3.4.3 બિન સંભાવના નમૂનાઓ: નમૂના બંધબેસતી

બધા બિન-સંભાવના નમૂનાઓ સમાન હોય છે. અમે આ બોલ ઓવરને પર વધુ નિયંત્રણ ઉમેરી શકો છો.

અભિગમ વાંગ અને 2012 યુએસ પ્રમુખપદની ચૂંટણી પરિણામ અંદાજ કાઢવા માટે વાપરી સાથીદારો માહિતી વિશ્લેષણ સુધારાઓ પર સંપૂર્ણપણે આધારિત છે. એટલે કે, તેઓ તેઓ કરી શકે છે, જેમ કે ઘણા જવાબો એકત્રિત અને પછી ફરી વજન તેમને પ્રયાસ કર્યો હતો. બિન-સંભાવના નમૂના સાથે કામ માટે એક પૂરક વ્યૂહરચના માહિતી સંગ્રહ પ્રક્રિયા પર વધુ નિયંત્રણ હોય છે.

અંશતઃ નિયંત્રિત બિન-સંભાવના નમૂના પ્રક્રિયા એક સાદામાં સાદું ઉદાહરણ ક્વોટા નમૂના, એક ટેકનિક છે કે સર્વે રિસર્ચ શરૂઆતના દિવસોમાં પાછા જાય છે. ક્વોટા નમૂના માં, સંશોધકોએ વિવિધ જૂથો (દા.ત., યુવાન પુરુષો, યુવાન સ્ત્રીઓ, વગેરે) અને લોકો સંખ્યા પછી સમૂહ ક્વોટા માં વસ્તી વિભાજીત દરેક જૂથ પસંદ કરી છે. ઉત્તરદાતાઓ એક ફાંસી રીતે પસંદ કરવામાં આવે છે ત્યાં સુધી સંશોધક દરેક જૂથ તેમના ક્વોટા મળ્યા છે. કારણ કે ક્વોટા, પરિણામી નમૂના વધુ લક્ષ્ય વસ્તી કરતાં અન્યથા સાચું હશે જેવી લાગે છે, પરંતુ કારણ કે સમાવેશ સંભાવનાઓ અજ્ઞાત છે ઘણા સંશોધકો ક્વોટા નમૂના પર શંકા છે. હકીકતમાં, ક્વોટા નમૂના એક કારણ 1948 અમેરિકી રાષ્ટ્રપ્રમુખની ચૂંટણીમાં "ડેવી પરાજય ટ્રુમેન" ભૂલ આવી હતી. તે નમૂના પ્રક્રિયા પર અમુક નિયંત્રણની પૂરી પાડે છે કારણ કે, જો કે, એક કેવી રીતે ક્વોટા નમૂના સંપૂર્ણપણે અનિયંત્રિત માહિતી સંગ્રહ સામે કેટલાક લાભો હોય શકે છે જોઈ શકે છે.

ક્વોટા નમૂના બહાર ખસેડવા, બિન-સંભાવના નમૂના પ્રક્રિયા નિયંત્રિત કરવા માટે વધુ આધુનિક અભિગમ હવે શક્ય છે. આવો જ એક અભિગમ નમૂના બંધબેસતી કહેવામાં આવે છે, અને તે અમુક વેપારી ઓનલાઇન પેનલ પ્રદાતાઓ દ્વારા ઉપયોગ થાય છે. 1) વસ્તી એક સંપૂર્ણ રજિસ્ટર અને 2) સ્વયંસેવકો મોટી પેનલ: તેના સરળ સ્વરૂપમાં, નમૂના બંધબેસતી બે માહિતી સ્ત્રોત જરૂરી છે. એ મહત્વનું છે કે સ્વયંસેવકો કોઈપણ વસ્તી એક સંભાવના નમૂના હોઈ જરૂર નથી; પર ભાર મૂકે છે પેનલ માં પસંદગી માટે કોઈ જરૂરિયાતો છે કે, હું તે ગંદા પેનલ કહી શકશો. પણ, બંને વસ્તી રજિસ્ટર અને ગંદા પેનલ, દરેક વ્યક્તિ વિશે કેટલીક સહાયક માહિતી સમાવેશ કરવો જ જોઇએ આ ઉદાહરણમાં, હું વય અને સંભોગ ધ્યાનમાં પડશે, પરંતુ વાસ્તવિક પરિસ્થિતિમાં આ સહાયક માહિતી વધુ વિગતવાર હોઈ શકે છે. નમૂના મેચિંગ યુક્તિ એક રસ્તો છે કે નમૂનાઓ કે સંભાવના નમૂનાઓ જેમ દેખાય પેદા ગંદા પેનલ નમૂનાઓ પસંદ છે.

નમૂના બંધબેસતી જ્યારે એક બનાવટી સંભાવના નમૂના વસ્તી રજિસ્ટર માંથી લેવામાં આવે છે શરૂ થાય છે; આ બનાવટી નમૂના લક્ષ્ય નમૂના બની જાય છે. પછી, સહાયક માહિતી પર આધારિત છે, લક્ષ્ય નમૂના કિસ્સાઓમાં લોકોને ગંદા પેનલમાં એક મેળ ખાતી નમૂના ફોર્મ માટે મેળ ખાય છે. ઉદાહરણ તરીકે, જો ત્યાં લક્ષ્ય નમૂના 25 વર્ષની સ્ત્રી છે, તો પછી સંશોધક ડર્ટી પેનલ દ્વારા એક 25 વર્ષ જૂના સ્ત્રી શોધે મેળ ખાતી નમૂના હોઈ શકે છે. છેલ્લે, મેળ ખાતી નમૂના સભ્યો ઉત્તરદાતાઓ અંતિમ સમૂહ પેદા કરવા માટે મુલાકાત આવે છે.

તેમ છતાં મેળ ખાતી નમૂના લક્ષ્ય નમૂના જેવી લાગે છે, તે યાદ રાખવું કે સરખાવવા નમૂના સંભાવના નમૂના નથી મહત્વનું છે. રમેલા નમૂનાઓ જ ઓળખાય સહાયક માહિતી (દા.ત., વય અને સંભોગ) પર લક્ષ્ય નમૂના મેળ કરી શકે છે, પરંતુ unmeasured લાક્ષણિકતાઓ પર નથી. ઉદાહરણ તરીકે, જો ગંદા પેનલ પર લોકો બધા ગરીબ પછી હોય છે, એક કારણ સાથે જોડાવા માટે એક સર્વે પેનલ નાણાં પછી કમાઇ મેળ ખાતી નમૂના વય અને સંભોગ તે હજુ પણ હશે દ્રષ્ટિએ લક્ષ્ય નમૂના જેવી લાગે છે, પણ જો છે ગરીબ લોકો તરફ પૂર્વગ્રહ. સાચું સંભાવના નમૂના જાદુ બંને રાજ્ય અને unmeasured લાક્ષણિકતાઓ પર સમસ્યાઓ (એક બિંદુ કે પ્રકરણ 2 નિરીક્ષણાત્મક અભ્યાસો થી સાધક અનુમાન માટે બંધબેસતા અમારી ચર્ચા સાથે સુસંગત છે) બહાર શાસન છે.

વ્યવહારમાં, નમૂના બંધબેસતી સર્વેક્ષણો પૂર્ણ કરવા માટે આતુર મોટી અને વિવિધ પેનલ કર્યા પર આધાર રાખે છે, અને આમ તે મુખ્યત્વે કંપનીઓ છે કે જે વિકાસ અને આવા પેનલ જાળવી રાખવા માટે પરવડી શકે છે દ્વારા કરવામાં આવે છે. પણ, વ્યવહારમાં, મેચિંગ અને બિન-પ્રતિભાવ (ક્યારેક મેળ ખાતી નમૂના લોકો સર્વેક્ષણમાં ભાગ ઇન્કાર) (લક્ષ્ય નમૂના કોઈને પેનલ પર અસ્તિત્વમાં નથી ક્યારેક એક સારી મેચ) સાથે સમસ્યા હોઈ શકે છે. તેથી, વ્યવહારમાં, નમૂના બંધબેસતી કરી સંશોધકો પણ પોસ્ટ સ્તરીકરણ ગોઠવણ અમુક પ્રકારની અંદાજ બનાવવા માટે કરે છે.

તે નમૂના મેચિંગ વિશે ઉપયોગી સૈદ્ધાંતિક ગેરંટી પૂરી પાડે છે મુશ્કેલ છે, પરંતુ વ્યવહારમાં તે સારી રીતે કરી શકો છો. ઉદાહરણ તરીકે, સ્ટીફન Ansolabehere અને બ્રાયન Schaffner (2014) મેલ, ટેલિફોન અને ઇન્ટરનેટ પેનલ નમૂના મેચિંગ અને પોસ્ટ સ્તરીકરણ ગોઠવણ મદદથી ત્રણ અલગ અલગ નમૂના ઉપયોગ કરીને અને પદ્ધતિઓ મુલાકાત લગભગ 1,000 લોકો 2010 માં હાથ ધરવામાં ત્રણ સમાંતર સર્વેક્ષણ સરખામણીમાં. ત્રણ અભિગમ અંદાજ તદ્દન આવા વર્તમાન વસ્તી સર્વે (CPS) અને નેશનલ હેલ્થ મુલાકાત સર્વે (NHIS) તરીકે ઉચ્ચ ગુણવત્તા બેન્ચમાર્ક અંદાજ સમાન હતા. વધુ ખાસ રીતે, બંને ઇન્ટરનેટ અને મેલ સર્વેક્ષણ 3 ટકાવારી પોઈન્ટ ની એવરેજ દ્વારા બંધ હતા અને ફોન મોજણી બોલ 4 ટકાનો હતો. આ વિશાળ ભૂલો એક લગભગ 1,000 લોકો નમૂનાઓ પાસેથી અપેક્ષા કરશે આશરે શું છે. તેમ છતાં, આ સ્થિતિઓ નોંધપાત્ર સારી માહિતી ઉત્પાદન કંઈ, બંને ઇન્ટરનેટ અને ફોન સર્વે (જે લીધો દિવસો કે અઠવાડિયામાં) નોંધપાત્ર ઝડપી મેલ સર્વેક્ષણ (જે આઠ મહિના લાગ્યા) કરતાં ક્ષેત્ર હતા, અને ઈન્ટરનેટ સર્વેક્ષણ, જે નમૂના બંધબેસતી ઉપયોગ થાય છે, અન્ય બે સ્થિતિઓ કરતાં સસ્તું પડે છે.

અંતમા, સામાજિક વૈજ્ઞાનિકો અને આંકડાશાસ્ત્રીઓ ભાગ, આ બિન-સંભાવના નમૂનાઓ પરથી અનુમાન અતિ શંકા છે કારણ કે તેઓ જેમ કે સાહિત્યિક ડાઈજેસ્ટ મતદાન તરીકે સર્વે રિસર્ચ કેટલાક મૂંઝવતી નિષ્ફળતા સાથે સંકળાયેલા છે. ભાગ માં, હું આ નાસ્તિકતા સાથે સંમત: અસમાયોજિત બિન-સંભાવના નમૂનાઓ ખરાબ અંદાજ પેદા થવાની શક્યતા છે. જોકે, સંશોધકો નમૂના પ્રક્રિયા (દા.ત., પોસ્ટ સ્તરીકરણ) માં પક્ષપાતને માટે સંતુલિત કરી શકો છો અથવા નમૂના પ્રક્રિયા અંશે નિયંત્રણ (દા.ત., નમૂના મેચિંગ), તેઓ વધુ સારી રીતે અંદાજ છે, અને સૌથી હેતુઓ માટે પૂરતી ગુણવત્તા પણ અંદાજ પેદા કરી શકે છે. અલબત્ત, તે વધુ સારું સંપૂર્ણ ચલાવવામાં સંભાવના નમૂના કરવા માટે છે, પરંતુ તે લાંબા સમય સુધી એક વાસ્તવિક વિકલ્પ હોય તેવું લાગે છે.

બંને બિન-સંભાવના નમૂનાઓ અને સંભાવના નમૂનાઓ તેમના ગુણવત્તા અલગ અલગ છે, અને હાલમાં તે સંભવિત છે કે આ કેસ સંભાવના નમૂનાઓ માંથી સૌથી અંદાજ બિન-સંભાવના નમૂનાઓ પરથી અંદાજ કરતાં વધુ વિશ્વસનીય છે. પરંતુ, હવે, સારી રીતે હાથ ધરવામાં બિન-સંભાવના નમૂનાઓ પરથી અંદાજ કદાચ ખરાબ હાથ ધરવામાં સંભાવના નમૂનાઓ પરથી અંદાજ કરતાં વધુ સારી હોય છે. વધુમાં, બિન-સંભાવના નમૂનાઓ નોંધપાત્ર સસ્તી છે. આમ, તે સંભાવના વિ બિન-સંભાવના નમૂના ખર્ચ ગુણવત્તા વેપાર બોલ છે (આકૃતિ 3.6) આપે છે દેખાય છે. આગળ છીએ, હું અપેક્ષા કે સારી રીતે કરવામાં બિન-સંભાવના નમૂનાઓ પરથી અંદાજ સસ્તી અને સારી બનશે. વધુમાં, લેન્ડલાઇન ટેલિફોન સર્વે અને બિન-પ્રતિભાવ વધતા દરો વિરામ કારણે, હું અપેક્ષા છે કે સંભાવના નમૂનાઓ વધુ ખર્ચાળ બને છે અને નીચી ગુણવત્તા કરશે. કારણ કે આ લાંબા ગાળાના વલણો, મને લાગે છે કે બિન-સંભાવના નમૂના મોજણી સંશોધન ત્રીજા યુગમાં વધુને વધુ મહત્વપૂર્ણ બની જાય છે.

આકૃિત 3.6: પ્રેક્ટિસ અને બિન-સંભાવના નમૂના માં સંભવના નમૂના બંને મોટા, વિજાતીય વર્ગોમાં છે. સામાન્ય રીતે, બિન-સંભાવના નમૂના ઓછો ખર્ચ પરંતુ ઊંચા ભૂલ હોવા સાથે એક ખર્ચ ભૂલ વેપાર બંધ છે. જો કે, સારી રીતે કરવામાં બિન-સંભાવના નમૂના ખરાબ થાય સંભાવના નમૂના કરતાં વધુ સારી અંદાજ પેદા કરી શકે છે. ભવિષ્યમાં, હું અપેક્ષા જે બિન સંભાવના નમૂના સારી અને સસ્તી જ્યારે સંભાવના નમૂના ખરાબ અને વધુ ખર્ચાળ મળશે મળશે.