3.3 الإطار الخطأ المسح الكلي
مجموع الأخطاء مسح الخطأ = تمثيل + أخطاء القياس.
التقديرات التي تأتي من عينات المسوحات في كثير من الأحيان غير كاملة. أي أنه يوجد عادةً اختلاف بين التقدير الناتج عن عينة المسح (على سبيل المثال ، متوسط الارتفاع التقديري للطلاب في المدرسة) والقيمة الحقيقية في عدد السكان (على سبيل المثال ، متوسط الارتفاع الفعلي للطلاب في المدرسة). في بعض الأحيان تكون هذه الأخطاء صغيرة لدرجة أنها غير مهمة ، ولكن في بعض الأحيان ، للأسف ، يمكن أن تكون كبيرة وتبعية. في محاولة لفهم الأخطاء وقياسها وتقليلها ، أنشأ الباحثون تدريجياً إطاراً مفاهيمياً واحداً شاملاً للأخطاء التي يمكن أن تنشأ في مسوحات العينة: إطار الخطأ الإجمالي للمسح (Groves and Lyberg 2010) . على الرغم من أن تطوير هذا الإطار بدأ في الأربعينيات ، إلا أنني أعتقد أنه يقدم لنا فكرتين مفيدتين للبحث في المسح في العصر الرقمي.
أولاً ، يوضح إطار أخطاء المسح الإجمالي وجود نوعين من الأخطاء: التحيز والتباين . في الغالب ، يكون التحيز خطأً منهجياً ويكون التباين خطأً عشوائياً. بعبارة أخرى ، تخيل تشغيل 1000 نسخة مكررة من نفس نموذج المسح ثم النظر في توزيع التقديرات من 1000 نسخة مكررة. الانحياز هو الفرق بين متوسط تقديرات النسخ المتماثل هذه والقيمة الحقيقية. التباين هو تقلب هذه التقديرات. كل شيء على قدم المساواة ، نود إجراء دون أي تحيز والتباين صغيرة. للأسف ، بالنسبة للعديد من المشاكل الحقيقية ، مثل عدم الانحياز ، لا توجد إجراءات تباين صغيرة ، الأمر الذي يضع الباحثين في موقف صعب من كيفية تحديد كيفية تحقيق التوازن بين المشاكل التي يقدمها التحيز والتباين. بعض الباحثين يفضلون بشكل غريزي إجراءات غير متحيزة ، لكن التركيز الأحادي على التحيز يمكن أن يكون خطأ. إذا كان الهدف هو إنتاج تقدير أقرب ما يمكن إلى الحقيقة (أي ، بأصغر خطأ ممكن) ، فقد تكون أفضل حالًا باستخدام إجراء يحتوي على انحياز صغير وتباين صغير عنه في حالة غير متحيز ولكن لديه تباين كبير (الشكل 3.1). وبعبارة أخرى، يظهر إطار خطأ مسح الإجمالي الذي عند تقييم إجراءات البحث المسحي، يجب عليك أن تنظر كل من التحيز والتباين.
الشكل 3.1: التحيز والتباين. من الناحية المثالية ، سيكون لدى الباحثين إجراء تقدير عدم الانحياز ، وانخفاض التباين. في الواقع ، يتعين عليهم في كثير من الأحيان اتخاذ قرارات تخلق مفاضلة بين التحيز والتباين. على الرغم من أن بعض الباحثين يفضلون بشكل غريزي إجراءات غير متحيزة ، في بعض الأحيان ، يمكن أن يؤدي إجراء التباين الصغير إلى إجراء تقديرات أكثر دقة من إجراء غير متحيز له تباين كبير.
تتمثل الرؤية الرئيسية الثانية من إطار الخطأ الإجمالي للمسح ، والتي ستنظم جزءًا كبيرًا من هذا الفصل ، في وجود مصدرين للأخطاء: المشكلات المتعلقة بمن تتحدث ( التمثيل ) والمشكلات المتعلقة بما تتعلمه من تلك المحادثات ( قياس ). على سبيل المثال ، قد تكون مهتمًا بتقدير المواقف حول الخصوصية عبر الإنترنت بين البالغين الذين يعيشون في فرنسا. يتطلب إجراء هذه التقديرات نوعين مختلفين من الاستدلال. أولاً ، من الإجابات التي يقدمها المجيبون ، يجب عليك استنتاج مواقفهم بشأن الخصوصية على الإنترنت (وهي مشكلة القياس). ثانياً ، من المواقف المستنتجة بين المجيبين ، يجب أن تستنتج المواقف في المجتمع ككل (وهي مشكلة التمثيل). إن أخذ العينات المثالية مع أسئلة الاستطلاع السيئة سيؤدي إلى تقديرات سيئة ، كما سيؤدي إلى أخذ عينات سيئة مع أسئلة استطلاع مثالية. وبعبارة أخرى، تتطلب تقديرات جيدة نهج سليمة لقياس والتمثيل. بالنظر إلى هذه الخلفية ، سأراجع كيف فكر باحثو المسح في التمثيل والقياس في الماضي. بعد ذلك ، سأوضح كيف يمكن لأفكار التمثيل والقياس توجيه أبحاث المسح الرقمي للعمر.
