3.3.1 પ્રતિનિધિત્વ

પ્રતિનિધિત્વ તમારા લક્ષ્ય વસ્તી માટે તમારા ઉત્તરદાતાઓ ના અનુમાન બનાવે છે.

ક્રમમાં છે કે જે ભૂલો જ્યારે મોટી વસ્તી માટે ઉત્તરદાતાઓ ના બાદબાકીના થઇ શકે પ્રકારની સમજવા માટે, સાહિત્યિક ડાઈજેસ્ટ સ્ટ્રો મતદાન 1936 અમેરિકી રાષ્ટ્રપ્રમુખની ચૂંટણી પરિણામ આગાહી કરવાનો પ્રયાસ કર્યો પર વિચાર કરીએ. જો કે તે કરતાં વધુ 75 વર્ષ પહેલા થયું હતું, આ રકાસ હજુ પણ એક મહત્વપૂર્ણ પાઠ આજે સંશોધકો શીખવે છે.

સાહિત્યિક ડાઈજેસ્ટ લોકપ્રિય સામાન્ય વ્યાજ મેગેઝિન હતી, અને 1920 માં શરૂ તેઓ પ્રમુખપદની ચૂંટણી પરિણામો આગાહી સ્ટ્રો મતદાન ચાલી રહેલ શરૂ કર્યું. આ આગાહીઓ કરવા માટે તેઓ લોકો ઘણાં મતદાન મોકલવા કરશે, અને પછી ફક્ત મતદાન કે પરત આવ્યા હતા મેળવણી સાહિત્યિક ડાઈજેસ્ટ ગર્વથી અહેવાલ છે કે મતદાન તેઓ પ્રાપ્ત કરવામાં આવી હતી ન તો ", ભારાંક ગોઠવ્યો, કે અર્થઘટન." આ પ્રક્રિયા યોગ્ય રીતે વિજેતા આગાહી 1920, 1924, 1928 અને 1932 1936 માં ચૂંટણી, મહામંદી ના મધ્યભાગમાં, લિટરરી ડાયજેસ્ટ બહાર મતદાન 10 મિલિયન લોકો, કે જેમના નામો મુખ્યત્વે ટેલિફોન ડિરેક્ટરીઓ અને ઓટોમોબાઈલ નોંધણી રેકોર્ડ આવ્યા મોકલ્યો છે. અહીં કેવી રીતે તેઓ તેમના પદ્ધતિ વર્ણવેલ છે:

"ત્રીસ વર્ષનો અનુભવ ધીમી ચોકસાઇ સાથે પાચન માતાનો સરળ ચાલતા મશીન ચાલ હાર્ડ તથ્યો અનુમાનીત કાર્ય ઘટાડવા માટે. . . .આ અઠવાડિયે 500 પેન એક મિલિયન એડ્રેસો એક ક્વાર્ટર એક દિવસ કરતાં વધુ ઉઝરડા. દરેક દિવસ, એક મહાન ઉપર મોટર ribboned ચોથી એવન્યુ ઉચ્ચ રૂમ, ન્યૂ યોર્ક માં 400 કામદારો ચપળતાપૂર્વક બાબત પૂરતી ચાલીસ શહેર બ્લોક્સ-માં સંબોધવામાં ઢાંકી [એ જ પ્રમાણે] મોકળો કરવા માટે મુદ્રિત એક મિલિયન ટુકડાઓ સ્લાઇડ. દરેક કલાક, પાચન પોતાના પોસ્ટ ઓફિસ પેટામથક, ત્રણ અસ્પષ્ટ લવરી પોસ્ટેજ મીટરિંગ મશીનો સીલ અને સફેદ oblongs બીબીમાં; કુશળ ટપાલ કર્મચારીઓ તેમને mailsacks મણકાની માં ઘસવું; કાફલો પાચન ટ્રક તેમને મેઇલ ટ્રેન વ્યક્ત sped. . . આગામી સપ્તાહ, આ દસ મિલિયન પ્રથમ જવાબો, નોંધપાત્ર મતદાન આવતા ભરતી શરૂ થશે ટ્રિપલ ચકાસાયેલ, પાંચ વખત ક્રોસ વર્ગીકૃત ચકાસણી અને કુલ્લે શકાય છે. જ્યારે છેલ્લા આંકડો totted કરવામાં આવી છે અને ચકાસાયેલ છે, જો છેલ્લા અનુભવ માપદંડ છે, દેશમાં 1 ટકા ચાલીસ લાખ [મતદારો] વાસ્તવિક લોકપ્રિય મત એક અપૂર્ણાંક અંદર જાણતા હશે. "(22 ઓગસ્ટ, 1936)

કદ ડાયજેસ્ટ માતાનો fetishization આજે કોઇ ", મોટા માહિતી" સંશોધક તરત ઓળખી શકાય છે. 10 મિલિયન મતદાન વિતરિત, એક સુંદર 2.4 મિલિયન મતદાન પરત કે હતી આશરે 1,000 વખત આધુનિક રાજકીય મતદાન કરતાં મોટી છે. આ 2.4 મિલિયન ઉત્તરદાતાઓ પ્રતિ ચુકાદો સ્પષ્ટ હતો: સાહિત્ય ડાયજેસ્ટ આગાહી કરી હતી કે ચેલેન્જર આલ્ફ લેન્ડોને પદધારી ફ્રેન્કલિન રૂઝવેલ્ટ હરાવવા થઇ રહ્યા હતા. પરંતુ, હકીકતમાં, ચોક્કસ વિરોધી થયું. રૂઝવેલ્ટ એક ભૂસ્ખલન માં લેન્ડન હરાવ્યો હતો. કેવી રીતે સાહિત્યિક ડાઈજેસ્ટ ખૂબ માહિતી સાથે ખોટી જઈ શકે છે? અમારા નમૂના આધુનિક સમજ સાહિત્યિક ડાઈજેસ્ટ માતાનો ભૂલો સ્પષ્ટ કરે છે અને અમને ભવિષ્યમાં સમાન ભૂલો ટાળવા માટે મદદ કરે છે.

નમૂના વિશે સ્પષ્ટ રીતે વિચારી અમને (આકૃતિ 3.1) એ ચાર લોકોના વિવિધ જૂથો વિચારણા માટે જરૂરી છે. લોકો પ્રથમ જૂથ લક્ષ્ય વસ્તી છે; આ જૂથ છે કે જે સંશોધન રસ વસ્તી વ્યાખ્યાયિત કરે છે. સાહિત્યિક ડાઈજેસ્ટ કિસ્સામાં લક્ષ્ય વસ્તી 1936 ની રાષ્ટ્રપતિ પદની ચૂંટણી મતદારો હતા. લક્ષ્ય વસતિ પર નક્કી કર્યા પછી, સંશોધક આગામી લોકો કે નમૂના માટે ઉપયોગ કરી શકાય છે એક યાદી વિકાસ કરવાની જરૂર છે. આ યાદી એક નમૂના Cuegloss કહેવામાં આવે છે અને નમૂના ફ્રેમ પર વસ્તી ફ્રેમ વસ્તી કહેવામાં આવે છે. સાહિત્યિક ડાઈજેસ્ટ કિસ્સામાં ફ્રેમ વસ્તી 10 મિલિયન લોકો કે જેમના નામો ટેલિફોન ડિરેક્ટરીઓ અને ઓટોમોબાઈલ નોંધણી રેકોર્ડ મુખ્યત્વે આવ્યા હતા. આદર્શરીતે લક્ષ્ય વસ્તી અને ફ્રેમ વસ્તી બરાબર એ જ હશે, પરંતુ વ્યવહારમાં આ વારંવાર કેસ નથી. લક્ષ્ય વસ્તી અને ફ્રેમ વસ્તી વચ્ચે તફાવતો કવરેજ ભૂલ કહેવામાં આવે છે. કવરેજ ભૂલ, પોતે દ્વારા સમસ્યાઓ ખાતરી આપી નથી. પરંતુ, જો ફ્રેમ વસ્તી લોકો લોકો પાસેથી વ્યવસ્થિત અલગ નથી ફ્રેમ વસ્તી ત્યાં કવરેજ પૂર્વગ્રહ હશે. કવરેજ ભૂલ સાહિત્યિક ડાઈજેસ્ટ મતદાન સાથે મુખ્ય ભૂલો પ્રથમ હતો. તેઓ મતદારો કે વિશે જાણવા માગતા હતા તેમના લક્ષ્ય વસ્તી પરંતુ તે સમૃદ્ધ પર રજૂ તેઓ ટેલિફોન ડિરેક્ટરીઓ અને ઓટોમોબાઈલ રજીસ્ટ્રાર, સ્રોતોમાંથી મુખ્યત્વે નમૂના ફ્રેમ નિર્માણ અમેરિકનો જે વધુ આ ટેકનોલોજી બંને કે આલ્ફ લેન્ડોને (રિકોલ આધાર થવાની શક્યતા હતી, જે સામાન્ય છે આજે, તે સમયે અને તે અમને મહાન મંદી મધ્યે હતી) પ્રમાણમાં નવા હતા.

પ્રતિનિધિત્વ ભૂલો: 3.1 આકૃતિ.

ફ્રેમ વસ્તી વ્યાખ્યાયિત કર્યા પછી, આગામી પગલું એક સંશોધક નમૂના વસ્તી પસંદ કરવા માટે છે; આ લોકો છે કે સંશોધક ઇન્ટરવ્યુ માટે પ્રયત્ન કરશે છે. નમૂના ફ્રેમ વસ્તી કરતાં અલગ લાક્ષણિકતાઓ ધરાવે છે, તો પછી અમે નમૂના ભૂલ દાખલ કરી શકો છો. આ માર્જિન ઓફ એરર છે જે સામાન્ય રીતે અંદાજ સાથે માં માપવાની ભૂલ પ્રકારની છે. સાહિત્યિક ડાઈજેસ્ટ ફિયાસ્કા કિસ્સામાં, ત્યાં ખરેખર કોઈ નમૂના હતી; તેઓ ફ્રેમ વસ્તી દરેક સંપર્ક કરવાનો પ્રયાસ કર્યો. તેમ છતાં ત્યાં કોઈ નમૂના ભૂલ હતી, ત્યાં દેખીતી રીતે હજુ પણ ભૂલ થઈ હતી. આ સ્પષ્ટતા કરે છે કે ભૂલો માર્જિન કે જે ખાસ કરીને સર્વેક્ષણ માંથી અંદાજ સાથે અહેવાલ છે સામાન્ય રીતે ગેરમાર્ગે દોરે નાના હોય છે; તેઓ ભૂલ તમામ સ્ત્રોતો સમાવેશ થતો નથી.

છેલ્લે, એક સંશોધક નમૂના વસ્તી દરેક ઇન્ટરવ્યુ પ્રયત્ન કરે છે. તે લોકો કે જેઓ સફળતાપૂર્વક ઇન્ટરવ્યૂ છે ઉત્તરદાતાઓ કહેવામાં આવે છે. આદર્શરીતે, નમૂના વસ્તી અને ઉત્તરદાતાઓ બરાબર એ જ હશે, પરંતુ વ્યવહારમાં બિન-પ્રતિભાવ છે. જે લોકો નમૂના પસંદ કરવામાં આવે છે ભાગ ઇન્કાર છે. જે લોકો જવાબ જેઓ જવાબ નથી અલગ હોય છે, તો પછી ત્યાં બિન-પ્રતિભાવ પૂર્વગ્રહ હોઈ શકે છે. બિન-પ્રતિભાવ પૂર્વગ્રહ સાહિત્યિક ડાઈજેસ્ટ મતદાન સાથે બીજા મુખ્ય સમસ્યા હતી. જે લોકો મતદાન મેળવનાર માત્ર 24% પ્રતિક્રિયા, અને તે છે કે જે લોકો લેન્ડન આધારભૂત વધુ પ્રતિક્રિયા આપે તેવી શક્યતા હતી બહાર આવ્યું છે.

માત્ર પ્રતિનિધિત્વ વિચારો રજૂ કરવા માટે એક ઉદાહરણ છે બિયોન્ડ, લિટરરી ડાયજેસ્ટ મતદાન cautioning ફાંસી નમૂના ના જોખમો વિશે સંશોધકો, એક ઓ.એફ.ટી.-પુનરાવર્તિત કહેવત છે. કમનસીબે, હું લાગે છે કે પાઠ કે ઘણા લોકો આ વાર્તા થી ડ્રો ખોટું છે. વાર્તા સૌથી સામાન્ય નૈતિક કે સંશોધકો (સહભાગીઓ પસંદ કરવા માટે કડક સંભાવના આધારિત નિયમો વિના એટલે કે, નમૂનાઓ) બિન-સંભાવના નમૂનાઓ કંઈપણ જાણવા શકે છે. પરંતુ, હું પાછળથી આ પ્રકરણમાં બતાવીશું, કે તદ્દન સાચું છે. તેના બદલે, મને લાગે છે કે ત્યાં ખરેખર આ વાર્તા બે નૈતિકતા છે; નૈતિકતા કે સાચું આજે તેઓ 1936 પ્રથમ હતા, haphazardly એકત્રિત માહિતી વિશાળ જથ્થો એક સારી અંદાજ બાંયધરી નહીં. બીજું, સંશોધકો કેવી રીતે તેમની માહિતી એકત્રિત કરવામાં આવી હતી ત્યારે તેઓ તેને અંદાજ બનાવે છે હિસ્સો ધરાવે છે કરવાની જરૂર છે. અન્ય શબ્દોમાં, કારણ કે સાહિત્યિક ડાઈજેસ્ટ મતદાન માહિતી સંગ્રહ પ્રક્રિયા વ્યવસ્થિત કેટલાક ઉત્તરદાતાઓ તરફ તરફ વળ્યુ હતી, સંશોધકો અન્ય કરતાં વજન કેટલાક ઉત્તરદાતાઓ વધુ વધુ જટિલ અંદાજ પ્રક્રિયા વાપરવા માટે જરૂર છે. આ પ્રકરણમાં પછીથી, હું તમને એક જેમ કે વજન પ્રક્રિયા પોસ્ટ સ્તરીકરણ કે બિન-સંભાવના નમૂનાઓ સાથે સારી અંદાજ બનાવવા માટે તમે સક્ષમ કરી શકો છો બતાવવા પડશે.