2.4.3 nyobi approximating

Kita bisa wiyar nyobi kita ora bisa apa. Two cedhak sing utamané entuk manfaat saka umur digital sing cocog lan nyobi alam.

Akeh pitakonan ngelmu lan penting privasi sing nyebabake. Ayo dadi nimbang, contone, pitakonan ing ngisor iki: apa efek saka program latihan proyek ing bayaran? Salah siji cara kanggo njawab pitakonan iki bakal karo eksprimen kontrol randomized ngendi buruh padha acak diutus kanggo salah siji nampa training utawa ora nampa training. Banjur, peneliti bisa ngira efek saka latihan kanggo peserta dening mung mbandingaken pituwase wong sing nampa latihan kanggo sing durung nampa iku.

Ing comparison prasaja iku bener amarga saka soko sing mengkono sadurunge data iki malah diklumpukake: randomization ing. Tanpa randomization, masalah iku akeh trickier. Sawijining panliti bisa mbandhingaké pituwase wong sing tanpo pekso mlebu munggah kanggo latihan kanggo wong-wong sing ora mlebu-up. comparison sing mbokmenawa bakal nuduhake yen wong sing nampa training entuk luwih, nanging pinten iki amarga saka latihan lan carane akeh iki amarga wong sing mlebu-up kanggo latihan sing beda saka sing ora mlebu-up kanggo latihan? Ing tembung liyane, iku padha kanggo mbandhingaké pituwase loro kelompok wong?

Badhan bab bandingaken padha ndadékaké sawetara peneliti sing pracaya iku mokal kanggo nggawe prakiraan nyebabake tanpa mlaku eksprimen. Pratelan iki dadi adoh banget. Nalika iku bener sing nyobi nyedhiyani bukti kuat kanggo efek Indonésia, ana Sastranegara liyane sing bisa nyedhiyani prakiraan nyebabake terkenal. Tinimbang mikir sing prakiraan nyebabake salah siji gampang (ing cilik saka nyobi) utawa mokal (ing cilik saka passively diamati data), iku luwih apik kanggo mikir saka strategi kanggo nggawe prakiraan nyebabake lying sadawane terus saka kuat kanggo weakest (Figure 2,4). Ing mburi kuat terus sing randomized nyobi kontrol. Nanging, iki asring angel apa ing riset sosial amarga akeh pangobatan sing jumlah unrealistic kerjasama saka pemerintah utawa perusahaan; cukup mung ana akeh nyobi kita ora bisa apa. Aku bakal nglakoni kabeh Chapter 4 kanggo loro kekiyatan lan kelemahane nyobi kontrol randomized, lan aku bakal argue sing ing sawetara kasus, ana uga sing alasané ètis sing kuwat kanggo seneng pangamatan kanggo cara eksperimen.

Figure 2.4: terus Sastranegara riset kanggo kira-kira efek nyebabake.

Obah bebarengan terus, ana kahanan peneliti wis ora tegas randomized. Sing, peneliti sing nyoba kanggo sinau kawruh jajalan-kaya tanpa bener mengkono eksprimen; alamiah, iki wis arep dadi angel, nanging data amba nemen mbenakake kemampuan kita kanggo nggawe prakiraan nyebabake ing kahanan iki.

Kadhangkala ana setelan ngendi randomness ing donya mengkono nggawe kaya pacoban kanggo peneliti. Designs iki disebut nyobi alam, lan padha bakal dianggep ing rinci ing bagean 2.4.3.1. Two fitur saka sumber-sing amba data tansah ing alam lan sing ukuran-nemen nambah kemampuan kita sinau saka nyobi alam nalika padha kelakon.

Obah luwih adoh saka nyobi kontrol randomized, kadhangkala ana ora malah acara ing alam kang bisa kita gunakake kanggo wiyar eksprimen alam. Ing setelan iki, kita kasebut kanthi teliti bisa mbangun bandingaken ing data non-eksperimen ing upaya kanggo wiyar eksprimen. Designs iki disebut cocog, lan padha bakal dianggep ing rinci ing bagean 2.4.3.2. Kaya nyobi alam, cocog punika rancangan sing uga keuntungan saka sumber data amba. Ing tartamtu, ukuran-loro massive ing syarat-syarat nomer kasus lan jinis informasi per kasus-nemen ndadekke gampang cocog. Bentenipun tombol antarane nyobi alam lan cocog iku ing nyobi alam peneliti mangerténi proses liwat kang perawatan iki diutus lan pracaya iku dadi acak.

Konsep bandingaken padha sing kasurung kepinginan kanggo nindakake nyobi uga underlies loro cedhak alternatif: nyobi alam lan cocog. iki cedhak bakal ngaktifake sampeyan ngira efek nyebabake saka data passively diamati dening Nemokake bandingaken padha lungguh nang saka data sing wis duwe.