राज्य-स्तरीय learning सर्वे के लिए कितने स्कूल चाहिए?

आम तौर पर 90 से 120 स्कूल. Simple random draw के effective नमूने (95 प्रतिशत confidence, ±5 अंक पर लगभग 385) से शुरू करें, design effect से गुणा करें (प्रति स्कूल 20 बच्चे और ICC 0.2 पर DEFF 4.8, यानी लगभग 1,848 बच्चे), और प्रति स्कूल संख्या से भाग दें (1,848 / 20 यानी लगभग 93 स्कूल). हर reporting समूह में 25 से 30 से कम स्कूल शायद ही कभी defensible हैं.

ज़्यादा स्कूल जाएँ या हर स्कूल में ज़्यादा बच्चे परखें?

ज़्यादा स्कूल, कम-कम बच्चे. एक ही स्कूल के बच्चे एक जैसे होते हैं, तो उसी स्कूल के अतिरिक्त बच्चे कम जानकारी जोड़ते हैं. आम design में प्रति स्कूल संख्या 20 से 10 करने पर, समान precision के लिए कुल बच्चे लगभग 1,848 से घटकर लगभग 1,078 रह जाते हैं, बदले में स्कूल-दौरे बढ़ते हैं.

Learning outcomes के लिए कौन सा ICC मानें?

विकासशील देशों की स्कूल-व्यवस्थाओं में learning outcomes के लिए ICC 0.15 से 0.3 आम है; भारत के लिए 0.2 से 0.25 एक defensible planning default है. शून्य मान लेना, जो clustering को नज़रअंदाज़ करने पर अपने आप हो जाता है, स्कूल सर्वे के underpowered रह जाने का क्लासिक रास्ता है.

Evaluation methods

सर्वे के लिए कितने स्कूल चाहिए?

95 प्रतिशत confidence और ±5 अंक के आम राज्य या district learning सर्वे के लिए ईमानदार जवाब अक्सर 90 से 120 स्कूल है. गणना: simple random draw का effective नमूना लें (लगभग 385 बच्चे), स्कूलों के ज़रिए सर्वे करने का design effect गुणा करें (अक्सर 3 से 5), फिर प्रति स्कूल परखे जाने वाले बच्चों से भाग दें. और जिस भी समूह की अलग रिपोर्ट देनी हो, उसमें लगभग 25 से 30 स्कूलों से नीचे कभी न जाएँ, बच्चों की गिनती चाहे जो कहे.

यही वह सवाल है जिस पर हर शिक्षा मूल्यांकन का budget टिका है, और जिसका जवाब सामान्य calculators नहीं दे पाते, क्योंकि वे "385 बच्चे" पर रुक जाते हैं और यह नहीं बताते कि बच्चों तक स्कूलों के ज़रिए पहुँचना पूरा अंकगणित बदल देता है.

तीन-क़दम की गणना

स्कूल = ( n_effective × DEFF ) / प्रति स्कूल बच्चे n_effective मानक formula से (95 प्रतिशत, ±5 अंक पर लगभग 385); DEFF = 1 + (m - 1) × ICC, जहाँ m प्रति स्कूल बच्चे और ICC परिणाम का intra-cluster correlation.

गणना करके, प्रति स्कूल 20 बच्चे और ICC 0.2 वाले राज्य सर्वे के लिए:

Effective नमूना: 385 बच्चे (95 प्रतिशत confidence, ±5 अंक).
Design effect: 1 + 19 × 0.2 = 4.8, तो field नमूना = 385 × 4.8 ≈ 1,848 बच्चे.
स्कूल: 1,848 / 20 ≈ 93 स्कूल.

वह lever जो ज़्यादातर टीमें चूक जाती हैं: प्रति स्कूल कम बच्चे

प्रति स्कूल बच्चे	DEFF (ICC 0.2)	कुल बच्चे	स्कूल
30	6.8	2,618	88
20	4.8	1,848	93
10	2.8	1,078	108

तालिका नीचे की ओर पढ़ें: 15 और स्कूल जाने से, समान precision पर, 770 बच्चों की परख बच जाती है. सौदा जीतता है या नहीं, यह प्रति-स्कूल यात्रा लागत बनाम प्रति-परख लागत पर निर्भर है. बात इतनी है कि यह चुनाव सोच-समझकर हो, विरासत में न मिले.

दो न्यूनतम जो अंकगणित पर भारी हैं. पहला: जिस समूह की अलग रिपोर्ट देनी है (हर district, हर arm), उसमें कम से कम 25 से 30 स्कूल रखें; उससे नीचे cluster-स्तर की क़िस्मत हर formula पर हावी हो जाती है. दूसरा: गणना आपके कार्यक्रम से ज़्यादा स्कूल माँगे, तो design कह रहा है कि स्कूलों की census करें या margin चौड़ा करें, और यह fieldwork से पहले सुन लेना बेहतर है.

Districts, blocks और strata का क्या?

असली designs चरणों में नमूना लेते हैं: districts (अक्सर strata के रूप में), फिर हर district में स्कूल, फिर स्कूल में बच्चे. District पर स्तरीकरण प्रतिनिधित्व बचाता है और नमूने में कुछ नहीं जोड़ता; नमूना फुलाती है स्कूल वाली clustering. हर district की अलग रिपोर्ट चाहिए तो हर district को अपने 90+ स्कूल चाहिए, इसीलिए "राज्य का अनुमान" और "हर district का अनुमान" के budget में दस गुना का फ़र्क़ होता है. दोनों हिस्से समझें: स्तरीकृत नमूना और समूह नमूना.

अक्सर पूछे जाने वाले सवाल

राज्य-स्तरीय सर्वे के लिए कितने स्कूल?

आम तौर पर 90 से 120: लगभग 385 effective नमूना, स्कूल-clustering का DEFF 3 से 5, प्रति स्कूल 10 से 20 बच्चे. Build mode आपकी अपनी जनसंख्या, margin और ICC के लिए यह computed करता है, और जवाब आपके पास मौजूद स्कूलों से ज़्यादा निकले तो flag भी करता है.

ज़्यादा स्कूल या प्रति स्कूल ज़्यादा बच्चे?

ज़्यादा स्कूल. उसी स्कूल के अतिरिक्त बच्चे एक जैसे होने से कम नई जानकारी देते हैं. प्रति स्कूल कम बच्चे यानी कम design effect, यानी समान precision पर कुल कम परखें, क़ीमत है ज़्यादा यात्रा.

कौन सा ICC मानकर चलें?

Learning outcomes के लिए 0.15 से 0.3 आम range है; भारतीय स्कूल data के लिए 0.2 से 0.25 defensible default. जो मान माना, रिपोर्ट में लिखें; यह design की सबसे नतीजाख़ेज़ मान्यता है.

अपनी स्कूल-संख्या, ईमानदारी से computed

Build mode आपकी जनसंख्या, margin, ICC और प्रति स्कूल संख्या लेकर पूरी field योजना देता है, justification लिखी हुई.

Build mode खोलें