3.3 Ing framework kesalahan survey total

Total kasalahan survey kesalahan = perwakilan + kasalahan Takeran.

Perkiraan sing teka saka survey sampel asring ora sampurna. Dadi, biasane ana bedane antarane perkiraan sing diproduksi dening survey sampel (contone, dhuwur rata-rata sing disedhiyakake dening siswa ing sekolah) lan nilai sing sejati ing populasi (umpamane rata-rata rata-rata aktual siswa ing sekolah). Kadhangkala kasalahan iki dadi cilik sing ora penting, nanging kadhangkala, sayangé, bisa dadi gedhe lan konsekuensial. Ing upaya mangerteni, ngukur, lan ngurangi kasalahan, peneliti mbokmenawa nggawé kerangka konseptual siji-siji, kanggo kasalahan sing bisa muncul ing survey sampel: total kerangka kesalahan survey (Groves and Lyberg 2010) . Senadyan pengembangan kerangka iki wiwit ing taun 1940-an, aku menehi rong gagasan kanggo riset survey ing jaman digital.

Kaping pisanan, total kerangka kesalahan survey nerangake yen ana rong jinis kasalahan: bias lan varians . Bias, bias kesalahan lan sistematis sing kesalahane acak. Ngomong liyane, mbayangno mlaku 1000 replikasi saka survey sampel sing padha lan banjur ndeleng distribusi prakiraan saka 1000 replikasi kasebut. Bias yaiku beda antarane rata-rata estimasi awake lan nilai sing bener. Variasi punika variasi saka perkiraan iki. Kabeh liyane padha, kita seneng prosedur tanpa bias lan variasi cilik. Sayange, kanggo akeh masalah nyata, ora ana bias, ora ana cara sing beda-beda, sing ndadekake peneliti ing posisi angel nemtokake cara ngimbangi masalah sing diidinake bias lan varians. Sawetara peneliti instinctively seneng tata cara sing ora adil, nanging fokus siji-minded ing bias bisa dadi kesalahan. Yen goal iku kanggo ngasilake sawijining estimasi sing meh sakabate bisa kanggo bebener (karo kesalahan sing paling cilik), sampeyan bisa uga luwih apik karo prosedur sing bias cilik lan variasi cilik tinimbang karo nanging duwe variasi gedhe (angka 3.1). Ing tembung liyane, ing framework kesalahan survey total nuduhake yen ngevaluasi tata cara riset survey, sampeyan kudu nimbang loro Bias lan bedo.

Gambar 3.1: Bias lan varians. Saenipun, peneliti bakal duwe prosedur taksiran sing ora bias, murah. Ing kasunyatane, wong-wong kudu nggawe keputusan sing nggawe bias lan variasi. Senajan sawetara peneliti instinctively seneng tata cara bias, kadang bias cilik, prosedur variasi cilik bisa ngasilake perkiraan luwih akurat tinimbang prosedur ora adil sing nduweni variasi sing luwih dhuwur.

Wawasan utama kapindho saka total kerangka kesalahan survey, sing bakal ngatur akeh bab iki, yaiku yen ana loro sumber kasalahan: masalah sing ana hubungane karo sing sampeyan gunemake ( representasi ) lan masalah sing gegayutan karo apa sing sampeyan mangerteni saka obrolan kasebut ( pengukuran ). Contone, sampeyan bisa uga kasengsem kanggo ngira sikap babagan privasi online antarane wong diwasa sing manggen ing Perancis. Nggawe perkiraan iki mbutuhake rong jinis kesimpulan. Kaping pisanan, saka jawaban sing ditakokake, sampeyan kudu nyimpulake sikap babagan privasi online (sing dadi masalah pangukuran). Kapindho, saka sikap sing disimpulake antarane responden, sampeyan kudu nyimpulake sikap ing populasi minangka sakabehe (sing dadi masalah perwakilan). Sampling sampurna karo pitakonan survey ala bakal ngasilake perkiraan sing ora becik, kaya sampling sing ora becik karo pitakonan survey sing sampurna. Ing tembung liyane, prakiran sing apik mbutuhake pendekatan swara kanggo pangukuran lan perwakilan. Given latar mburi, aku bakal nliti carane panlitam survey wis ngira babagan perwakilan lan pangukuran ing jaman kepungkur. Banjur, aku bakal nuduhake carane gagasan lan ukuran bisa nuntun riset survey umur digital.