3.4 કોણ પૂછી

સંભવના નમૂનાઓ અને બિન-સંભાવના નમૂનાઓ કે વ્યવહારમાં અલગ નથી; બંને કિસ્સાઓમાં, તે બધા વજન વિશે છે.

નમૂનાનો સર્વેક્ષણ સંશોધન મૂળભૂત છે. સંશોધકોએ લગભગ ક્યારેય તેમના લક્ષ્ય વસ્તી દરેકને તેમના પ્રશ્નો પૂછો. આ સંદર્ભે, સર્વેક્ષણ અનન્ય છે. સૌથી વધુ સંશોધન, એક રીતે અથવા અન્ય માં, નમૂના સમાવેશ થાય છે. ક્યારેક આ નમૂના સંશોધક દ્વારા સ્પષ્ટ કરવામાં આવે છે; અન્ય વખત તે સર્વથા થાય છે. ઉદાહરણ તરીકે, એક સંશોધક છે કે તેના યુનિવર્સિટી પૂર્વસ્નાતક વિદ્યાર્થીઓ પર એક પ્રયોગશાળા પ્રયોગ ચાલે છે પણ એક નમૂનો લેવામાં આવી છે. આમ, નમૂના એક સમસ્યા એ છે કે આ પુસ્તક સમગ્ર આવે છે. હકીકતમાં, સૌથી સામાન્ય ચિંતા કે હું માહિતી ડિજિટલ વય સ્ત્રોતો વિશે સાંભળવા એક છે, આ ચિંતા બંને ઓછા ગંભીર અને વધારે સૂક્ષ્મ કરતાં ઘણા અંગે શંકા ખ્યાલ છે "તેઓ પ્રતિનિધિ નથી." આપણે આ વિભાગમાં જોવા મળે છે. હકીકતમાં, હું એવી દલીલ કરે છે કે "Representativeness" સમગ્ર ખ્યાલ સંભાવના અને બિન-સંભાવના નમૂનાઓ વિશે વિચારવા માટે મદદરૂપ નથી. તેના બદલે, કી કેવી રીતે માહિતી એકત્રિત કરવામાં આવી હતી અને તે માહિતી સંગ્રહ કોઈપણ પક્ષપાતને જ્યારે અંદાજો કેવી રીતે રદ કરી શકો છો વિશે વિચારો છે.

હાલમાં, પ્રતિનિધિત્વ માટે પ્રબળ સૈદ્ધાંતિક અભિગમ સંભાવના નમૂના છે. માહિતી સંભાવના નમૂના પદ્ધતિ સંપૂર્ણ ચલાવવામાં આવ્યું છે કે સાથે ભેગા કરવામાં આવે છે ત્યારે, સંશોધકો કે જે રીતે તેઓ લક્ષ્ય વસ્તી વિશે unbiased અંદાજ બનાવવા માટે એકત્રિત કરવામાં આવ્યા હતા પર આધારિત તેમની માહિતી વજન કરવા માટે સક્ષમ છે. જો કે, સંપૂર્ણ સંભાવના નમૂના મૂળભૂત ક્યારેય વાસ્તવિક વિશ્વમાં થાય છે. ત્યાં સામાન્ય રીતે બે મુખ્ય સમસ્યાઓ 1) લક્ષ્ય વસ્તી અને ફ્રેમ વસ્તી અને 2 વચ્ચે તફાવત) બિન-પ્રતિભાવ (આ બરાબર સમસ્યાઓ કે જે સાહિત્યિક ડાઈજેસ્ટ મતદાન નજીક ભાંગી પડ્યા બાદની છે) છે. આમ, તેના બદલે શું ખરેખર વિશ્વમાં થાય છે એક વાસ્તવિક મોડેલ તરીકે સંભાવના નમૂના વિચારી કરતાં, તે વધુ સારી રીતે મદદરૂપ, અમૂર્ત મોડેલ તરીકે સંભાવના નમૂના લાગે છે, ખૂબ જેવા માર્ગ ભૌતિક એક અનંત લાંબા નીચે રોલિંગ Frictionless બોલ વિશે વિચારો રસ્તા.

સંભાવના નમૂના માટે વૈકલ્પિક બિન-સંભાવના નમૂના છે. સંભાવના અને બિન-સંભાવના નમૂના વચ્ચે મુખ્ય તફાવત સમાવેશ જાણીતી સંભાવના છે કે સંભાવના વસ્તી દરેક નમૂના છે. ત્યાં હકીકતમાં, છે, બિન-સંભાવના નમૂના ઘણી જાતો, અને માહિતી સંગ્રહ આ પદ્ધતિઓ ડિજિટલ વય માં વધુને વધુ સામાન્ય બની રહી છે. પરંતુ, બિન-સંભાવના નમૂના સામાજિક વૈજ્ઞાનિકો અને આંકડાશાસ્ત્રીઓ વચ્ચે એક ભયંકર પ્રતિષ્ઠા ધરાવે છે. હકીકતમાં, બિન-સંભાવના નમૂના જેમ કે સાહિત્યિક ડાઈજેસ્ટ ફિયાસ્કા (અગાઉ ચર્ચા) અને 1948 ( "ડેવી પરાજય ટ્રુમેન") યુએસ પ્રમુખપદની ચૂંટણી વિશે ખોટી ભવિષ્યવાણી તરીકે મોજણી સંશોધકો સૌથી નાટ્યાત્મક નિષ્ફળતાઓ, કેટલાક સાથે સંકળાયેલ છે (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) .

જોકે, સમય બે કારણોસર બિન-સંભાવના નમૂના પુનર્વિચાર કરવાનો અધિકાર છે. પ્રથમ, કારણ કે સંભાવના નમૂનાઓ વ્યવહારમાં કરવું વધુને વધુ મુશ્કેલ બની જાય છે, સંભાવના નમૂનાઓ અને બિન-સંભાવના નમૂનાઓ ભેદ પાતળો બને છે. જ્યારે ત્યાં આમ બિન-પ્રતિભાવ ઊંચા દર (ત્યાં હવે વાસ્તવિક સર્વેક્ષણ છે), ઉત્તરદાતાઓ માટે સમાવેશ વાસ્તવિક સંભાવના નથી ઓળખાય છે, અને સંભાવના નમૂનાઓ અને બિન-સંભાવના નમૂનાઓ છે કે અલગ અલગ ઘણા સંશોધકો એવું માને છે કારણ કે ન હોય. પોસ્ટ સ્તરીકરણ: હકીકતમાં, અમે નીચે જોશો, બંને અભિગમ મૂળભૂત રીતે જ અંદાજ પદ્ધતિ પર આધાર રાખે છે. બીજું, ત્યાં સંગ્રહ અને બિન-સંભાવના નમૂનાઓ વિશ્લેષણ વિકાસ કરવામાં આવી છે. આ પદ્ધતિઓ પદ્ધતિઓ છે કે જે ભૂતકાળમાં સમસ્યાઓ કારણે પૂરતી વિવિધ મને લાગે છે કે તે અર્થમાં બનાવે છે કારણ કે તેમને લાગે છે "બિન-સંભાવના નમૂના 2.0." અમે કારણ કે ભૂલો થયું બિન સંભાવના પદ્ધતિઓ એક અતાર્કિક અણગમો ન જોઈએ ઘણાં સમય પહેલા.

આગળ, ક્રમમાં આ દલીલ વધુ કોંક્રિટ બનાવવા માટે, હું ધોરણ સંભાવના નમૂના અને વજન (વિભાગ 3.4.1) સમીક્ષા કરીશું. કી વિચાર તમે તમારા ડેટાને કે કેવી રીતે એકત્રિત અસર જોઈએ કેવી રીતે તમે અંદાજ કરી છે. ખાસ કરીને, જો દરેક સમાવેશ જ સંભાવના નથી, તો પછી બધા જ સમાન વજન ન હોવી જોઇએ. બીજા શબ્દોમાં કહીએ તો, જો તમારા નમૂના લોકશાહી નથી, તો પછી તમારા અંદાજ નથી ડેમોક્રેટિક પ્રયત્ન કરીશું. વજન સમીક્ષા કર્યા પછી, હું બિન સંભાવના નમૂના બે અભિગમો વર્ણન કરીશું: એક કે haphazardly એકત્રિત માહિતી સમસ્યા (વિભાગ 3.4.2) સાથે વ્યવહાર કરવા માટે વજન પર ધ્યાન કેન્દ્રિત કરે છે, અને કેવી રીતે માહિતી છે પર વધુ નિયંત્રણ મૂકવા માટે પ્રયત્ન કરે છે કે એકત્રિત (વિભાગ 3.4.3). મુખ્ય લખાણ દલીલો શબ્દો અને ચિત્રો સાથે નીચે સમજાવાયેલ આવશે; વાચકો વધુ ગાણિતિક સારવાર માંગે છે જે પણ ટેકનિકલ પરિશિષ્ટ જોવા જોઈએ.