Koliko ispitanika mi treba: vodič za veličinu uzorka

# Koliko ispitanika mi treba: vodič za veličinu uzorka

"Koliko mi treba ispitanika?" Ovo je pitanje koje mentori na fakultetima čuju češće od bilo kog drugog. I odgovor koji studenti obično dobiju glasi: "Pa... zavisi." Frustrirajuće, ali tačno. Hajde da razložimo od čega zavisi i kako doći do konkretnog broja.

Zašto je veličina uzorka uopšte bitna?

Veličina uzorka direktno utiče na dvije stvari: statističku snagu i mogućnost generalizacije.

Statistička snaga (power) je vjerovatnoća da ćete detektovati efekat koji zaista postoji. Ako imate premalo ispitanika, čak i realan i značajan efekat može proći nezapaženo jer vaš test nema dovoljno snage da ga "uhvati". To je kao da tražite iglu u plastu sijena sa naočarima za čitanje umjesto sa reflektorom.

Standard u društvenim naukama je snaga od 0.80 (80%). To znači da želite bar 80% šansu da detektujete efekat koji postoji. Preostalih 20% je rizik od greške tipa II (lažni negativan rezultat).

Mogućnost generalizacije se odnosi na to koliko vaši rezultati vrijede za širu populaciju. Uzorak od 15 studenata psihologije vam neće reći mnogo o stavovima cijele populacije prema mentalnom zdravlju. Ali 15 ispitanika po grupi može biti dovoljno za eksperiment sa kontrolisanim uslovima.

Pravila palca: brz odgovor za početak

Prije nego što se udubimo u formule i softver, evo provjerenih smjernica koje pokrivaju većinu istraživačkih dizajna u psihologiji i sociologiji:

Tabela minimalnih veličina uzorka po tipu analize

Ove brojke pretpostavljaju srednju veličinu efekta, alfa od 0.05 i snagu od 0.80. Za manje efekte, treba vam znatno više ispitanika.

Ako planirate da koristite t-test za poređenje grupa, 30 ispitanika po grupi je minimum za stabilne rezultate. Manje od toga, i vaši intervali povjerenja će biti toliko široki da neće biti informativni.

G*Power: vaš najbolji prijatelj za power analizu

Pravila palca su dobar početak, ali za ozbiljno istraživanje trebate preciznu power analizu. Tu na scenu stupa G*Power, besplatan softver koji koriste istraživači širom svijeta.

Brzi vodič kroz G*Power

Korak 1: Izaberite tip testa.

G*Power nudi analize za t-test, ANOVA, korelaciju, regresiju, hi-kvadrat i mnoge druge. Izaberete iz padajućeg menija.

Korak 2: Izaberite tip power analize.

Za planiranje istraživanja, izaberite "A priori: Compute required sample size". Ovo vam kaže koliko ispitanika trebate prije nego što počnete da prikupljate podatke.

Korak 3: Unesite parametre.

• •Veličina efekta (effect size): Koliki efekat očekujete? Mali (d = 0.2), srednji (d = 0.5) ili veliki (d = 0.8) za t-test. Ako nemate procjenu, koristite srednji efekat kao konzervativnu opciju.
• •Alfa (alpha): Vjerovatnoća greške tipa I. Standardno 0.05.
• •Snaga (power): Standardno 0.80, a još bolje 0.90.
• •Broj grupa / prediktora: Zavisi od vašeg dizajna.

Korak 4: Kliknite "Calculate".

G*Power izbaci tačan broj ispitanika koji vam treba.

Primjer: nezavisni t-test

Recimo da istražujete da li postoji razlika u akademskoj motivaciji između studenata koji su pohađali program mentorstva i onih koji nisu. Očekujete srednji efekat (d = 0.5) na osnovu prethodnih istraživanja.

Parametri u G*Power:

• •Test: Means - Difference between two independent means
• •Veličina efekta: d = 0.5
• •Alfa: 0.05
• •Snaga: 0.80
• •Odnos grupa: 1:1

Rezultat: 64 ispitanika po grupi, ukupno 128.

Ako promijenite snagu na 0.90 (što je poželjno za publikaciju), potrebno vam je 86 po grupi, ukupno 172.

Vidite kako brzo rastu brojevi? Zato je važno da ovo radite prije nego što počnete sa prikupljanjem. Nema ničeg goreg od toga da shvatite da vam treba 170 ispitanika kad ste već prikupili 80.

Margina greške za anketno istraživanje

Ako vaše istraživanje nije eksperiment nego anketa na nivou populacije (npr. ispitivanje stavova građana), onda razmišljate drugačije. Tu vas zanima margina greške (margin of error).

Formula za veličinu uzorka:

n = (Z² p (1-p)) / e²

Gdje je:

• •Z = Z-vrijednost za željeni nivo povjerenja (1.96 za 95%)
• •p = očekivani procenat (ako ne znate, koristite 0.5 jer daje najveći uzorak)
• •e = željena margina greške (npr. 0.05 za ±5%)

Primjer: Želite ispitati koliko procenata studenata koristi AI alate za učenje, sa marginom greške od 5% i 95% nivoom povjerenja.

n = (1.96² 0.5 0.5) / 0.05² = (3.8416 * 0.25) / 0.0025 = 384.16

Trebate najmanje 385 ispitanika.

Za manju marginu greške od 3%: n = (3.8416 * 0.25) / 0.0009 = 1,067 ispitanika.

Korekcija za konačnu populaciju

Ako je vaša populacija mala (npr. 500 studenata na jednom fakultetu), primijenite korekciju:

n_adj = n / (1 + (n - 1) / N)

Za populaciju od 500 i početni n od 385: n_adj = 385 / (1 + 384/500) = 385 / 1.768 = 218 ispitanika.

Praktičan primjer: istraživanje stavova prema psihoterapiji

Dr Marković želi da ispita da li postoje razlike u stavovima prema psihoterapiji između tri starosne grupe (18-25, 26-40, 41-60). Planira jednosmjernu ANOVA-u.

Korak 1: Procjena veličine efekta.

Na osnovu prethodne literature o stavovima prema mentalnom zdravlju, očekuje mali do srednji efekat (f = 0.25).

Korak 2: Power analiza u G*Power.

• •Test: ANOVA - Fixed effects, omnibus, one-way
• •f = 0.25
• •Alfa = 0.05
• •Snaga = 0.80
• •Broj grupa = 3

Rezultat: 53 ispitanika po grupi, ukupno 159.

Korak 3: Korekcija za osipanje.

Dr Marković zna iz iskustva da oko 20% ispitanika ne završi upitnik do kraja. Zato planira da prikupi: 159 / 0.80 = 199 ispitanika.

Korak 4: Provjera izvodljivosti.

Da li može realno doći do 67 ispitanika u svakoj starosnoj grupi? Ako istraživanje sprovodi na jednom fakultetu, starosna grupa 41-60 može biti problematična. Možda treba proširiti uzorkovanje na više fakulteta ili koristiti online distribuciju.

Za planiranje distribucije ankete i praćenje prikupljanja po grupama, pogledajte naš vodič za kreiranje online ankete.

Faktorska analiza: poseban slučaj

Ako planirate eksplorativnu ili konfirmativnu faktorsku analizu, pravila su strožija. Za eksplorativnu faktorsku analizu, većina metodologa preporučuje:

• •Minimum 200 ispitanika (neki kažu 300)
• •Odnos ispitanika prema stavkama od najmanje 5:1, idealno 10:1
• •Za upitnik od 40 stavki, to znači 200-400 ispitanika

Comrey i Lee (1992) dali su sljedeću klasifikaciju:

• •100 = loše
• •200 = korektno
• •300 = dobro
• •500 = vrlo dobro
• •1000+ = odlično

Najčešća greška: "Imam 500 ispitanika, to je sigurno dovoljno"

Ovo je zamka u koju upada iznenađujuće mnogo iskusnih istraživača. Veliki uzorak sam po sebi ne garantuje ništa. Evo zašto.

Problem 1: Veličina uzorka zavisi od dizajna, ne od osjećaja.

Ako imate 500 ispitanika ali ih dijelite u 10 grupa (npr. po regionu), to je samo 50 po grupi. Za složeni ANOVA dizajn sa interakcijama, 50 po ćeliji može biti nedovoljno.

Problem 2: Reprezentativnost je važnija od veličine.

1000 studenata psihologije koji su popunili anketu za bonus bodove nisu reprezentativan uzorak opšte populacije. Bolje je imati 300 pažljivo odabranih ispitanika nego 1000 pristrasnih.

Problem 3: Previše ispitanika može biti problem.

Da, zaista. Sa dovoljno velikim uzorkom, svaka razlika postaje statistički značajna, čak i trivijalna razlika od 0.1 boda na skali od 1 do 5. Tada statistička značajnost gubi smisao i morate se osloniti na veličinu efekta. Upravo zato je razumijevanje veličine efekta i Cohen's d toliko važno.

Problem 4: Osipanje uzorka.

Ako počnete sa 500, a 200 ispitanika odustane na pola upitnika, radite sa 300. Uvijek planirajte 15-25% više ispitanika nego što vam power analiza kaže.

Šta raditi kad ne možete prikupiti dovoljno ispitanika?

Ovo je realan problem, posebno za studente koji rade diplomske radove sa specifičnim populacijama (npr. osobe sa rijetkim dijagnozama, direktori škola u jednom okrugu).

Opcija 1: Smanjite složenost dizajna. Umjesto ANOVA sa 4 grupe, razmislite o dva poređenja sa t-testom. Manji dizajn zahtijeva manje ispitanika.

Opcija 2: Koristite upareni dizajn. Upareni (within-subjects) dizajn je efikasniji jer svaki ispitanik služi kao svoja kontrola. Treba vam upola manje ispitanika u poređenju sa nezavisnim grupama.

Opcija 3: Prijavite studiju kao eksplorativnu. Ako zaista ne možete doći do dovoljnog broja, budite transparentni o ograničenjima. Nemojte tvrditi da imate 80% snage ako analiza pokazuje 50%.

Opcija 4: Razmotrte Bayesian pristup. Bayesian statistika je manje osjetljiva na veličinu uzorka i može dati informativne rezultate i sa manjim uzorcima.

Kontrolna lista prije prikupljanja podataka

Prije nego što pošaljete prvu anketu, provjerite:

• •[ ] Da li ste uradili power analizu (ne nagađanje)?
• •[ ] Da li veličina uzorka odgovara vašem specifičnom statističkom testu?
• •[ ] Da li ste uračunali osipanje (15-25% više)?
• •[ ] Da li je uzorak realno ostvariv u vašem vremenskom okviru?
• •[ ] Da li ste razmotrili ravnomjernu zastupljenost grupa?
• •[ ] Da li ste provjerili da vaš upitnik nije predugačak (što povećava osipanje)?

Zaključak

Određivanje veličine uzorka nije stvar intuicije ili kopiranja iz prethodnog istraživanja. To je formalan korak koji zahtijeva power analizu, razumijevanje vašeg statističkog dizajna i realnu procjenu koliko ispitanika možete prikupiti. Bolje je znati unaprijed da vam treba 200 ispitanika i planirati u skladu s tim, nego da to otkrijete kad je kasno.

Istražimo automatski prati koliko odgovora ste prikupili i prikazuje progress bar prema ciljanoj veličini uzorka. Postavite ciljni broj ispitanika pri kreiranju studije, i u svakom trenutku ćete znati koliko ste blizu cilja. Registrujte se besplatno i počnite da planirate vaše istraživanje na pravi način.