Eficiencia de cuatro diseños de muestreo probabilístico: estudio de simulación Monte Carlo
Palabras clave:
muestreo probabilístico, muestreo estratificado, muestreo por conglomerados, muestreo sistemático, simulación Monte Carlo, efecto de diseñoResumen
Introducción: el diseño de muestreo determina la precisión de las inferencias, pero sus diferencias rara vez se cuantifican con parámetros conocidos. Comparamos cuatro diseños probabilísticos (aleatorio simple, estratificado, por conglomerados y sistemático) para estimar una media, una desviación típica y una proporción.Método: bajo supuestos especificados, generamos una población sintética de N = 1 000 000 de personas (edad, peso y sexo) en 40 000 racimos de 25. Por diseño extrajimos 1 000 muestras de n = 2 000 con estimaciones e intervalos de confianza al 90 %, 95 % y 99 %. Evaluamos sesgo, error cuadrático medio, eficiencia relativa, efecto de diseño, cobertura y amplitud de intervalos.Resultados: los cuatro diseños fueron prácticamente insesgados (sesgo relativo ≤ 0,197 %). Estratificar por edad ganó solo en la edad, variable de estratificación (eficiencia relativa: 10,37 en la media; 2,94 en la desviación típica), no en el peso ni en la proporción de hombres; su eficiencia media (3,29) baja a 1,52 sin la media de la edad. El sistemático con marco ordenado por una variable asociada a la edad ganó moderadamente (2,01). Los errores estándar aproximados dieron coberturas excesivas (99,9 % y 99,1 % al 95 %), corregidas a 93,6 % y 95,4 % con errores coherentes con el diseño. Los conglomerados fueron los menos eficientes (efecto de diseño ≤ 2,85).Conclusiones: ningún diseño dominó; la eficiencia dependió de la relación entre el diseño y el parámetro. Como los diseños compartieron tamaño muestral, pero no se compararon a igual costo operativo, los resultados se refieren a eficiencia estadística, no a superioridad económica. La ventaja del estratificado depende de los estratos definidos por edad y de los supuestos de esta población sintética.
Referencias
1. Neyman J. On the two different aspects of the representative method: the method of stratified sampling and the method of purposive selection. Journal of the Royal Statistical Society. 1934;97(4):558-625. https://doi.org/10.2307/2342192.
2. Horvitz DG, Thompson DJ. A generalization of sampling without replacement from a finite universe. Journal of the American Statistical Association. 1952;47(260):663-685. https://doi.org/10.1080/01621459.1952.10483446.
3. Cochran WG. Sampling techniques. 3rd ed. New York: John Wiley & Sons; 1977.
4. Särndal CE, Swensson B, Wretman J. Model assisted survey sampling. New York: Springer-Verlag; 1992. https://doi.org/10.1007/978-1-4612-4378-6
5. Lohr SL. Sampling: design and analysis. 3rd ed. Boca Raton: Chapman and Hall/CRC; 2022. https://doi.org/10.1201/9780429298899
6. Kim JK. Statistics in survey sampling. Boca Raton: Chapman and Hall/CRC; 2025. https://doi.org/10.1201/9781003606147
7. Kalton G. Probability vs. nonprobability sampling: from the birth of survey sampling to the present day. Statistics in Transition New Series. 2023;24(3):1-22. https://doi.org/10.59170/stattrans-2023-029.
8. Wu C. Statistical inference with non-probability survey samples. Survey Methodology. 2022;48(2):283-311. https://www150.statcan.gc.ca/n1/pub/12-001-x/2022002/article/00002-eng.htm.
9. Tillé Y. Sampling and estimation from finite populations. Hoboken: John Wiley & Sons; 2020. https://doi.org/10.1002/9781119071259
10. Madow WG, Madow LH. On the theory of systematic sampling, I. The Annals of Mathematical Statistics. 1944;15(1):1-24. https://doi.org/10.1214/aoms/1177731312.
11. Iachan R. Systematic sampling: a critical review. International Statistical Review. 1982;50(3):293-303. https://doi.org/10.2307/1402499.
12. Azeem M, Hussain S, Ijaz M, Salahuddin N, Salam A. An improved version of systematic sampling design for use with linear trend data. Heliyon. 2023;9(6):e17121. https://doi.org/10.1016/j.heliyon.2023.e17121.
13. Kish L. Survey sampling. New York: John Wiley & Sons; 1965.
14. Valliant R, Dever JA, Kreuter F. Practical tools for designing and weighting survey samples. 2nd ed. Cham: Springer; 2018. https://doi.org/10.1007/978-3-319-93632-1
15. Morris TP, White IR, Crowther MJ. Using simulation studies to evaluate statistical methods. Statistics in Medicine. 2019;38(11):2074-2102. https://doi.org/10.1002/sim.8086.
16. Chapuis K, Taillandier P, Drogoul A. Generation of synthetic populations in social simulations: a review of methods and practices. Journal of Artificial Societies and Social Simulation. 2022;25(2):6. https://doi.org/10.18564/jasss.4762.
17. Siepe BS, Bartoš F, Morris TP, Boulesteix AL, Heck DW, Pawel S. Simulation studies for methodological research in psychology: a standardized template for planning, preregistration, and reporting. Psychological Methods. 2024. Publicación anticipada en línea. https://doi.org/10.1037/met0000695
18. Kondratev M, Corrao MV, Armstrong R, Smith AMS. Assessing the uncertainty of traditional sample-based forest inventories in mixed and single species conifer systems using a digital forest twin. Forests. 2025;16(11):1617. https://doi.org/10.3390/f16111617.
19. Daraz U, Wu J, Agustiana D, Emam W. Finite population variance estimation using Monte Carlo simulation and real life application. Symmetry. 2025;17(1):84. https://doi.org/10.3390/sym17010084.
20. Alghamdi AS, Almulhim FA. Optimizing finite population mean estimation using simulation and empirical data. Mathematics. 2025;13(10):1635. https://doi.org/10.3390/math13101635.
21. Abbas M, Shehzad MA, Rabia M, Khurram H, Ijaz M. Estimation of finite population mean in a complex survey sampling. PLoS ONE. 2025;20(5):e0324559. https://doi.org/10.1371/journal.pone.0324559.
22. Rehman SA, Al-Essa LA, Shabbir J, Khan Z. On the efficiency of paired ranked set sampling for estimating the population mean in the presence of non-response. Scientific Reports. 2024;14:25334. https://doi.org/10.1038/s41598-024-76072-y.
23. Franceschi S, Fattorini L, Gregoire TG. Exploiting nearest-neighbour maps for estimating the variance of sample mean in equal-probability systematic sampling of spatial populations. Spatial Statistics. 2024;64:100865. https://doi.org/10.1016/j.spasta.2024.100865.
24. Wesołowski J, Wieczorkowski R, Wójciak W. Recursive Neyman algorithm for optimum sample allocation under box constraints on sample sizes in strata. Survey Methodology. 2024;50(2):487-511. https://www150.statcan.gc.ca/n1/pub/12-001-x/2024002/article/00003-eng.htm.
25. Sauer S, Hedt-Gauthier B, Haneuse S. Practical strategies for operationalizing optimal allocation in stratified cluster-based outcome-dependent sampling designs. Statistics in Medicine. 2023;42(7):917-935. https://doi.org/10.1002/sim.9650.
26. Lohmann A, Astivia OLO, Morris TP, Groenwold RHH. It's time! Ten reasons to start replicating simulation studies. Frontiers in Epidemiology. 2022;2:973470. https://doi.org/10.3389/fepid.2022.973470.
27. Pawel S, Kook L, Reeve K. Pitfalls and potentials in simulation studies: questionable research practices in comparative simulation studies allow for spurious claims of superiority of any method. Biometrical Journal. 2024;66(1):2200091. https://doi.org/10.1002/bimj.202200091.
28. Rhoda DA, Soofi SB, Hussain I, Clary CB, Yu M, Khanyile S, et al. Sample size parameters for vaccination coverage cluster surveys: insights from Pakistan. Journal of Survey Statistics and Methodology. 2025;13(5):587-614. https://doi.org/10.1093/jssam/smaf033.
29. Wolter KM. Introduction to variance estimation. 2nd ed. New York: Springer; 2007. https://doi.org/10.1007/978-0-387-35099-8
30. Wilson EB. Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association. 1927;22(158):209-212. https://doi.org/10.1080/01621459.1927.10502953.
31. Agresti A, Coull BA. Approximate is better than “exact” for interval estimation of binomial proportions. The American Statistician. 1998;52(2):119-126. https://doi.org/10.1080/00031305.1998.10480550.
32. Brown LD, Cai TT, DasGupta A. Interval estimation for a binomial proportion. Statistical Science. 2001;16(2):101-133. https://doi.org/10.1214/ss/1009213286.
33. Andersson PG. The Wald confidence interval for a binomial p as an illuminating “bad” example. The American Statistician. 2023;77(4):443-448. https://doi.org/10.1080/00031305.2023.2183257.
34. Curto J. Confidence intervals for means and variances of nonnormal distributions. Communications in Statistics - Simulation and Computation. 2023;52(9):4414-4430. https://doi.org/10.1080/03610918.2021.1963448.
35. Bhushan S, Pandey S. Optimality of novel estimators for variance estimation under successive sampling. Communications in Statistics - Theory and Methods. 2025;54(14):4635-4653. https://doi.org/10.1080/03610926.2024.2425746.
36. Dagdoug M, Goga C, Haziza D. Model-assisted estimation through random forests in finite population sampling. Journal of the American Statistical Association. 2023;118(542):1234-1251. https://doi.org/10.1080/01621459.2021.1987250.
37. Deville JC, Särndal CE. Calibration estimators in survey sampling. Journal of the American Statistical Association. 1992;87(418):376-382. https://doi.org/10.1080/01621459.1992.10475217.
38. Heikkinen J, Henttonen HM, Katila M, Tuominen S. Stratified, spatially balanced cluster sampling for cost-efficient environmental surveys. Environmetrics. 2025;36(5):e70019. https://doi.org/10.1002/env.70019.
39. Prentius W, Grafström A. How to find the best sampling design: a new measure of spatial balance. Environmetrics. 2024;35(7):e2878. https://doi.org/10.1002/env.2878.
40. Jauslin R, Panahbehagh B, Tillé Y. Sequential spatially balanced sampling. Environmetrics. 2022;33(8):e2776. https://doi.org/10.1002/env.2776.
41. Yasmeen U, Noor-ul-Amin M, Hanif M. Variance estimation in stratified adaptive cluster sampling. Statistics in Transition New Series. 2022;23(1):173-184. https://doi.org/10.2478/stattrans-2022-0010.
42. Groves RM, Fowler FJ, Couper MP, Lepkowski JM, Singer E, Tourangeau R. Survey methodology. 2nd ed. Hoboken: John Wiley & Sons; 2009.
43. DISPONIBILIDAD DE DATOS Y CÓDIGO
44. No se utilizaron datos primarios procedentes de participantes. Se adjuntan dos scripts Python de comprobación independiente: S1 (Suplementario_S1_simulacion_muestreo.py) implementa el esquema de generación poblacional, selección de muestras y medidas de desempeño descrito en el método; S2 (Suplementario_S2_figuras.py) genera gráficos auxiliares a partir de sus resultados. Ambos archivos son ejecutables y documentan sus parámetros. No sustituyen los scripts originales con los que se produjeron las tablas y figuras del manuscrito, que no estuvieron disponibles para esta revisión; por ello, la reproducción numérica exacta de los resultados publicados continúa pendiente de contrastación por el autor.
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Marco Antonio Ramos Espinal
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
