3.3総調査エラーフレームワーク

総調査エラー=表現誤差+測定誤差。

サンプル調査から得られる見積もりは、しばしば不完全です。つまり、通常、標本調査で作成された見積もり（学校の平均生徒の推定高さ）と母集団の実際の値（学校の実際の平均身長など）には差があります。ときにはこれらのエラーが非常に小さくて重要ではない場合もありますが、残念ながら大きくて重大なこともあります。研究者は、エラーを理解し、測定し、削減するために、サンプル調査で発生する可能性があるエラーのための全体的な調査エラーフレームワーク (Groves and Lyberg 2010)徐々に作成しました。このフレームワークの発展は1940年代に始まりましたが、デジタル時代の調査研究に役立つ2つのアイデアを提供していると思います。

第1に、調査の全体的なエラーフレームワークは、 バイアスと分散の 2種類のエラーが存在することを明確にしています。大まかに、バイアスは系統誤差であり、分散はランダム誤差である。言い換えれば、同じサンプル調査の1,000回の複製を実行した後、1,000回の複製から推定値の分布を調べることを想像してください。バイアスは、これらの反復推定値の平均値と真の値との間の差である。分散は、これらの推定値の変動性です。他のすべてが等しい場合は、バイアスがなく、分散が小さい手順が欲しい。残念なことに、多くの実際の問題に対して、このようなバイアスのない小さな分散手順は存在せず、研究者はバイアスと分散によって導入された問題のバランスをとる方法を決定するのが難しい状況に陥ります。いくつかの研究者は本能的に偏りのない手順を好むが、バイアスに集中することは間違いである可能性がある。できるだけ真実に近い推定値を生成することが目標である場合（つまり、可能な限り小さな誤差で）、偏りが小さく、偏差が小さいプロシージャーを使用する方がよい場合があります（図3.1）。言い換えれば、調査全体のエラーフレームワークは、調査研究手順を評価する際に、バイアスと分散の両方を考慮する必要があることを示しています。

図3.1：バイアスと分散。理想的には、研究者はバイアスのない、分散が低い推定手順を持つことになります。実際には、バイアスと分散の間のトレードオフを生み出す決定をしなければならないことがよくあります。いくつかの研究者は本能的に偏りのない手順を好むが、小さな偏りの小さな分散の手順では分散が高いバイアスのない手順よりも正確な見積もりが得られることがあります。

この章の多くを構成する、全体的なアンケートのエラーフレームワークの第2の主要な洞察は、あなたが誰と話すか（ 表現 ）に関する問題と、それらの会話から学んだことに関連する問題（ 測定 ）。たとえば、フランスに住む大人のオンラインプライバシーに関する態度を推定することに興味があるかもしれません。これらの見積もりを行うには、2つの異なるタイプの推論が必要です。まず、回答者が与える回答から、オンラインプライバシーについての態度を推測する必要があります（これは測定の問題です）。第二に、回答者の推測された態度から、あなたは全体としての人口の態度を推論しなければなりません（これは表現の問題です）。不適切なアンケートの質問を含む完全なサンプリングは、完全なアンケートの質問の悪いサンプリングのように、悪い見積もりを生成します。換言すれば、良好な推定値は、測定および表現に対する健全なアプローチを必要とする。その背景を踏まえて、過去の調査研究者が表現と測定をどのように考えているかを見直します。次に、表現と測定に関する考え方がデジタル時代の調査研究をどのように導くことができるかを示します。