SamplingAnsätze

SamplingAnsätze bezeichnet eine Familie von Methoden zur Auswahl von Stichproben aus einer Grundgesamtheit oder aus einer Verteilung, um Parameter zu schätzen, Modelle zu trainieren oder Simulationen durchzuführen. Sie unterscheiden sich danach, ob die Stichproben zufällig oder systematisch gezogen werden, ob sie probabilistisch fundiert sind oder nicht, und welchem Ziel sie dienen.

Zu den statistischen Stichprobenverfahren (Wahrscheinlichkeitsstichproben) gehören einfache zufällige Stichprobe, systematische Stichprobe, geschichtete Stichprobe (Schichtung), Klusterstichprobe und Mehrstufenstichprobe. Diese Ansätze zielen oft auf Repräsentativität, Reduktion der Stichprobenvarianz und Kostenkontrolle.

Nichtwahrscheinlichkeitliche Stichproben, wie Gelegenheits-, Urteil- bzw. Quoten- oder Schneeballstichproben, verzichten auf zufällige Auswahl. Sie sind in der Praxis häufig schneller und günstiger, liefern aber potenziell verzerrte Ergebnisse und eingeschränkte Generalisierbarkeit.

Algorithmische und rechnerische Sampling-Ansätze finden sich in der Simulation und im maschinellen Lernen. Dazu gehören Monte-Carlo-Stichproben, Importance Sampling, Akzeptanz- bzw. Rejection-Sampling und Markov-Ketten-Monte-Carlo (MCMC) mit Varianten wie Gibbs-Sampling oder Metropolis-Hastings. Sequential Monte Carlo ergänzt diese Ansätze in dynamischen Modellen.

Resampling-Verfahren wie Bootstrap werden genutzt, um Varianzschätzungen, Konfidenzintervalle oder Modellstabilität zu beurteilen. In der Praxis spielen außerdem Gewichtung, Kalibrierung und Berücksichtigung von Design-Effekten eine Rolle, insbesondere bei komplexen Stichprobenentwürfen.