Composite Sampling: A Novel Method to Accomplish Observational Economy in Environmental Studies

این تک نگاری برای اولین بار جامع ترین گزارش آماری را از نمونه برداری مرکب به عنوان یک روش نمونه برداری محیطی مبتکرانه برای کمک به انجام اقتصاد مشاهده ای در انواع مطالعات زیست محیطی و اکولوژیکی ارائه می دهد. نمونه گیری شامل انتخاب، اکتساب و کمی سازی بخشی از جامعه است. اما اغلب آنچه مطلوب است مقرون به صرفه نیست و آنچه مقرون به صرفه است کافی نیست. چگونه با این معضل کنار بیاییم؟ از نظر عملیاتی، نمونه گیری ترکیبی تمایز بین انتخاب، اکتساب و کمی سازی را تشخیص می دهد. در کاربردهای خاص، این یک تجربه رایج است که هزینه های انتخاب و اکتساب خیلی زیاد نیست، اما هزینه کمی سازی یا اندازه گیری به طور قابل ملاحظه ای بالا است. در چنین شرایطی، می‌توان نمونه‌ای را به اندازه کافی بزرگ انتخاب کرد تا نیاز نمایندگی و دقت را برآورده کند و سپس با ترکیب چندین واحد نمونه‌گیری در کامپوزیت، هزینه اندازه‌گیری را به سطح مقرون به صرفه کاهش داد. بنابراین نمونه‌گیری ترکیبی رویکردی برای مقابله با معضل کلاسیک اندازه‌های نمونه مطلوب در مقابل مقرون‌به‌صرفه، زمانی که روش‌های آماری مرسوم در حل مشکل شکست می‌خورد، ارائه می‌دهد. نمونه‌گیری ترکیبی، حداقل در شرایط ایده‌آل، اطلاعاتی را برای تخمین میانگین جمعیت از دست نمی‌دهد. اما یک محدودیت مهم برای این روش، از دست دادن اطلاعات مربوط به مقادیر نمونه فردی، مانند مقدار بسیار زیاد است. در بسیاری از موقعیت‌هایی که مقادیر تک تک نمونه‌ها مورد توجه یا نگرانی هستند، روش‌های نمونه‌گیری ترکیبی را می‌توان برای بازیابی اطلاعات مربوط به مقادیر نمونه‌ای که ممکن است به دلیل ترکیب از بین بروند، به‌طور مناسب اصلاح کرد. در این مونوگراف، ما راه‌حل‌های آماری را برای این مسائل و مسائل دیگری که در زمینه کاربردهای نمونه‌گیری ترکیبی مطرح می‌شوند، ارائه می‌کنیم.

This monograph provides, for the first time, a most comprehensive statistical account of composite sampling as an ingenious environmental sampling method to help accomplish observational economy in a variety of environmental and ecological studies. Sampling consists of selection, acquisition, and quantification of a part of the population. But often what is desirable is not affordable, and what is affordable is not adequate. How do we deal with this dilemma? Operationally, composite sampling recognizes the distinction between selection, acquisition, and quantification. In certain applications, it is a common experience that the costs of selection and acquisition are not very high, but the cost of quantification, or measurement, is substantially high. In such situations, one may select a sample sufficiently large to satisfy the requirement of representativeness and precision and then, by combining several sampling units into composites, reduce the cost of measurement to an affordable level. Thus composite sampling offers an approach to deal with the classical dilemma of desirable versus affordable sample sizes, when conventional statistical methods fail to resolve the problem. Composite sampling, at least under idealized conditions, incurs no loss of information for estimating the population means. But an important limitation to the method has been the loss of information on individual sample values, such as the extremely large value. In many of the situations where individual sample values are of interest or concern, composite sampling methods can be suitably modified to retrieve the information on individual sample values that may be lost due to compositing. In this monograph, we present statistical solutions to these and other issues that arise in the context of applications of composite sampling.