por exemplo, aluguel mais efevado), 2 amostra seria tendenciosa. Risco semelhante pode surgir numa amios. tragem sistematica de casas numa subdivisdo organizada com o mesmo niimero de casas num quaneitio. Ao considerar uma amostra sistematica a partir de uma lista, voce deve examinar cuidadosamente a natureza da lista Se os elementos esto arranjados nalguma ordem particular, Bvidentemente, um guia teleffinico nfo includ novos assinantes nem {quem prefere nao ter 6 nimero listado. A amostragem se complica mais com 2 inclusio de listagens no residenciais, como lojas e escritérios. Veja, por exemplo, GLOCK, Charles Y., RINGER, Benjamin B., BABBIE, Earl R To Comfort and to Challenge. Berkeley: University of California Press, 1967. Apéndice A. * Por exemplo, KISH, Survey Sampling. " HORNIK, Jacob, ELLIS, Shmuel. Strategies to Secure Compliance for a Mall Intercep« Interview. Public Opinton Quarterly, v.52, p.539-55l, iavero 1988. Leituras Adicionais BABBIE, Earl. The Practice of Social Research. Belmont, CA: Wadsworth, 1989. cap.7. COCHRAN, William G. Sampling Techniques. New York: Jobn Wiley & Sons, 1963. FRANKEL, Martin R., FRANKEL, Lester R. Fifty Years of Survey Sampling in the United States. Public Opinion Quarterly, v.51, p.8127-8138, invemo 1987. HANSEN, M. H., HURWITZ, W. N., MADOW, W. G. Sample Survey Methods and Theory. New York: John Wiley & Sons, 1953. 2V. KISH, Leslie. Survey Sampling. New York: John Wiley & Sons, 196: SCHEAFFER, Richard L., MENDENHALL, William, OTT, Lyman, Elementary Survey Sampling. North Scituate, MA: Duxbury Press, 1979.