3.3 कुल सर्वेक्षण त्रुटि का ढांचा
कुल सर्वेक्षण त्रुटि = प्रतिनिधित्व त्रुटियों + माप त्रुटियों।
नमूना सर्वेक्षण से आने वाले अनुमान अक्सर अपूर्ण होते हैं। यही है, नमूना सर्वेक्षण (उदाहरण के लिए, स्कूल में छात्रों की अनुमानित औसत ऊंचाई) और जनसंख्या में वास्तविक मूल्य (उदाहरण के लिए, स्कूल में छात्रों की वास्तविक औसत ऊंचाई) द्वारा उत्पादित अनुमान के बीच आमतौर पर एक अंतर होता है। कभी-कभी ये त्रुटियां इतनी छोटी होती हैं कि वे महत्वहीन हैं, लेकिन कभी-कभी, दुर्भाग्यवश, वे बड़े और परिणामी हो सकते हैं। त्रुटियों को समझने, मापने और कम करने के प्रयास में, शोधकर्ताओं ने धीरे-धीरे नमूना सर्वेक्षण में उत्पन्न त्रुटियों के लिए एक एकल, अतिव्यापी वैचारिक ढांचा बनाया: कुल सर्वेक्षण त्रुटि ढांचे (Groves and Lyberg 2010) । हालांकि इस ढांचे का विकास 1 9 40 के दशक में शुरू हुआ, मुझे लगता है कि यह डिजिटल युग में सर्वेक्षण अनुसंधान के लिए हमें दो सहायक विचार प्रदान करता है।
सबसे पहले, कुल सर्वेक्षण त्रुटि ढांचे स्पष्ट करता है कि दो प्रकार की त्रुटियां हैं: पूर्वाग्रह और भिन्नता । असल में, पूर्वाग्रह व्यवस्थित त्रुटि है और भिन्नता यादृच्छिक त्रुटि है। दूसरे शब्दों में, कल्पना करें कि एक ही नमूना सर्वेक्षण की 1,000 प्रतिकृतियां चल रही हैं और फिर इन 1,000 प्रतिकृतियों के अनुमानों के वितरण को देखते हुए। पूर्वाग्रह इन प्रतिकृति अनुमानों और वास्तविक मूल्य के बीच अंतर है। भिन्नता इन अनुमानों की विविधता है। अन्य सभी बराबर हैं, हम एक पूर्वाग्रह और छोटे भिन्नता के साथ एक प्रक्रिया चाहते हैं। दुर्भाग्यवश, कई वास्तविक समस्याओं के लिए, ऐसी कोई पूर्वाग्रह, छोटी-भिन्न प्रक्रियाएं मौजूद नहीं हैं, जो शोधकर्ताओं को पूर्वाग्रह और भिन्नता से उत्पन्न समस्याओं को संतुलित करने का निर्णय लेने की कठिन स्थिति में रखती है। कुछ शोधकर्ता सहजता से निष्पक्ष प्रक्रियाओं को पसंद करते हैं, लेकिन पूर्वाग्रह पर एकमात्र दिमागी फोकस गलती हो सकती है। यदि लक्ष्य एक अनुमान उत्पन्न करना है जो सत्य के लिए जितना संभव हो सके (यानी, सबसे छोटी संभव त्रुटि के साथ), तो हो सकता है कि आप उस प्रक्रिया के साथ बेहतर हो जाएं जिसमें एक छोटी पूर्वाग्रह है और एक छोटा अंतर है निष्पक्ष लेकिन एक बड़ा भिन्नता है (आंकड़ा 3.1)। दूसरे शब्दों में, कुल सर्वेक्षण त्रुटि ढांचे से पता चलता है कि सर्वेक्षण अनुसंधान प्रक्रियाओं का मूल्यांकन करते समय, आपको पूर्वाग्रह और भिन्नता दोनों पर विचार करना चाहिए।
चित्रा 3.1: बाईस और भिन्नता। आदर्श रूप से, शोधकर्ताओं के पास कोई पूर्वाग्रह, कम-भिन्नता अनुमान प्रक्रिया होगी। हकीकत में, उन्हें अक्सर ऐसे निर्णय लेना पड़ता है जो पूर्वाग्रह और भिन्नता के बीच एक व्यापार-बंद बनाते हैं। यद्यपि कुछ शोधकर्ता सहजता से निष्पक्ष प्रक्रियाओं को पसंद करते हैं, कभी-कभी एक छोटी-पूर्वाग्रह, छोटी-भिन्न प्रक्रिया एक निष्पक्ष प्रक्रिया की तुलना में अधिक सटीक अनुमान उत्पन्न कर सकती है जिसमें उच्च भिन्नता होती है।
कुल सर्वेक्षण त्रुटि ढांचे की दूसरी मुख्य अंतर्दृष्टि, जो इस अध्याय में से अधिकांश को व्यवस्थित करेगी, यह है कि त्रुटियों के दो स्रोत हैं: आप किससे बात करते हैं ( प्रतिनिधित्व ) से संबंधित समस्याएं और उन बातचीत से सीखने वाली समस्याओं से संबंधित समस्याएं ( माप )। उदाहरण के लिए, आप फ्रांस में रहने वाले वयस्कों के बीच ऑनलाइन गोपनीयता के दृष्टिकोण के अनुमान लगाने में रुचि रखते हैं। इन अनुमानों को बनाने के लिए दो अलग-अलग प्रकार की अनुमान की आवश्यकता होती है। सबसे पहले, उत्तरदाताओं द्वारा दिए गए उत्तरों से, आपको ऑनलाइन गोपनीयता के बारे में अपने दृष्टिकोणों का अनुमान लगाना होगा (जो माप की समस्या है)। दूसरा, उत्तरदाताओं के बीच अनुमानित दृष्टिकोण से, आपको पूरी तरह से आबादी में दृष्टिकोण का अनुमान लगाना चाहिए (जो प्रतिनिधित्व की समस्या है)। खराब सर्वेक्षण प्रश्नों के साथ सही नमूना खराब अनुमानों का उत्पादन करेगा, जैसा कि सही सर्वेक्षण प्रश्नों के साथ खराब नमूना होगा। दूसरे शब्दों में, अच्छे अनुमानों को माप और प्रतिनिधित्व के लिए ध्वनि दृष्टिकोण की आवश्यकता होती है। पृष्ठभूमि को देखते हुए, मैं समीक्षा करूंगा कि सर्वे शोधकर्ताओं ने अतीत में प्रतिनिधित्व और माप के बारे में क्या सोचा है। फिर, मैं दिखाऊंगा कि प्रतिनिधित्व और माप के बारे में विचार डिजिटल-आयु सर्वेक्षण शोध का मार्गदर्शन कैसे कर सकते हैं।
