Методика · 16 сентября 2026 г.

Стратифицированная выборка: как разбить аудиторию на страты

Стратифицированная выборка — это способ отбора, при котором список аудитории заранее делят на непересекающиеся группы по значимому признаку, а внутри каждой группы проводят отдельный случайный отбор. Метод нужен, когда аудитория неоднородна и в ней есть важный, но малочисленный сегмент — например, корпоративные клиенты среди преимущественно розничных, — который при обычном случайном отборе рискует не попасть в выборку в достаточном количестве. Деление на страты гарантирует, что каждая группа будет представлена, а дальнейшее взвешивание приводит итоговый результат к реальным пропорциям генеральной совокупности. Ниже — как выбрать признак деления, чем пропорциональный набор отличается от непропорционального и как не перепутать метод с квотированием.

Что такое стратифицированная выборка и зачем она нужна

Представим базу клиентов сервиса, где девяносто пять процентов — розничные пользователи, а пять — корпоративные, но именно корпоративные приносят половину выручки и их мнение критично для решений о продукте. Простой случайный отбор ста человек даст в среднем пять корпоративных клиентов — слишком мало, чтобы делать по ним какие-либо выводы, кроме случайного шума. Стратифицированная выборка решает это напрямую: делит базу на страту «розница» и страту «корпоративные», а затем набирает внутри каждой страты собственную случайную выборку нужного объёма, гарантируя присутствие обеих групп в достаточном количестве.

Важное условие метода — страты не должны пересекаться, а вместе должны полностью покрывать всю генеральную совокупность: каждый элемент списка попадает ровно в одну страту, ни одна не остаётся забытой. Это отличает стратификацию от произвольного деления на группы «для удобства анализа»: если критерий деления неоднозначен и часть клиентов формально подходит под две страты сразу, отбор перестаёт быть корректным, а результаты — интерпретируемыми.

Как выбрать признак для стратификации

Признак для деления на страты почти всегда выбирают по одному основному критерию: он должен быть связан с тем, что вы на самом деле измеряете этим опросом. Если тема — удовлетворённость сервисом, а тип клиента (розница/корпорат) сильно влияет на восприятие сервиса, это подходящий признак. Если признак с темой опроса не связан — например, цвет иконки профиля, — стратификация по нему ничего не даст, кроме лишней сложности сбора. Хороший тест: если бы вы заранее ожидали, что средний ответ в двух группах заметно различается, признак подходит для стратификации.

Частые основания для стратификации в опросах — тип клиента, регион, стаж пользования продуктом, размер компании в B2B, канал привлечения. Признак должен быть известен для каждого элемента списка заранее, до отбора: стратифицировать по тому, что вы только собираетесь узнать в самом опросе, невозможно логически — это была бы уже не выборка, а постфактум-анализ ответов.

Пропорциональное и непропорциональное распределение

После деления на страты нужно решить, сколько человек набирать в каждой. Пропорциональное распределение сохраняет реальные доли: если страта «корпоративные» составляет пять процентов базы, из выборки в двести человек на неё выделяют десять. Это самый простой вариант, и он подходит, когда цель — оценить показатель по всей аудитории в целом, а не сравнивать страты между собой.

Непропорциональное распределение намеренно завышает долю малых страт: вместо десяти корпоративных клиентов из двухсот набирают пятьдесят, чтобы внутри этой страты была статистически осмысленная выборка для отдельного анализа. Плата за это — итоговая структура выборки больше не отражает реальные пропорции базы, и прежде чем считать общий показатель по всей аудитории, набранные данные обязательно нужно взвесить обратно к реальным долям. Непропорциональный набор — стандартный выбор в ситуации, когда одна из задач исследования — сравнить страты друг с другом, а не только получить одну общую цифру.

Взвешивание после непропорционального набора

Если страты набраны непропорционально, перед расчётом общего показателя по всей аудитории каждому ответу присваивают вес, обратный доле набора в его страте. Условный пример: розничная страта составляет 95% базы, но в выборке — только 75% ответивших (150 из 200), значит, вес ответа розничного клиента равен 95/75 ≈ 1,27. Корпоративная страта — 5% базы против 25% выборки (50 из 200), вес — 5/25 = 0,2. Умножив каждый ответ на свой вес перед усреднением, вы получаете оценку, соответствующую реальному составу базы, а не составу собранной выборки.

Взвешивание — это не опциональный последний штрих, а обязательный шаг при непропорциональном наборе: без него итоговый средний показатель окажется смещён в сторону намеренно переусиленной страты. Считать веса вручную для двух-трёх страт несложно, но для более дробного деления стоит сразу закладывать расчёт в таблицу или отдельный скрипт анализа, а не пересчитывать формулы заново для каждого нового отчёта.

Сколько страт — оптимум

Соблазн раздробить аудиторию на много узких страт по нескольким признакам сразу — региону, типу клиента, стажу — понятен, но у него есть цена: чем больше страт, тем меньше людей приходится на каждую при фиксированном общем объёме выборки, и в какой-то момент отдельные страты становятся слишком малы для содержательных выводов. Практический ориентир — не дробить дальше, чем позволяет набрать хотя бы тридцать-пятьдесят наблюдений в самой маленькой страте, иначе оценка внутри неё будет статистическим шумом, даже если по цифрам квота выполнена.

Комбинировать два признака сразу — например, тип клиента и регион одновременно — тоже можно, но количество ячеек при этом растёт умножением, а не простым сложением: три типа клиента на пять регионов дают пятнадцать отдельных страт, и при общей выборке в триста человек на каждую придётся в среднем всего по двадцать, что уже на самой грани содержательности. Прежде чем комбинировать признаки, стоит проверить на реальных данных, действительно ли оба признака независимо влияют на тему опроса, или один из них можно исключить без потери сути — часто региональные различия внутри одного типа клиента объясняются тем же самым, чем различия между типами клиента, и добавлять оба измерения избыточно.

1. Выберите один-два признака, реально связанных с темой опроса, а не все доступные сразу.
2. Проверьте, что признаки известны заранее для каждого элемента списка.
3. Оцените размер самой маленькой страты в базе — если он крайне мал, решите, набирать ли её непропорционально.
4. Определите цель: общая оценка по всей аудитории — пропорциональный набор, сравнение страт — непропорциональный.
5. При непропорциональном наборе заранее заложите формулу взвешивания в план анализа.
6. Отберите внутри каждой страты случайную выборку нужного размера независимо от других страт.

Пример на реальных числах: опрос сети клиник

Сеть из пятнадцати клиник хочет узнать удовлетворённость пациентов, но клиники сильно различаются профилем: три крупные многопрофильные, где принимают тысячи пациентов в месяц, и двенадцать небольших районных с узкой специализацией. Простой случайный отбор из общего списка пациентов почти наверняка перекосится в сторону крупных клиник просто потому, что там физически больше пациентов, и мнение районных подразделений потонет в общей массе. Решение — стратифицировать список по типу клиники: страта «крупные» и страта «районные», а внутри каждой набрать сопоставимое число ответов, даже если по общей доле пациентов они несопоставимы.

Цифры в примере условные и нужны только для того, чтобы наглядно показать формат расчёта. Пусть крупные клиники дают 70% всех визитов, а районные — 30%. При целевой выборке в триста ответов пропорциональный набор дал бы двести десять ответов по крупным и девяносто по районным — этого достаточно для обеих групп, и в такой ситуации оправдан именно пропорциональный вариант. Но если бы районных клиник было пятнадцать разных, а не двенадцать похожих, и различия между конкретными точками важны для управленческих решений, набор внутри страты «районные» уже стоило бы делать непропорционально по каждой отдельной клинике — иначе на пятнадцать точек досталось бы по шесть ответов, и сравнить их между собой было бы попросту невозможно.

Стратификация и квотирование — в чём разница

Оба метода делят аудиторию на группы по признаку и набирают в каждую заданное число респондентов, из-за чего их регулярно путают. Разница — в способе отбора внутри группы. В стратифицированной выборке внутри каждой страты проводится случайный отбор из известного списка: у каждого элемента страты равный шанс попасть в опрос. В квотной выборке список чаще всего отсутствует вовсе, и внутри квоты респондентов набирают по мере отклика или доступности — кто первый согласился, тот и вошёл, без случайности.

Следствие этой разницы принципиальное: для стратифицированной выборки формальные доверительные интервалы считать можно, для квотной — нет. Если у вас есть полный список аудитории с нужным признаком, всегда выгоднее стратифицировать, а не квотировать: это даёт ту же гарантию представленности групп, но с более строгой статистикой. Квотирование остаётся вынужденным решением там, где полного списка нет и составить его невозможно — подробнее о самом методе и его рисках в отдельном материале про квотную выборку.

На практике оба подхода иногда комбинируют: список для стратификации есть, но не по всем признакам сразу, и часть контроля добирают квотами внутри страт. Например, список делят на страты по типу клиента — это делается случайным отбором из полного списка, — а внутри страты «розница» дополнительно следят за долей мужчин и женщин через квоту, потому что пол в базе не зафиксирован и известен только со слов самого респондента в момент ответа. Такая гибридная схема законна, но в отчёте важно честно указать, какая часть выборки получена строгим случайным отбором, а какая — квотированием, потому что уровень доверия к этим двум частям разный.

Ограничения

Стратификация требует, чтобы признак деления был известен заранее и по всему списку, а не только по какой-то его части. Если данные о типе клиента заполнены лишь для половины базы, стратифицировать честно можно только эту половину, и вывод по оставшейся части останется без обоснования. Второе ограничение — метод не спасает от смещения отклика внутри каждой страты: даже если состав приглашённых выверен точно, состав ответивших внутри страты снова смещается к тем, кто охотнее отвечает, и это смещение стратификация сама по себе не устраняет.

Третье ограничение — цена сложности. Непропорциональный набор с последующим взвешиванием требует более аккуратного плана анализа, чем простая случайная выборка, и ошибка в формуле весов способна исказить результат сильнее, чем отсутствие стратификации вовсе. Если малая страта, ради которой затевалась стратификация, в итоге не набралась до статистически осмысленного размера, а времени на досбор нет, честнее явно указать это ограничение в отчёте, чем публиковать оценку по трём-четырём наблюдениям как надёжную.

Четвёртое ограничение проявляется при сравнении волн опроса во времени. Если признак стратификации со временем меняется у самой аудитории — например, клиенты переходят из розничного тарифа в корпоративный, — страты в разных волнах могут оказаться не вполне сопоставимы, даже если название страты осталось прежним. Перед сравнением волн стоит проверить, не сдвинулся ли состав страт сам по себе, иначе изменение показателя можно ошибочно приписать реальной динамике мнений, хотя на деле изменился состав группы, которую вы называете одной и той же стратой.

Типичные ошибки

• Стратифицировать по признаку, не связанному с темой опроса, — просто потому что он есть в базе.
• Оставлять пересекающиеся или неполные страты, где часть аудитории не классифицирована.
• Набирать страты непропорционально и забыть взвесить результат перед общим отчётом.
• Дробить аудиторию на слишком много страт при небольшом общем объёме выборки.
• Путать стратификацию с квотированием и считать доверительный интервал для квотного набора.
• Определять страту постфактум по ответам в самом опросе, а не заранее по данным списка.

С чего начать

Посмотрите на список своей аудитории и найдите признак, по которому она явно неоднородна применительно к теме будущего опроса. Если такой признак есть и данные по нему заполнены для всех, посчитайте размер самой маленькой группы — если он меньше тридцати-пятидесяти человек при пропорциональном наборе, решайте, набирать её непропорционально с последующим взвешиванием. Это решение стоит принять на этапе планирования выборки, а не после сбора, когда переделать пропорции уже невозможно.

Дальше отбор внутри каждой страты технически ничем не отличается от обычной случайной выборки — список делится, и в каждой части повторяется одна и та же процедура. В сервисе «До Сути» можно собрать разные ссылки на один и тот же опрос для разных сегментов аудитории и потом свести ответы вместе, но саму разбивку на страты и расчёт нужных объёмов исследователь выполняет заранее, до того как ссылки уходят в рассылку.