สมมติว่าประชากรจากที่เราคิดว่าคุณจะสุ่มตัวอย่างแบบสุ่มมีสัดส่วนของโปรโมเตอร์,ของ passives และของผู้ว่าด้วย 1 แบบจำลองของกรมอุทยานฯ คิดกรอกหมวกขนาดใหญ่ที่มีจำนวนมากของตั๋ว (หนึ่งสำหรับสมาชิกของประชากรของแต่ละคน) ที่มีป้ายกำกับสำหรับก่อการสำหรับ passives และสำหรับผู้ว่าในสัดส่วนที่กำหนดแล้ววาดภาพของพวกเขาโดยการสุ่ม ตัวอย่างของกรมอุทยานฯ เป็นค่าเฉลี่ยในการจองตั๋วที่ถูกดึง ค่าNPS ที่แท้จริงคำนวณเป็นค่าเฉลี่ยของตั๋วทั้งหมดในหมวก: มันคือp 0 p - 1 p 1 + p 0 + p - 1 = 1 + 1 0 - 1 nพี1พี0พี- 1พี1+ p0+ p- 1= 1+ 10- 1nค่าที่คาดหวัง (หรือความคาดหวัง ) ของหมวก
ตัวประมาณที่ดีของ NPS ที่แท้จริงคือตัวอย่างของ NPS ตัวอย่างของ NPS ก็มีความคาดหวังเช่นกัน ซึ่งถือเป็นค่าเฉลี่ยของตัวอย่างที่เป็นไปได้ทั้งหมดของ NPS ความคาดหวังนี้เกิดขึ้นเท่ากับ NPS จริง ข้อผิดพลาดมาตรฐานของกรมอุทยานฯ ตัวอย่างเป็นตัวชี้วัดของเท่าใด NPS ตัวอย่างที่มักจะแตกต่างกันระหว่างกลุ่มตัวอย่างแบบสุ่มและอื่น โชคดีที่เราไม่ได้มีการคำนวณตัวอย่างเป็นไปได้ทั้งหมดเพื่อหาสิ่งที่ SE: ก็สามารถพบได้มากขึ้นเพียงโดยการคำนวณค่าเบี่ยงเบนมาตรฐานของตั๋วในหมวกและหารด้วย{n} (การปรับเล็กน้อยสามารถทำได้เมื่อกลุ่มตัวอย่างเป็นสัดส่วนที่เห็นได้ชัดเจนของประชากร แต่ไม่น่าจะจำเป็นที่นี่)n--√
ตัวอย่างเช่นพิจารณาประชากรของผู้สนับสนุน , 1/3 passives, และ 1/6 detractors NPS ที่แท้จริงคือหน้า0 = 1 / 3 หน้า- 1 = 1 / 6พี1= 1 / 2พี0= 1 / 3พี- 1= 1 / 6
กรมอุทยานฯ = 1 × 1 / 2 + 0 × 1 / 3 + - 1 × 1 / 6 = 1 / 3
ดังนั้นความแปรปรวนจึง
Var (NPS)= ( 1 - NPS )2× p1+ ( 0 - NPS )2× p0+ ( - 1 - NPS )2× p- 1= ( 1 - 1 / 3 )2× 1 / 2 + ( 0 - 1 / 3 )2× 1 / 3 + ( - 1 - 1 / 3 )2× 1 / 6= 5 / 9
ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของนี้ประมาณเท่ากับ0.75
ในตัวอย่างของคุณคาดว่าจะสังเกตการณ์ของกรมอุทยานฯ ประมาณ % โดยมีข้อผิดพลาดมาตรฐานที่ประมาณ %1 / 3 = 33 0.75 / √3241 / 3 = 334.10.75 / 324---√=4.1
ในความเป็นจริงคุณไม่ทราบค่าเบี่ยงเบนมาตรฐานของตั๋วในหมวกดังนั้นคุณประเมินโดยใช้ค่าเบี่ยงเบนมาตรฐานของตัวอย่างแทน เมื่อหารด้วยสแควร์รูทของขนาดตัวอย่างจะประมาณข้อผิดพลาดมาตรฐานของ NPS: การประมาณการนี้คือระยะขอบของข้อผิดพลาด (MoE)
หากคุณสังเกตลูกค้าจำนวนมากแต่ละประเภท (โดยทั่วไปจะทำประมาณ 5 หรือมากกว่านั้น) การกระจายตัวอย่าง NPS จะใกล้เคียงกับปกติ นี่หมายความว่าคุณสามารถตีความ MoE ในรูปแบบปกติ โดยเฉพาะอย่างยิ่งประมาณ 2/3 ของเวลาที่ NPS ตัวอย่างจะอยู่ภายในหนึ่ง MoE ของ NPS จริงและประมาณ 19/20 ของเวลา (95%) NPS ตัวอย่างจะอยู่ภายในสอง MoE ของ NPS ที่แท้จริง ในตัวอย่างหากขอบของข้อผิดพลาดเป็นจริง 4.1% เราจะมีความมั่นใจ 95% ว่าผลการสำรวจ (ตัวอย่าง NPS) อยู่ภายใน 8.2% ของ NPS ของประชากร
การสำรวจแต่ละครั้งจะมีข้อผิดพลาดของตัวเอง ในการเปรียบเทียบผลลัพธ์สองรายการดังกล่าวคุณต้องพิจารณาความเป็นไปได้ของข้อผิดพลาดในแต่ละรายการ เมื่อขนาดการสำรวจใกล้เคียงกันข้อผิดพลาดมาตรฐานของความแตกต่างสามารถพบได้โดยทฤษฎีบทพีทาโกรัส: นำสแควร์รูทของผลรวมของกำลังสองของพวกเขา ตัวอย่างเช่นหากหนึ่งปี MoE คือ 4.1% และอีกปี MoE คือ 3.5% แล้วประมาณขอบเขตของข้อผิดพลาดประมาณ = 5.4% สำหรับความแตกต่างในผลลัพธ์ทั้งสองนั้น ในกรณีนี้คุณสามารถสรุปได้อย่างมั่นใจ 95% ว่าจำนวนประชากรของกรมอุทยานฯ เปลี่ยนจากการสำรวจครั้งหนึ่งไปเป็นการสำรวจครั้งต่อไปหากความแตกต่างในผลการสำรวจทั้งสองคือ 10.8% หรือมากกว่า3.52+ 4.12---------√
เมื่อเปรียบเทียบผลการสำรวจจำนวนมากเมื่อเวลาผ่านไปวิธีการที่ซับซ้อนมากขึ้นสามารถช่วยได้เพราะคุณต้องรับมือกับระยะขอบที่แตกต่างกันของข้อผิดพลาด เมื่อขอบของข้อผิดพลาดคล้ายกันหมดกฎง่ายๆคือการพิจารณาการเปลี่ยนแปลงของ MoE สามตัวหรือมากกว่านั้นเป็น "นัยสำคัญ" ในตัวอย่างนี้ถ้า MoEs โฮเวอร์ประมาณ 4% การเปลี่ยนแปลงประมาณ 12% หรือใหญ่กว่าในช่วงระยะเวลาของการสำรวจหลายครั้งควรได้รับความสนใจจากคุณและการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ อาจถูกยกเลิกได้อย่างถูกต้องเนื่องจากข้อผิดพลาดในการสำรวจ โดยไม่คำนึงถึงการวิเคราะห์และกฎของหัวแม่มือให้ที่นี่มักจะเริ่มต้นที่ดีเมื่อคิดเกี่ยวกับความแตกต่างระหว่างการสำรวจอาจหมายถึง
โปรดทราบว่าคุณไม่สามารถคำนวณระยะขอบของข้อผิดพลาดจาก NPS ที่ตรวจพบเพียงอย่างเดียว: ขึ้นอยู่กับจำนวนที่สังเกตของผู้ตอบแบบสอบถามทั้งสามประเภท ตัวอย่างเช่นหากเกือบทุกคนเป็น "passive" การสำรวจ NPS จะอยู่ใกล้กับโดยมีข้อผิดพลาดเล็กน้อย หากประชากรมีความแตกต่างกันอย่างเท่าเทียมกันระหว่างผู้สนับสนุนและผู้ว่าการสำรวจ NPS จะยังคงอยู่ใกล้กับแต่จะมีความผิดพลาดที่ใหญ่ที่สุดเท่าที่จะเป็นไปได้ (เท่ากับในตัวอย่างของคนคน)0 1 / √00 n1 / n--√n