2.4.3 લગભગ પ્રયોગો

અમે પ્રયોગો છે કે અમે નથી કરી શકો છો અનુમાન લગાવી શકે છે. બે અભિગમો છે કે ખાસ કરીને ડિજિટલ વય લાભ બંધબેસતા અને કુદરતી પ્રયોગો કરવામાં આવે છે.

ઘણા મહત્વપૂર્ણ વૈજ્ઞાનિક અને નીતિ પ્રશ્નો સાધક છે. ચાલો, ઉદાહરણ તરીકે, નીચેના પ્રશ્ન: શું વેતન પર નોકરી તાલીમ કાર્યક્રમ અસર છે? એક રીતે આ પ્રશ્નનો જવાબ આપવા માટે એક નિદર્શિત અંકુશિત પ્રયોગ જ્યાં કામદાર રેન્ડમ ક્યાં તાલીમ પ્રાપ્ત કરવા માટે અથવા તાલીમ પ્રાપ્ત નથી સોંપેલ હતા સાથે હશે. પછી, સંશોધકો ફક્ત લોકો છે કે જેઓ તેને પ્રાપ્ત ન હતી તાલીમ પ્રાપ્ત વેતન સરખામણી કરીને આ સહભાગીઓ માટે તાલીમ અસર અંદાજ કરી શકે છે.

રેન્ડમાઈઝેશન: સરળ સરખામણી કંઈક પહેલાં માહિતી પણ એકત્રિત કરવામાં આવી હતી કે બને છે, કારણ કે માન્ય છે. રેન્ડમાઈઝેશન વિના, સમસ્યા ખૂબ trickier છે. એક સંશોધક જે લોકો સ્વેચ્છાએ જેઓ સાઇન અપ ન હતી તાલીમ માટે સાઇન અપ કર્યું વેતન તુલના કરી શકે છે. કે સરખામણી કદાચ દર્શાવે છે કે જે લોકો તાલીમ પ્રાપ્ત વધુ મેળવી હતી, પરંતુ આ કેટલી તાલીમ કારણે છે અને કેટલી આ છે કારણ કે લોકો સાઇન અપ તાલીમ માટે કે જેઓ સાઇન અપ નથી તાલીમ માટે અલગ હોય છે? અન્ય શબ્દોમાં, તે લોકો આ બે જૂથો વેતન સરખાવવા માટે વાજબી છે?

વાજબી તુલના વિશે આ ચિંતા કેટલાક સંશોધકો એવું માને છે કે તે અશક્ય છે એક પ્રયોગ ચાલી વગર સાધક અંદાજ બનાવવા માટે દોરી જાય છે. આ દાવો પણ અત્યાર સુધી જાય છે. જ્યારે તે સાચું છે કે પ્રયોગો સાધક અસરો માટે મજબૂત પુરાવા પૂરી પાડે છે, ત્યાં અન્ય વ્યૂહરચનાઓ કે મૂલ્યવાન સાધક અંદાજ પૂરી પાડી શકે છે. વિચારીને કે સાધક અંદાજ (પ્રયોગો કિસ્સામાં) ક્યાં સરળ અથવા અશક્ય છે (કેસ માં પરોક્ષ માહિતી અવલોકન) તેના બદલે, તે વધુ સારું છે એક અખંડ મજબૂત થી કમજોર છે (આકૃતિ સાથે બોલતી સાધક અંદાજો માટે વ્યૂહરચના લાગે 2.4). અખંડ મજબૂત અંતે નિયંત્રિત પ્રયોગો રેન્ડમાઇઝ્ડ છે. પરંતુ, આ ઘણી વખત સામાજિક સંશોધન કરવા માટે, કારણ કે ઘણા સારવાર સરકારો અથવા કંપનીઓ પાસેથી સહકાર અવાસ્તવિક માત્રામાં જરૂરી છે મુશ્કેલ છે; તદ્દન ખાલી ઘણા પ્રયોગો કે અમે શું કરી શકો છો છે. હું બંને શક્તિ અને નિદર્શિત અંકુશિત પ્રયોગો નબળાઈઓ પ્રકરણ 4 ની તમામ સમર્પિત કરશે, અને હું એવી દલીલ કરે છે કે પડશે કેટલાક કિસ્સાઓમાં, ત્યાં મજબૂત નૈતિક કારણોસર પ્રાયોગિક પદ્ધતિઓ નિરીક્ષણ પ્રાધાન્ય છે.

આકૃતિ 2.4: અંદાજ સાધક અસરો માટે સંશોધન વ્યૂહરચના અખંડ.

અખંડ સાથે ફરતા, જ્યાં પરિસ્થિતિ સંશોધકો સ્પષ્ટપણે રેન્ડમાઇઝ્ડ નથી. તે છે, સંશોધકો ખરેખર એક પ્રયોગ કરવાનું વિના પ્રયોગ જેવા જ્ઞાન જાણવા માટે પ્રયાસ કરી રહ્યા છે; કુદરતી રીતે, આ મુશ્કેલ હોઈ ચાલે છે, પરંતુ મોટા ડેટા મોટા પ્રમાણમાં આ પરિસ્થિતિઓમાં સાધક અંદાજ બનાવવા માટે અમારી ક્ષમતા સુધારે છે.

ક્યારેક સેટિંગ્સ જ્યાં વિશ્વમાં રેન્ડમનેસ સંશોધકો માટે એક પ્રયોગ કંઈક બનાવવા માટે થાય છે. આ ડિઝાઇન કુદરતી પ્રયોગો કહેવામાં આવે છે, અને તે વિભાગ 2.4.3.1 માં વિગતવાર ગણવામાં આવશે. મોટા ડેટા સ્રોતો તેમના હંમેશા સ્વભાવ અને તેમના બે લક્ષણો માપ-મોટા પ્રમાણમાં કુદરતી પ્રયોગો પાસેથી જાણવા જ્યારે તેઓ ઉત્પન્ન થાય માટે અમારી ક્ષમતા વધારે છે.

વધુ નિદર્શિત અંકુશિત પ્રયોગો દૂર ખસી, ક્યારેક પ્રકૃતિ કે અમે કુદરતી પ્રયોગ આશરે ઉપયોગ કરી શકો છો પણ એક ઘટના નથી. આ સેટિંગ્સ, અમે કાળજીપૂર્વક એક પ્રયોગ આશરે પ્રયાસ બિન-પ્રાયોગિક માહિતી અંદર તુલના રચવા કરી શકો છો. આ ડિઝાઇન બંધબેસતી કહેવામાં આવે છે, અને તે વિભાગ 2.4.3.2 માં વિગતવાર ગણવામાં આવશે. કુદરતી પ્રયોગો જેમ, બંધબેસતી ડિઝાઇન પણ મોટા માહિતી સ્ત્રોત થી ફાયદો છે. ખાસ કરીને, મોટા કદ બંને અને કેસોની સંખ્યા વધીને માહિતી પ્રકાર દ્રષ્ટિએ કેસ મોટા પ્રમાણમાં બંધબેસતી કરે છે. કુદરતી પ્રયોગો અને બંધબેસતા વચ્ચે કી તફાવત એ છે કે કુદરતી પ્રયોગો સંશોધક પ્રક્રિયા છે, જેના દ્વારા સારવાર સોંપેલ છે અને તે રેન્ડમ હોઈ માને હતી જાણે છે.

કુદરતી પ્રયોગો અને મેચિંગ: વાજબી સરખામણીઓ ઇચ્છાઓ પ્રોત્સાહિત પ્રયોગો કરવા માટે ખ્યાલ પણ બે વૈકલ્પિક અભિગમ નીચે લીટી દોરેલા શબ્દોમાં. આ અભિગમ વાજબી માહિતી તમે પહેલાથી જ હોય ​​છે કે અંદર બેઠો તુલના પ્રગટ કરીને પરોક્ષ અનુભવવામાં માહિતી સાધક અસરો અંદાજ કરવા માટે સક્રિય કરશે.