શું આગળ વાંચવા માટે

• પરિચય (વિભાગ 3.1)

આ પ્રકરણના ઘણાં વિષયો પણ અમેરિકન એસોસિયેશન ઑફ પબ્લિક ઓપિનિયન રિસર્ચ (એએપીઅર) માં તાજેતરના રાષ્ટ્રપ્રમુખના સરનામામાં દેખાતા છે, જેમ કે Dillman (2002) , Newport (2011) , Santos (2014) અને Link (2015) .

મોજણી સંશોધન અને ઊંડાણપૂર્વક ઇન્ટરવ્યૂ વચ્ચેના તફાવતો વિશે વધુ જાણવા માટે, Small (2009) જુઓ. ઊંડાણપૂર્વકનાં ઇન્ટરવ્યૂ સાથે સંકળાયેલો એ ઍથૉનગ્રાફી તરીકે ઓળખાતા અભિગમોનો એક પરિવાર છે. એથ્રોનોગ્રાફિક સંશોધનમાં, સંશોધકો સામાન્ય રીતે તેમના કુદરતી વાતાવરણમાં સહભાગીઓ સાથે વધુ સમય વિતાવે છે. નૃવંશવિષય અને ઊંડાણપૂર્વક ઇન્ટરવ્યૂ વચ્ચેના તફાવતો અંગે વધુ જાણવા માટે, Jerolmack and Khan (2014) જુઓ Jerolmack and Khan (2014) . ડિજિટલ એથ્રોનોગ્રાફી પર વધુ જાણવા માટે Pink et al. (2015) જુઓ Pink et al. (2015) .

મોજણી સંશોધનના ઇતિહાસનું વર્ણન મારું સ્થાન છે. વધુ ઐતિહાસિક પાત્રો માટે, Smith (1976) , Converse (1987) , અને Igo (2008) . મોજણી સંશોધનના ત્રણ યુગના વિચાર પર વધુ જાણવા માટે Groves (2011) અને Dillman, Smyth, and Christian (2008) (જે ત્રણ જુદાં જુદાં અલગ રીતે તોડે છે) જુઓ.

Groves and Kahn (1979) પ્રથમ-થી-બીજા-યુગ સુધીના સંક્રમણની અંદર તરફ-થી-ચહેરો અને ટેલિફોન સર્વેક્ષણ વચ્ચે વિગતવાર વડા-થી-વડા સરખામણી કરીને એક પિક ઓફર કરે છે. ( ??? ) રેન્ડમ-ડિજ-ડાયલિંગ નમૂના પદ્ધતિઓના ઐતિહાસિક વિકાસ પર પાછા જુઓ.

સમાજના ફેરફારોના જવાબમાં ભૂતકાળમાં મોજણી સંશોધનમાં કેટલો બદલાવ આવ્યો તે માટે, Tourangeau (2004) , ( ??? ) , અને Couper (2011) .

• નિરીક્ષણ વિરુદ્ધ પૂછવા (વિભાગ 3.2)

મજબૂતાઇ અને પૂછવા અને નિરીક્ષણની નબળાઈઓ મનોવૈજ્ઞાનિકો (દા.ત. દ્વારા ભારે ચર્ચા કરવામાં આવી છે Baumeister, Vohs, and Funder (2007) ) અને સમાજશાસ્ત્રીઓ (દા.ત. Jerolmack and Khan (2014) ; Maynard (2014) ; Cerulo (2014) ; Vaisey (2014) ; Jerolmack and Khan (2014) ] અર્થશાસ્ત્રમાં પૂછવા અને નિરીક્ષણ વચ્ચેનો તફાવત ઊભો થાય છે, જ્યાં સંશોધકો જણાવે છે અને પ્રાધાન્ય આપે છે.ઉદાહરણ તરીકે, સંશોધક ઉત્તરદાતાઓને પૂછે છે કે તેઓ આઈસ્ક્રીમ ખાવા કે જીમમાં જવાનું પસંદ કરે છે (જણાવેલી પસંદગીઓ), અથવા જોવામાં આવે કે લોકો કેટલી વાર આઈસ્ક્રીમ ખાય છે અને જિમ (પ્રગટ થયેલી પસંદગીઓ) પર જાય છે. Hausman (2012) માં વર્ણવ્યા અનુસાર અર્થશાસ્ત્રમાં અમુક પ્રકારનાં સૂચિત પસંદગીઓ વિશે ઊંડા નાસ્તિકતા છે.

આ વાદવિવાદથી મુખ્ય વિષય એ છે કે વર્તન હંમેશા સાચી નથી. પરંતુ, પ્રકરણ 2 માં વર્ણવવામાં આવ્યું હતું તેમ, મોટા ડેટા સ્ત્રોતો ચોક્કસ ન પણ હોઈ શકે, તેઓ રસના નમૂના પર એકત્રિત થઈ શકશે નહીં, અને તેઓ સંશોધકો માટે સુલભ હોઈ શકશે નહીં. આમ, મને લાગે છે કે, કેટલીક પરિસ્થિતિઓમાં, અહેવાલની વર્તણૂક ઉપયોગી બની શકે છે. વધુમાં, આ વાદવિવાદની બીજી મુખ્ય થીમ એ છે કે લાગણીઓ, જ્ઞાન, અપેક્ષાઓ અને મંતવ્યો વિશેનાં અહેવાલો હંમેશા સચોટ નથી. પરંતુ, જો આ આંતરિક રાજ્યો વિશેની માહિતી સંશોધકો દ્વારા જરૂરી હોય તો - ક્યાં તો કોઈ વર્તણૂક સમજાવવા અથવા સમજાવી શકાય તેવી વસ્તુ તરીકે સમજાવવા માટે - પછી પૂછવું યોગ્ય હોઈ શકે છે. અલબત્ત, પ્રશ્નો પૂછીને આંતરિક રાજ્યો વિશે શીખવું સમસ્યારૂપ બની શકે છે કારણ કે ક્યારેક ઉત્તરદાતાઓ પોતાને તેમના આંતરિક રાજ્યો (Nisbett and Wilson 1977) વિશે જાણતા નથી.

• કુલ સર્વેક્ષણ ભૂલ (વિભાગ 3.3)

Groves (2004) પ્રકરણ 1 Groves (2004) સર્વેક્ષણના સંશોધકો દ્વારા ઉપયોગમાં લેવાતા પ્રસંગોપાત અસંગત ટર્નીકોલોજીને સમાવિષ્ટ કરવામાં એક ઉત્તમ કાર્ય કરે છે, જે કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્કનું વર્ણન કરે છે. કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્કની પુસ્તક-લંબાઈની સારવાર માટે, Groves et al. (2009) જુઓ Groves et al. (2009) , અને એક ઐતિહાસિક વિહંગાવલોકન માટે, Groves and Lyberg (2010) .

પૂર્વગ્રહ અને વિસંગતિમાં ભૂલોના વિઘટનનો વિચાર પણ મશીન શિક્ષણમાં આવે છે; જુઓ, ઉદાહરણ તરીકે, Hastie, Tibshirani, and Friedman (2009) ના વિભાગ 7.3. આ વારંવાર સંશોધકોને "પૂર્વગ્રહ-અંતર" ટ્રેડ-ઓફ વિશે વાત કરવા તરફ દોરી જાય છે.

પ્રતિનિધિત્વની દ્રષ્ટિએ, બિન-પ્રતિભાવ અને બિન-પ્રતિભાવના પૂર્વગ્રહના મુદ્દાઓની એક સારી રજૂઆત એ છે કે નેશનલ રિસર્ચ કાઉન્સિલ રિપોર્ટ નોનપ્રોપ્સન્સ ઇન સોશિયલ સાયન્સ સર્વેક્ષણો: એક રિસર્ચ એજન્ડા (2013) . Groves (2006) દ્વારા અન્ય ઉપયોગી વિહંગાવલોકન આપવામાં આવે છે. ઉપરાંત જર્નલ ઑફ અૉસ્ટિકલ સ્ટેટિસ્ટિક્સ , જાહેર અભિપ્રાય ક્વાર્ટરલી , અને રાજકીય અને સમાજ વિજ્ઞાનના અમેરિકન એકેડેમી ઓફ એનલ્સ નો બિન-પ્રતિક્રિયાના વિષય પર પ્રકાશિત કરવામાં આવ્યા છે. છેવટે, પ્રતિસાદના દરની ગણતરીના ઘણા અલગ અલગ રસ્તાઓ છે; આ અભિગમ, ધ અમેરિકન એસોસિયેશન ઑફ પબ્લિક ઓપિનિયન રિસર્ચર્સ (AAPOR) ( ??? ) દ્વારા એક અહેવાલમાં વિગતવાર વર્ણવેલ છે.

1936 ના સાહિત્ય ડાયજેસ્ટ મતદાન પર વધુ જાણવા માટે Bryson (1976) , Squire (1988) , Cahalan (1989) , અને Lusinchi (2012) . આ મતદાનની અવ્યવસ્થિત માહિતીના સંગ્રહની બાબતમાંની એક ચેતવણીની અન્ય ચર્ચા માટે, Gayo-Avello (2011) . 1 9 36 માં, જ્યોર્જ ગેલપે વધુ નમૂનારૂપ નમૂનારૂપ નમૂનાનો ઉપયોગ કર્યો હતો અને તે ખૂબ નાના નમૂના સાથે વધુ ચોક્કસ અંદાજ ઉત્પન્ન કરવા સક્ષમ હતા. લિટરરી ડાઇજેસ્ટની ઉપર ગૅલપની સફળતા મોજણી સંશોધનના વિકાસમાં એક સીમાચિહ્નરૂપ હતી, જેમ કે @ કન્વર્સ_સ્યુર્વે_747 ના પ્રકરણ 3 માં વર્ણવવામાં આવ્યું છે; Ohmer (2006) પ્રકરણ 4 Ohmer (2006) ; અને @ igo_averaged_2008 ના પ્રકરણ 3

માપનની દ્રષ્ટિએ, પ્રશ્નાવલિ ડિઝાઇન કરવા માટે એક મહાન પ્રથમ સ્રોત છે Bradburn, Sudman, and Wansink (2004) . વધુ આધુનિક સારવાર માટે, Schuman and Presser (1996) , જે વલણ પ્રશ્નો પર ખાસ ધ્યાન કેન્દ્રિત કરે છે, Saris and Gallhofer (2014) , જે વધુ સામાન્ય છે. ( ??? ) માં વર્ણવ્યા પ્રમાણે, માપન માટે સહેજ અલગ અભિગમ માનસિકતામાં લેવામાં આવે છે. પ્રેસેસ્ટિંગ પર વધુ Presser and Blair (1994) માં ઉપલબ્ધ છે, Presser et al. (2004) , અને Groves et al. (2009) પ્રકરણ 8 Groves et al. (2009) . મોજણી પ્રયોગો પર વધુ જાણવા માટે, Mutz (2011) જુઓ.

ખર્ચની દ્રષ્ટિએ, સર્વેક્ષણ ખર્ચ અને મોજણી ભૂલો વચ્ચેના વેપાર-બંધની ક્લાસિક, પુસ્તક-લંબાઈની સારવાર Groves (2004) .

• કોણ પૂછે છે (વિભાગ 3.4)

પ્રમાણભૂત સંભાવના નમૂના અને અંદાજોની બે ક્લાસિક પુસ્તક-લંબાઈની સારવાર Lohr (2009) (વધુ પ્રારંભિક) અને Särndal, Swensson, and Wretman (2003) (વધુ આધુનિક) છે. પોસ્ટ સ્તરીકરણ અને સંબંધિત પધ્ધતિઓનો ક્લાસિક પુસ્તક-લંબાઈની સારવાર, Särndal and Lundström (2005) . કેટલાક ડિજિટલ-વય સેટિંગ્સમાં, સંશોધકો બિનપ્રવેશીઓ વિશે થોડુંક જાણે છે, જે ભૂતકાળમાં ઘણીવાર સાચું ન હતું. Kalton and Flores-Cervantes (2003) અને Smith (2011) દ્વારા વર્ણવ્યા અનુસાર સંશોધનકર્તાઓ પાસે Kalton and Flores-Cervantes (2003) વિશેની માહિતી હોય ત્યારે Kalton and Flores-Cervantes (2003) વિવિધ સ્વરૂપો શક્ય છે.

W. Wang et al. (2015) દ્વારા એક્સબોક્સ સ્ટડી W. Wang et al. (2015) મલ્ટિલેવલ રિગ્રેસન અને પોસ્ટ-સ્તરીકરણ ("મિસ્ટર પી.") નામની તકનીકનો ઉપયોગ કરે છે જે સંશોધકોને જૂથનો અંદાજ કાઢવા માટે પરવાનગી આપે છે. આ ટેકનીકના અંદાજોની ગુણવત્તા વિશે કેટલીક ચર્ચાઓ હોવા છતાં, તે એક આશાસ્પદ વિસ્તાર જેવું લાગે છે જે શોધખોળ કરે છે. આ ટેકનિકનો સૌપ્રથમ Park, Gelman, and Bafumi (2004) માં ઉપયોગ થતો હતો, અને તે પછીના ઉપયોગ અને ચર્ચા (Gelman 2007; Lax and Phillips 2009; Pacheco 2011; Buttice and Highton 2013; Toshkov 2015) . વ્યક્તિગત વજન અને જૂથ વજન વચ્ચેના સંબંધ વિશે વધુ જાણવા માટે, Gelman (2007) જુઓ.

વેબ સર્વેક્ષણના અન્ય અભિગમો માટે, Schonlau et al. (2009) જુઓ Schonlau et al. (2009) , Bethlehem (2010) , અને Valliant and Dever (2011) . ઓનલાઇન પેનલ સંભાવના નમૂના અથવા બિન-સંભાવના નમૂનાનો ઉપયોગ કરી શકે છે. ઓનલાઇન પૅનલો પર વધુ માટે, જુઓ Callegaro et al. (2014) .

કેટલીકવાર, સંશોધકોએ શોધી કાઢ્યું છે કે સંભાવનાના નમૂના અને બિન-સંભાવના નમૂનાઓ સમાન ગુણવત્તા (Ansolabehere and Schaffner 2014) નું અંદાજ (Ansolabehere and Schaffner 2014) , પરંતુ અન્ય તુલનાએ જાણવા મળ્યું છે કે બિન-સંભાવના નમૂનાઓ ખરાબ (Malhotra and Krosnick 2007; Yeager et al. 2011) . આ તફાવતોનું એક શક્ય કારણ એ છે કે બિન-સંભાવનાના નમૂનાઓમાં સમય જતાં સુધારો થયો છે. બિન-સંભાવના નમૂના પદ્ધતિઓના વધુ નિરાશાવાદી દેખાવ માટે બિન-સંભાવના નમૂનારૂપ (Baker et al. 2013) પર AAPOR ટાસ્ક ફોર્સ જોવા મળે છે, અને હું ભાષણ વાંચવા પણ ભલામણ કરું છું જે સારાંશ અહેવાલને અનુસરે છે.

• કેવી રીતે પૂછવું (કલમ 3.5)

Conrad and Schober (2008) ધ સર્વે ઇન્ટરવ્યૂ ઓફ ફ્યુચર નામનું સંપાદન Conrad and Schober (2008) વોલ્યુમ છે, અને તે પ્રશ્નો પૂછવાના ભવિષ્ય વિશે વિવિધ અભિપ્રાયો આપે છે. Couper (2011) સમાન થીમ્સ, અને Schober et al. (2015) એક સરસ ઉદાહરણ આપે છે કે કેવી રીતે નવી સેટિંગ અનુસાર ડેટા સંગ્રહ પદ્ધતિઓ ઉચ્ચ ગુણવત્તાવાળા ડેટામાં પરિણમી શકે છે. Schober and Conrad (2015) સમાજમાં ફેરફારો સાથે મેળ કરવા સર્વેક્ષણ સંશોધનની પ્રક્રિયાને સમાયોજિત કરવા અંગે વધુ સામાન્ય દલીલ આપે છે.

Tourangeau and Yan (2007) , સંવેદનશીલ પ્રશ્નોમાં સામાજિક ઇચ્છનીયતાની પૂર્વગ્રહની સમીક્ષા અને Lind et al. (2013) કોમ્પ્યુટર-વહીવટ મુલાકાતમાં લોકો વધુ સંવેદનશીલ માહિતી જાહેર કરી શકે તે માટેના સંભવિત કારણો આપે છે. સર્વેક્ષણમાં ભાગીદારીના દરોમાં વધારો કરવા માટે માનવ મુલાકાતકારોની ભૂમિકા વિશે વધુ જાણવા માટે, Maynard and Schaeffer (1997) , Maynard, Freese, and Schaeffer (2010) , Conrad et al. (2013) , અને Schaeffer et al. (2013) . મિશ્ર-સ્થિતિ સર્વેક્ષણો વિશે વધુ જાણવા માટે, Dillman, Smyth, and Christian (2014) .

Stone et al. (2007) ઇકોલોજીકલ ક્ષણિક મૂલ્યાંકન અને સંબંધિત પદ્ધતિઓના પુસ્તક-લંબાઈની સારવાર પ્રદાન કરે છે.

સહભાગીઓ માટે આનંદપ્રદ અને મૂલ્યવાન અનુભવ બનાવવા માટે વધુ સલાહ માટે, તૈયાર ડિઝાઇન પદ્ધતિ (Dillman, Smyth, and Christian 2014) . સામાજિક વિજ્ઞાન સર્વેક્ષણ માટે ફેસબુક એપ્લિકેશનોનો ઉપયોગ કરવાના અન્ય એક રસપ્રદ ઉદાહરણ માટે, Bail (2015) જુઓ Bail (2015) .

• મોટું ડેટા સ્ત્રોતો સાથે સંકળાયેલા સર્વેક્ષણો (વિભાગ 3.6)

Judson (2007) "માહિતી એકીકરણ" તરીકે સર્વેક્ષણો અને વહીવટી માહિતીના સંયોજનની પ્રક્રિયાને વર્ણવે છે અને આ અભિગમના કેટલાક લાભો તેમજ કેટલાક ઉદાહરણો પ્રસ્તુત કરે છે.

સઘન પૂછાતાં, મતદાનને માન્ય કરવાના અગાઉના ઘણા પ્રયાસો થયા છે. તે સાહિત્યની ઝાંખી માટે, જુઓ Belli et al. (1999) , Ansolabehere and Hersh (2012) , Hanmer, Banks, and White (2014) , અને Berent, Krosnick, and Lupia (2016) . Ansolabehere and Hersh (2012) માં પ્રસ્તુત પરિણામોના વધુ સંશય દૃશ્ય માટે Berent, Krosnick, and Lupia (2016) જુઓ.

એ નોંધવું અગત્યનું છે કે અન્સોલબેયરે અને હર્શને કેટાલિસ્ટના ડેટાની ગુણવત્તા દ્વારા પ્રોત્સાહન આપવામાં આવ્યું હતું, જોકે વ્યાપારી વિક્રેતાઓના અન્ય મૂલ્યાંકનના ઓછા ઉત્સાહી હતા. Pasek et al. (2014) નબળી ગુણવત્તા મળી ત્યારે સર્વેક્ષણના ડેટાની સરખામણી માર્કેટિંગ સિસ્ટમ્સ ગ્રૂપની ગ્રાહક ફાઇલ સાથે કરવામાં આવી હતી (જે પોતે ત્રણ પ્રદાતાઓમાંથી એકીકૃત થઈ ગઇ છે: એક્સીમમ, એક્સપેરિઅનઅને ઇન્ફોયુએસએ). એટલે કે, ડેટા ફાઇલ સર્વેક્ષણના પ્રતિભાવો સાથે મેળ ખાતી નથી જે સંશોધકોને યોગ્ય હોવાનું અપેક્ષિત છે, ગ્રાહક ફાઇલમાં મોટી સંખ્યામાં પ્રશ્નો માટે ડેટા ખૂટે છે, અને ગુમ થયેલ ડેટા પેટર્ન અહેવાલના સર્વેક્ષણ મૂલ્ય સાથે સંકળાયેલો છે (બીજા શબ્દોમાં, ખૂટે છે) માહિતી વ્યવસ્થિત હતી, રેન્ડમ નથી).

સર્વેક્ષણો અને વહીવટી ડેટા વચ્ચેના રેકોર્ડ લિંજિંગ પર વધુ જાણવા માટે Sakshaug and Kreuter (2012) અને Schnell (2013) . સામાન્ય રીતે રેકોર્ડ લિંજિંગ પર વધુ જાણવા માટે Dunn (1946) અને Fellegi and Sunter (1969) (ઐતિહાસિક) અને Larsen and Winkler (2014) (આધુનિક) જુઓ. કોમ્પ્યુટર સાયન્સમાં પણ આ પ્રકારના અભિગમો વિકસિત કરવામાં આવ્યા છે, જેમ કે ડેટા ડિપ્ડપ્લિકેશન, ઇન્સ્ટંસ આઇડેન્ટિફિકેશન, નામ મેચિંગ, ડુપ્લિકેટ ડિટેક્શન, અને ડુપ્લિકેટ રેકોર્ડ ડિટેક્શન (Elmagarmid, Ipeirotis, and Verykios 2007) . વ્યક્તિગત જોડાણની માહિતીના ટ્રાન્સમિશન (Schnell 2013) ની જરૂર ન હોય તેવી લિંકને રેકોર્ડ કરવા માટે પણ ગોપનીયતા જાળવવાના અભિગમ છે ફેસબુક પરના સંશોધકોએ તેમના રેકોર્ડ્સને મતદાન વર્તન (Jones et al. 2013) માટે સાંકળતાપૂર્વક લિંક કરવા માટેની એક પ્રક્રિયા વિકસાવી છે; આ જોડાણ એક પ્રયોગનું મૂલ્યાંકન કરવા માટે કરવામાં આવ્યું હતું જે હું તમને પ્રકરણ 4 (Bond et al. 2012) વિશે જણાવું છું. રેકોર્ડ Sakshaug et al. (2012) સંમતિ મેળવવા માટે વધુ, Sakshaug et al. (2012) જુઓ Sakshaug et al. (2012) .

સરકારી વહીવટી રેકોર્ડ્સ માટે મોટા પાયે સામાજિક સર્વેક્ષણને જોડવાનો બીજો દાખલો આરોગ્ય અને નિવૃત્તિ સર્વેક્ષણ અને સામાજિક સુરક્ષા વહીવટી તંત્રમાંથી આવે છે. સંમતિની પ્રક્રિયા વિશેની માહિતી સહિત, તે અભ્યાસમાં વધુ જાણવા માટે ઓલ્સન (1996, 1999) .

વહીવટી રેકોર્ડના ઘણા સ્રોતોને મુખ્ય ડેટાફીલમાં-સંમતિ આપવાની પ્રક્રિયા -કેટલાક રાષ્ટ્રીય સરકારોના આંકડાકીય કચેરીઓમાં કેટેસ્ટિસ્ટ રોજગારીની પ્રક્રિયા સામાન્ય છે. આંકડાશાસ્ત્રના બે સંશોધકોએ આ વિષય પર એક વિગતવાર પુસ્તક લખ્યું છે (Wallgren and Wallgren 2007) . યુનાઇટેડ સ્ટેટ્સમાં એક જ કાઉન્ટીમાં આ અભિગમના ઉદાહરણ માટે (ઓલ્મસ્ટેડ કાઉન્ટી, મિનેસોટા; મેયો ક્લિનિકનું ઘર), Sauver et al. (2011) જુઓ Sauver et al. (2011) . વહીવટી રેકોર્ડમાં દેખાઈ શકે તેવી ભૂલો વિશે વધુ જાણવા માટે, Groen (2012) જુઓ.

સંશોધકો મોજણી સંશોધનમાં મોટા ડેટા સ્ત્રોતોનો ઉપયોગ કરી શકે તે અન્ય રીત વિશિષ્ટ લાક્ષણિકતાઓ ધરાવતા લોકો માટે એક નમૂનો છે. કમનસીબે, આ અભિગમ ગોપનીયતા (Beskow, Sandler, and Weinberger 2006) થી સંબંધિત પ્રશ્નો ઉભા કરી શકે છે.

પુષ્કળ પુછપરછ વિશે, આ અભિગમ એ નવા નથી કારણ કે તે કેવી રીતે મેં તેને વર્ણવ્યું છે તે દેખાશે. તેના આંકડામાં ત્રણ મોટા વિસ્તારો સાથે ઊંડો જોડાણ છે: મોડેલ આધારિત પોસ્ટ-સ્તરીકરણ (Little 1993) , આરોપ (Rubin 2004) , અને નાના વિસ્તારનું અંદાજ (Rao and Molina 2015) . તે તબીબી સંશોધનમાં સરોગેટ ચલોના ઉપયોગથી પણ સંબંધિત છે (Pepe 1992) .

Blumenstock, Cadamuro, and On (2015) માં ખર્ચ અને સમયનો અંદાજ ચલ ખર્ચ માટે વધુ ઉલ્લેખ કરે છે- એક વધારાના સર્વેક્ષણનો ખર્ચ - અને કોલ ડેટા સાફ કરવાની અને પ્રોસેસિંગની કિંમત જેવી ફિક્સ્ડ ખર્ચ શામેલ નથી. સામાન્ય રીતે, વિસ્તૃત પૂછવાની કદાચ ડિજિટલ પ્રયોગો જેવી ઊંચી નિયત ખર્ચ અને ઓછા ચલ ખર્ચ હશે (પ્રકરણ 4 જુઓ). વિકાસશીલ દેશોમાં મોબાઇલ ફોન આધારિત સર્વેક્ષણ પર વધુ જાણવા માટે, Dabalen et al. (2016) જુઓ Dabalen et al. (2016)

વધુ સારી રીતે પૂછવાથી વિસ્તૃત કેવી રીતે કરવું તે વિશેના વિચારો માટે, હું બહુવિધ આરોપ (Rubin 2004) વિશે વધુ શીખવા ભલામણ કરું છું. ઉપરાંત, જો સંશોધકો વ્યક્તિગત સ્તરના લક્ષણોને બદલે કુલ ગણતરીઓ વિશે કાળજી લેતા હોય, તો પછી King and Lu (2008) અને Hopkins and King (2010) માંના અભિગમો ઉપયોગી થઈ શકે છે. છેલ્લે, Blumenstock, Cadamuro, and On (2015) માં મશીન શીખવાની રીતો વિશે વધુ જાણવા માટે, James et al. (2013) જુઓ James et al. (2013) (વધુ પ્રારંભિક) અથવા Hastie, Tibshirani, and Friedman (2009) (વધુ અદ્યતન).

વિસ્તૃત પૂછવા અંગેના એક નૈતિક મુદ્દો એ છે કે તેનો ઉપયોગ સંવેદનશીલ લક્ષણોનું અનુમાન કરવા માટે થઈ શકે છે કે લોકો Kosinski, Stillwell, and Graepel (2013) માં વર્ણવ્યા પ્રમાણે સર્વેક્ષણમાં Kosinski, Stillwell, and Graepel (2013) પસંદ કરી શકશે નહીં.