มันเป็นแบบฝึกหัดที่ดีในการรักษามุมมองที่แตกเป็นครั้งคราวดังนั้นฉันขอเริ่มด้วยการเสนอเหตุผลสองสามประการเพื่อสนับสนุนการสุ่มหลอกแบบนี้ โดยหลักแล้วพวกมันจะแตกต่างจากการสุ่มตัวอย่างแบบอื่นเล็กน้อยเช่นการได้รับตัวอย่างของสื่อสิ่งแวดล้อมที่จุดของกริดในสนามหรือการสุ่มตัวอย่างต้นไม้อื่น ๆ ในสวนผลไม้ดังนั้นการสุ่มตัวอย่างนี้อาจสนุกกับข้อดีที่เปรียบเทียบกันได้ .
การเปรียบเทียบที่นี่สมบูรณ์แบบ: อายุเป็น "gridded" โดยเริ่มต้นที่จุดเริ่มต้นของศูนย์และมอบหมายให้กับกลุ่มที่สลับกันตามตาราง (หนึ่งมิติ) นี้ ข้อดีของวิธีการนี้คือการรับประกันความกว้างแม้การกระจายตัวอย่างข้ามสนามหรือสวนผลไม้ (หรืออายุในกรณีนี้) ซึ่งช่วยได้แม้กระทั่งอิทธิพลที่เกี่ยวข้องกับตำแหน่ง (หรือเวลา) สิ่งนี้มีประโยชน์โดยเฉพาะอย่างยิ่งเมื่อทฤษฎีแนะนำว่าสถานที่ตั้งเป็นปัจจัยหลักในการตอบสนองที่แตกต่างกัน ยิ่งไปกว่านั้นยกเว้นกลุ่มตัวอย่างเล็ก ๆ จริงๆทำการวิเคราะห์ข้อมูลราวกับว่าพวกเขาเป็นตัวอย่างแบบสุ่มอย่างง่ายที่แนะนำข้อผิดพลาดค่อนข้างน้อย นอกจากนี้ยังมีการสุ่มบางอย่างที่เป็นไปได้: ในเขตข้อมูลเราสามารถเลือกที่มาและการวางแนวของตาราง ในกรณีปัจจุบันเราอย่างน้อยสามารถสุ่มได้ว่าหลายปีเป็นเรื่องการควบคุมหรือการรักษา
ข้อดีอีกอย่างของการสุ่มตัวอย่างแบบ gridded คือการตรวจจับความแปรปรวนที่แปลเป็นภาษาท้องถิ่น ในฟิลด์นี้จะเป็น "กระเป๋า" ของการตอบสนองที่ผิดปกติ ในทางสถิติเราอาจคิดว่าสิ่งเหล่านี้เป็นอาการของความสัมพันธ์เชิงพื้นที่ ในสถานการณ์ปัจจุบันหากมีโอกาสที่ช่วงอายุที่ค่อนข้างแคบจะได้รับการตอบสนองที่ผิดปกติการออกแบบแบบ gridded เป็นทางเลือกที่ยอดเยี่ยมเพราะการออกแบบแบบสุ่มโดยบังเอิญสามารถมีช่องว่างขนาดใหญ่ในกลุ่มใดกลุ่มหนึ่ง (แต่การออกแบบที่ดีกว่าอาจแบ่งเป็น: ใช้พาริตี้ของอายุเพื่อสร้างชั้นวิเคราะห์สองชั้นจากนั้นแยกแยะผู้ป่วยแต่ละกลุ่มออกเป็นกลุ่มควบคุมและรักษา)
9แนวโน้มที่จะเชื่อมโยงกับปัจจัยที่สำคัญสำหรับการทดสอบ เรื่องนี้ทำให้เกิดความกังวลในคำถามน้อยกว่าสมมุติ: มันเป็นเรื่องจริง ณ จุดนี้คำตอบก่อนหน้าในหัวข้อนี้สามารถนำเสนอความคิดเพิ่มเติมที่ฉันอยากทำดังนั้นฉันจะหยุดและเชิญคุณให้อ่านอีกครั้ง