fa حجم نمونه در پژوهش‌های غیراحتمالی مبتنی بر اهداف و قدرت پیش‌بینی‌کنندگی نمونه گیری Sampling كاربردي و توسعه ای Applied <p dir="rtl">تعیین حجم نمونه در نمونه‌گیری غیراحتمالی، به دلیل نبود مبانی ریاضی احتمالی، همواره چالشی اساسی بوده است. این مقاله با معرفی چارچوب نوین تعیین حجم نمونه مبتنی بر اهداف مدل‌سازی و قدرت پیش‌بینی، پارادایم استنتاج را از جمعیت‌مبنا به مدل‌‌مبنا تغییر می‌دهد. در این رویکرد، حجم نمونه بر اساس حداقل اندازه لازم برای بهینه‌سازی عملکرد مدل، تشخیص روابط معنادار و دستیابی به پیش‌بینی تعمیم‌پذیر تعریف می‌شود. چارچوب پیشنهادی با تلفیق شبیه‌سازی پیشرفته و تحلیل توان آماری، و با اتکا به بسته‌های تخصصی نرم‌افزار R، راهکاری نظام‌مند و عملی برای ارتقای اعتبار و استانداردسازی پژوهش‌های غیراحتمالی ارائه می‌کند. اگرچه مطالعه شبیه‌سازی کارایی این روش را در سناریویی واقع‌گرایانه نشان می‌دهد، اما وابستگی آن به داده‌های کمکی معتبر و دانش پیشین از پارامترهای مدل، محدودیت اصلی کاربرد آن به شمار می‌رود.</p> <p dir="rtl"><p></p></p> <p></p> <p>Due to the absence of probabilistic mathematical foundations, determining sample size in nonprobability sampling remains a methodological challenge. This article introduces a novel framework, emph{Sample Size Determination Based on Modeling Objectives and Predictive Power}, shifting the paradigm from population-based to model-based inference. Within this framework, sample size is redefined based on optimizing model performance&mdash;specifically, the minimum size needed to detect significant relationships and ensure generalizable predictive power. Combining simulation and power analysis, this approach provides a systematic, R-powered solution for non-probability designs, enhancing research validity and advancing standardization in this domain. Simulations confirm its efficacy; however, its application is limited by the prerequisite need for valid auxiliary data and prior knowledge of key model parameters.</p> <p><p></p></p> <p></p> نمونه‌گیری غیراحتمالی, تعیین حجم نمونه, شبیه‌سازی مونت کارلو, استنتاج مدل‌محور. Non-probability sampling‎, ‎Sample size determination‎, ‎Monte Carlo simulation‎, ‎Model-based inference‎. 0 0 http://jss.irstat.ir/browse.php?a_code=A-10-434-2&slc_lang=fa&sid=1 Hassan Golinari حسن گلی ناری hassangolinari@yahoo.com 10031947532846009273 0009-0000-3613-130X No University of Birjand دانشگاه بیرجند Mohammad Khorashadizadeh محمد خراشادی زاده m.khorashadizadeh@birjand.ac.ir 10031947532846009274 10031947532846009274 Yes University of Birjand دانشگاه بیرجند G.R. Mohtashami Borzadaran غلامرضا محتشمی برزادران grmohtashami@birjand.ac.ir 10031947532846009275 10031947532846009275 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد . 10031947532846009276 10031947532846009276 No