错误计算边边距
查找调查比例的误差差差。
输入结果时更新 。
关于此计算器
误差差能告诉你调查结果可能与真实人口值相差多远, 即“ 增减” 数字, 下引至民意调查结果。 比例是z( p(1 ) - p) / n, 其中p 是样本比例, n 样本大小和 z*, 也就是你信任度的关键值 (1. 96 95%) 。 它报告比值, 信任度- 间距范围在你比例和整个间隔宽度周围。 表格显示比值随着样本增长而缩小的方式。 默认的50%比例给出了最保守( 大) 的差幅, 因为数量( 1 - p) 峰值为 p = 0.5, 民意调查者经常引用这个比例。 工作实例: 1,000 答卷者在95% 的置信度上将50% 折成1.96 × ( 0. 1000) 1. 1.06 × 3.1. 个百分点 。 因此50% 的民意调查结果实际上意味着大约46.9% 和 53.1 % 。 要将这一差减半 。
经常问到的问题
为什么更大的样本会降低误差差?
差值随样本大小的平方根缩小, 误差幅度的幅度翻了四倍。 回报率的下降就是为什么需要大样本将差值推到一两个百分点以下的原因。
为什么50%是默认比例?
p(1 - p) 数量最大, = 0.5, 所以假设50/50的分成产生最大、 最保守的误差差差。 使用它可以保证真实差值不大于报告。
误差率怎么算?
Multiply the critical value z* for your confidence level by the square root of p(1 − p) ÷ n. For p = 0.5, n = 1000 and 95% confidence, that is 1.96 × √(0.25 ÷ 1000) ≈ 3.1 percentage points.
误差和置信间隔之间的差别是什么?
误差是半宽; 置信区间是您从结果中增减差差数后得到的全程。 48%的结果差差差为3点,置信区间为45%至51%。
人口越多, 是否需要更大的误差?
否。 超过几千人的人口规模对差值影响不大,重要的是抽样规模,因此全国民意测验和城市民意测验可以与相同数目的答卷人分享同样的差值。
信任度如何改变误差差?
更高的置信度使用较大的z*, 从而扩大了差幅。 同一样本的比值从95%( z* = 1.96) 升至 99%( z* = 2.576) 增加约31% 。
API - 使用代码中的计算器
将此计算器称为自由 JSON 端点 。 不需要按键 。 将字段值发送到下面作为查询参数或 JSON 。 读取 API 全部文件 →
终点
GET https://calculator.free/api/v1/margin-of-error/curl
curl "https://calculator.free/api/v1/margin-of-error/?n=1000&p=50&conf=1.96"JavaScript fetch()
const r = await fetch(
"https://calculator.free/api/v1/margin-of-error/?" + new URLSearchParams({
"n": "1000",
"p": "50",
"conf": "1.96"
}));
const data = await r.json();
console.log(data.results);成果仅是一般指导的估计数,而不是财务、医疗或税务咨询。