3.3.1 ಪ್ರಾತಿನಿಧ್ಯ

ಪ್ರಾತಿನಿಧ್ಯದ ನಿಮ್ಮ ಗುರಿ ಜನಸಂಖ್ಯೆಗೆ ನಿಮ್ಮ ಸ್ಪಂದಿಸಿದವರು ತೀರ್ಮಾನಗಳನ್ನು ಮಾಡುವ ಬಗ್ಗೆ.

ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವವರಿಂದ ಉಂಟಾಗುವ ರೀತಿಯ ದೋಷಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, 1936 ರ US ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಯ ಫಲಿತಾಂಶವನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸ್ಟ್ರಾ ಪೋಲ್ ಅನ್ನು ನಾವು ನೋಡೋಣ. ಇದು 75 ವರ್ಷಗಳ ಹಿಂದೆ ಸಂಭವಿಸಿದರೂ, ಇಂದು ಈ ಸಂಶೋಧನೆಯು ಇನ್ನೂ ಸಂಶೋಧಕರಿಗೆ ಕಲಿಸಲು ಪ್ರಮುಖ ಪಾಠವನ್ನು ಹೊಂದಿದೆ.

ಸಾಹಿತ್ಯಿಕ ಡೈಜೆಸ್ಟ್ ಒಂದು ಜನಪ್ರಿಯ ಸಾಮಾನ್ಯ-ಆಸಕ್ತಿ ನಿಯತಕಾಲಿಕೆಯಾಗಿದ್ದು, 1920 ರಲ್ಲಿ ಪ್ರಾರಂಭವಾದ ಅವರು ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸಲು ಹುಲ್ಲುಗಾವಲಿನ ಚುನಾವಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿದರು. ಈ ಭವಿಷ್ಯವನ್ನು ಮಾಡಲು, ಅವರು ಮತಪತ್ರಗಳನ್ನು ಬಹಳಷ್ಟು ಜನರಿಗೆ ಕಳುಹಿಸುತ್ತಾರೆ ಮತ್ತು ನಂತರ ಹಿಂತಿರುಗಿದ ಮತಪತ್ರಗಳನ್ನು ಸರಳವಾಗಿ ಪರಿಗಣಿಸುತ್ತಾರೆ; ಸಾಹಿತ್ಯದ ಡೈಜೆಸ್ಟ್ ಅವರು ಸ್ವೀಕರಿಸಿದ ಮತಪತ್ರಗಳು "ತೂಕದ, ಸರಿಹೊಂದಿಸಲ್ಪಟ್ಟಿಲ್ಲ ಅಥವಾ ಅರ್ಥೈಸಿಕೊಳ್ಳಲಿಲ್ಲ" ಎಂದು ಹೆಮ್ಮೆಯಿಂದ ವರದಿ ಮಾಡಿದೆ. 1920, 1924, 1928 ಮತ್ತು 1932 ರಲ್ಲಿ ನಡೆದ ಚುನಾವಣೆಗಳಲ್ಲಿ ವಿಜೇತರನ್ನು ಈ ವಿಧಾನವು ಸರಿಯಾಗಿ ಊಹಿಸಿತು. 1936 ರಲ್ಲಿ, ಗ್ರೇಟ್ ಡಿಪ್ರೆಶನ್ನ ಮಧ್ಯೆ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ 10 ದಶಲಕ್ಷ ಜನರಿಗೆ ಮತಪತ್ರಗಳನ್ನು ಕಳುಹಿಸಿತು, ಇದರ ಹೆಸರುಗಳು ದೂರವಾಣಿ ಕೋಶಗಳು ಮತ್ತು ಆಟೋಮೊಬೈಲ್ ನೋಂದಣಿ ದಾಖಲೆಗಳಿಂದ ಪ್ರಧಾನವಾಗಿ ಬಂದವು. ಇಲ್ಲಿ ಅವರು ತಮ್ಮ ವಿಧಾನವನ್ನು ವಿವರಿಸಿದ್ದಾರೆ:

"ಡೈಜೆಸ್ಟ್ನ ನಯವಾದ-ಚಾಲಿತ ಯಂತ್ರ ಮೂವತ್ತು ವರ್ಷಗಳ ಅನುಭವವನ್ನು ಕಠಿಣ ಸತ್ಯಗಳಿಗೆ ಊಹೆಯನ್ನು ತಗ್ಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ... ಈ ವಾರದ 500 ಪೆನ್ಗಳು ದಿನಕ್ಕೆ ಒಂದು ಮಿಲಿಯನ್ ಗಿಂತಲೂ ಹೆಚ್ಚಿನ ವಿಳಾಸಗಳನ್ನು ಹಿಂತೆಗೆದುಕೊಂಡಿದೆ. ಪ್ರತಿದಿನ, ನ್ಯೂಯಾರ್ಕ್ನ ಮೋಟಾರು-ರಿಬ್ಬನ್ಡ್ ನಾಲ್ಕನೇ ಅವೆನ್ಯದ ಮೇಲೆ ಒಂದು ದೊಡ್ಡ ಕೋಣೆಯಲ್ಲಿ, 400 ಕಾರ್ಮಿಕರ ಚತುರವಾಗಿ ಮುದ್ರಿತ ವಿಷಯದ ಮೇಲೆ ನಲವತ್ತು ನಗರದ ತುಂಡುಗಳನ್ನು ಸುತ್ತುವಂತೆ-ಉದ್ದೇಶಿತ ಹೊದಿಕೆಗಳು [sic] ಗೆ ಜಾಣ್ಮೆಯಿಂದ ಹೊಡೆಯುತ್ತಾರೆ. ಪ್ರತಿ ಗಂಟೆಗೂ, ಡಿಜಸ್ಟ್ ಆದ ಪೋಸ್ಟ್ ಆಫೀಸ್ ಸಬ್ಸ್ಟೇಷನ್ನಲ್ಲಿ, ಮೂರು ಚಟಮಾಡುವ ಅಂಚೆಯ ಮೀಟರಿಂಗ್ ಮೆಷಿನ್ಗಳು ಬಿಳಿ ಮೊರೆಗಳನ್ನು ಮೊಹರು ಮಾಡಿ ಮುದ್ರಿಸುತ್ತವೆ; ನುರಿತ ಪೋಸ್ಟಲ್ ನೌಕರರು ಅವುಗಳನ್ನು ಮೇಲ್ಬಾಕ್ಸ್ಗಳನ್ನು ಉರುಳಿಸುವಂತೆ ಮಾಡಿದರು; ಫ್ಲೀಟ್ DIGEST ಟ್ರಕ್ಗಳು ​​ಅವುಗಳನ್ನು ಮೇಲ್-ರೈಲುಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸಲು ಸ್ಪೇಡ್ ಮಾಡುತ್ತವೆ. . . ಮುಂದಿನ ವಾರ, ಈ ಹತ್ತು ಮಿಲಿಯನ್ಗಳ ಮೊದಲ ಉತ್ತರಗಳು ಗುರುತಿಸಲ್ಪಟ್ಟ ಮತಪತ್ರಗಳ ಒಳಬರುವ ಉಬ್ಬರವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತವೆ, ಮೂರು ಬಾರಿ ಪರೀಕ್ಷಿಸಲ್ಪಟ್ಟಿವೆ, ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ, ಐದು ಬಾರಿ ಅಡ್ಡ-ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಒಟ್ಟಾರೆಯಾಗಿರುತ್ತದೆ. ಕೊನೆಯ ಅಂಕಿ-ಅಂಶವನ್ನು ಟೋಟ್ಟೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಿದಾಗ, ಹಿಂದಿನ ಅನುಭವವು ಮಾನದಂಡವಾಗಿದ್ದರೆ, ದೇಶವು ನಲವತ್ತು ದಶಲಕ್ಷ [ಮತದಾರರ] ನಿಜವಾದ ಜನಸಂಖ್ಯೆಯ ಮತವನ್ನು 1 ರಷ್ಟು ಭಾಗಕ್ಕೆ ತಿಳಿಯುತ್ತದೆ. "(ಆಗಸ್ಟ್ 22, 1936)

ಸಾಹಿತ್ಯದ ಡೈಜೆಸ್ಟ್ನ ಗಾತ್ರದ ಭ್ರೂಣೀಕರಣವು ಇಂದು ಯಾವುದೇ "ದೊಡ್ಡ ಡೇಟಾ" ಸಂಶೋಧಕರಿಗೆ ತಕ್ಷಣವೇ ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ. 10 ಮಿಲಿಯನ್ ಮತಪತ್ರಗಳಲ್ಲಿ ವಿತರಿಸಲಾದ ಅದ್ಭುತ 2.4 ಮಿಲಿಯನ್ ಜನರು ಹಿಂದಿರುಗಿದರು - ಇದು ಆಧುನಿಕ ರಾಜಕೀಯ ಸಮೀಕ್ಷೆಗಳಿಗಿಂತ ಸುಮಾರು 1,000 ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ. ಈ 2.4 ಮಿಲಿಯನ್ ಪ್ರತಿಸ್ಪಂದಕರಿಂದ, ತೀರ್ಪು ಸ್ಪಷ್ಟವಾಯಿತು: ಆಲ್ಫ್ ಲ್ಯಾಂಡನ್ ಸ್ಥಾನಿಕ ಫ್ರಾಂಕ್ಲಿನ್ ರೂಸ್ವೆಲ್ಟ್ನನ್ನು ಸೋಲಿಸಲು ಹೊರಟಿದ್ದ. ಆದರೆ ವಾಸ್ತವವಾಗಿ, ಭೂಕುಸಿತದಲ್ಲಿ ರೂಸ್ವೆಲ್ಟ್ ಲಾಂಡನ್ನನ್ನು ಸೋಲಿಸಿದರು. ಎಷ್ಟು ಡೇಟಾದಿಂದ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ತಪ್ಪಾಗಿ ಹೋಗಬಹುದು? ಮಾದರಿಯ ನಮ್ಮ ಆಧುನಿಕ ಜ್ಞಾನ ಸಾಹಿತ್ಯ ಡೈಜೆಸ್ಟ್ನ ತಪ್ಪುಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ಇದೇ ರೀತಿಯ ತಪ್ಪುಗಳನ್ನು ತಪ್ಪಿಸಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಮಾದರಿ ಕುರಿತು ಸ್ಪಷ್ಟವಾಗಿ ಯೋಚಿಸಿ ನಮಗೆ ನಾಲ್ಕು ವಿಭಿನ್ನ ಗುಂಪುಗಳ (ಫಿಗರ್ 3.2) ಪರಿಗಣಿಸಲು ಅಗತ್ಯವಿದೆ. ಮೊದಲ ಗುಂಪು ಗುರಿ ಜನಸಂಖ್ಯೆ ; ಇದು ಸಂಶೋಧಕರು ಆಸಕ್ತಿಯ ಜನಸಂಖ್ಯೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುವ ಗುಂಪಾಗಿದೆ. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ವಿಷಯದಲ್ಲಿ, ಗುರಿಯ ಜನಸಂಖ್ಯೆಯು 1936 ರ ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಯಲ್ಲಿ ಮತದಾರರಾಗಿದ್ದರು.

ಗುರಿಯ ಜನಸಂಖ್ಯೆ ನಿರ್ಧರಿಸುವ ನಂತರ, ಸಂಶೋಧಕನು ಮಾದರಿಗಾಗಿ ಬಳಸಬಹುದಾದ ಜನರ ಪಟ್ಟಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕಾಗಿದೆ. ಈ ಪಟ್ಟಿಯನ್ನು ಒಂದು ಸ್ಯಾಂಪಲಿಂಗ್ ಫ್ರೇಮ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಅದರಲ್ಲಿ ಜನರನ್ನು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ, ಗುರಿಯ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯು ಒಂದೇ ಆಗಿರುತ್ತದೆ, ಆದರೆ ಆಚರಣೆಯಲ್ಲಿ ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಅಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ನ ಸಂದರ್ಭದಲ್ಲಿ, ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯು 10 ಮಿಲಿಯನ್ ಜನರನ್ನು ಹೊಂದಿತ್ತು, ಇದರ ಹೆಸರುಗಳು ದೂರವಾಣಿ ನಿರ್ದೇಶನಗಳು ಮತ್ತು ಆಟೋಮೊಬೈಲ್ ನೋಂದಣಿ ದಾಖಲೆಗಳಿಂದ ಪ್ರಧಾನವಾಗಿ ಬಂದವು. ಗುರಿಯ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಕವರೇಜ್ ದೋಷ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತವೆ. ವ್ಯಾಪ್ತಿ ದೋಷವು ಸ್ವತಃ ತಾನೇ ಸಮಸ್ಯೆಗಳನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿಲ್ಲದ ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಜನರಿಂದ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯ ಜನರು ವ್ಯವಸ್ಥಿತವಾಗಿ ವಿಭಿನ್ನವಾದರೆ ಅದು ಕವರೇಜ್ ಪಕ್ಷಪಾತಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. ಇದು ವಾಸ್ತವವಾಗಿ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ನಿಖರವಾಗಿ ಏನಾಯಿತು. ತಮ್ಮ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿರುವ ಜನರು ಆಲ್ಫ ಲ್ಯಾಂಡನ್ಗೆ ಬೆಂಬಲ ನೀಡುವ ಸಾಧ್ಯತೆಯಿದೆ, ಏಕೆಂದರೆ ಅವುಗಳು ಶ್ರೀಮಂತವಾಗಿದ್ದವು (1936 ರಲ್ಲಿ ಎರಡೂ ದೂರವಾಣಿಗಳು ಮತ್ತು ಆಟೋಮೊಬೈಲ್ಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ಮತ್ತು ದುಬಾರಿಯಾಗಿದೆ ಎಂದು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತಾರೆ). ಆದ್ದರಿಂದ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಪೋಲ್ನಲ್ಲಿ, ಕವರೇಜ್ ದೋಷವು ಕವರೇಜ್ ಬಯಾಸ್ಗೆ ಕಾರಣವಾಯಿತು.

ಚಿತ್ರ 3.2: ಪ್ರಾತಿನಿಧ್ಯ ದೋಷಗಳು.

ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ ನಂತರ, ಮುಂದಿನ ಹಂತವು ಸಂಶೋಧಕರಿಗೆ ಮಾದರಿ ಜನಸಂಖ್ಯೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು; ಈ ಸಂಶೋಧಕರು ಸಂದರ್ಶಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಜನರು. ಮಾದರಿ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಗಿಂತ ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ನಂತರ ಮಾದರಿ ಮಾದರಿ ದೋಷವನ್ನು ಪರಿಚಯಿಸಬಹುದು. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ವೈಫಲ್ಯದ ಸಂದರ್ಭದಲ್ಲಿ, ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬರನ್ನು ಸಂಪರ್ಕಿಸಲು ವಾಸ್ತವವಾಗಿ ಮಾದರಿ ಇಲ್ಲ-ನಿಯತಕಾಲಿಕವಾಗಿತ್ತು-ಆದ್ದರಿಂದ ಯಾವುದೇ ಮಾದರಿಯ ದೋಷವಿರುವುದಿಲ್ಲ. ಅನೇಕ ಸಂಶೋಧಕರು ಮಾದರಿ ದೋಷದ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತಾರೆ-ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಸಮೀಕ್ಷೆಗಳಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ದೋಷದ ಅಂಚುಗಳಿಂದ ವಶಪಡಿಸಿಕೊಳ್ಳಲ್ಪಟ್ಟ ದೋಷದ ಏಕೈಕ ರೀತಿಯ-ಆದರೆ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ವೈಫಲ್ಯವು ಯಾದೃಚ್ಛಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಎರಡೂ ತಪ್ಪು ದೋಷಗಳನ್ನು ನಾವು ಪರಿಗಣಿಸಬೇಕೆಂದು ನಮಗೆ ನೆನಪಿಸುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, ಮಾದರಿ ಜನಸಂಖ್ಯೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ, ಅದರ ಎಲ್ಲಾ ಸದಸ್ಯರನ್ನು ಸಂದರ್ಶಿಸಲು ಸಂಶೋಧಕರು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ. ಯಶಸ್ವಿಯಾಗಿ ಸಂದರ್ಶಿಸಲ್ಪಟ್ಟ ಜನರನ್ನು ಪ್ರತಿಸ್ಪಂದಕರು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಆದರ್ಶಪ್ರಾಯವಾಗಿ, ಮಾದರಿ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಪ್ರತಿಸ್ಪಂದಕರು ನಿಖರವಾಗಿ ಒಂದೇ ಆಗಿರಬಹುದು, ಆದರೆ ಆಚರಣೆಯಲ್ಲಿ ನಾನ್ ರೆಸ್ಪೊನ್ಸ್ ಇರುತ್ತದೆ. ಅಂದರೆ, ಮಾದರಿಯಲ್ಲಿ ಆಯ್ಕೆಮಾಡಿದ ಜನರು ಕೆಲವೊಮ್ಮೆ ಭಾಗವಹಿಸುವುದಿಲ್ಲ. ಪ್ರತಿಸ್ಪಂದಿಸದ ಜನರಿಂದ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಜನರು ಭಿನ್ನವಾಗಿರದಿದ್ದರೆ, ನಂತರ ಪ್ರತಿಕ್ರಿಯೆಯಿಲ್ಲದ ಪಕ್ಷಪಾತ ಇರುತ್ತದೆ . ನಾನ್ ರೆಸ್ಪಾನ್ಸ್ ಬಯಾಸ್ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಪೋಲ್ನೊಂದಿಗೆ ಎರಡನೇ ಮುಖ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಮತದಾನವನ್ನು ಸ್ವೀಕರಿಸಿದ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಕೇವಲ 24% ಜನರು ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಿದರು ಮತ್ತು ಲ್ಯಾಂಡೊನ್ ಬೆಂಬಲಿಸಿದ ಜನರಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಸಾಧ್ಯತೆಯಿತ್ತು.

ಪ್ರಾತಿನಿಧ್ಯದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಪರಿಚಯಿಸಲು ಕೇವಲ ಒಂದು ಉದಾಹರಣೆಯಲ್ಲದೆ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯು ಹಲವು ಬಾರಿ ಪುನರಾವರ್ತಿತ ನೀತಿಕಥೆಯಾಗಿದೆ, ಅಣಕ ಮಾದರಿಗಳ ಅಪಾಯಗಳ ಬಗ್ಗೆ ಸಂಶೋಧಕರನ್ನು ಎಚ್ಚರಿಸಿದೆ. ದುರದೃಷ್ಟವಶಾತ್, ಈ ಕಥೆಯಿಂದ ಅನೇಕ ಜನರು ಸೆಳೆಯುವ ಪಾಠವು ತಪ್ಪು ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಸಂಭವನೀಯತೆಯ ಸಂಭಾವ್ಯತೆಗಳಿಂದ (ಅಂದರೆ, ಭಾಗವಹಿಸುವವರನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಕಟ್ಟುನಿಟ್ಟಾದ ಸಂಭವನೀಯ-ಆಧಾರಿತ ನಿಯಮಗಳಿಲ್ಲದೇ ಮಾದರಿಗಳು) ಸಂಶೋಧಕರು ಏನನ್ನೂ ಕಲಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬುದು ಕಥೆಯ ಸಾಮಾನ್ಯ ನೈತಿಕತೆಯಾಗಿದೆ. ಆದರೆ, ನಾನು ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ನಂತರ ತೋರಿಸುತ್ತೇನೆ, ಅದು ಸರಿಯಾಗಿಲ್ಲ. ಬದಲಿಗೆ, ಈ ಕಥೆಗೆ ನಿಜವಾಗಿಯೂ ಎರಡು ನೈತಿಕತೆಗಳಿವೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ; ಅವರು 1936 ರಲ್ಲಿ ಇದ್ದಂತೆ ಇಂದು ನೈಜವಾಗಿರುವ ನೈತಿಕತೆಗಳು. ಮೊದಲನೆಯದಾಗಿ, ಅಗಾಧ ಪ್ರಮಾಣದ ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯು ಉತ್ತಮ ಅಂದಾಜನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ. ಸಾಮಾನ್ಯವಾಗಿ, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪ್ರತಿಕ್ರಿಯೆ ಹೊಂದಿರುವವರು ಅಂದಾಜುಗಳ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಾರೆ, ಆದರೆ ಅದು ಅವಶ್ಯಕವಾಗಿ ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದಿಲ್ಲ. ಬಹಳಷ್ಟು ಮಾಹಿತಿಯೊಂದಿಗೆ, ಸಂಶೋಧಕರು ಕೆಲವೊಮ್ಮೆ ತಪ್ಪಾದ ವಿಷಯದ ನಿಖರ ಅಂದಾಜು ಪಡೆಯಬಹುದು; ಅವರು ನಿಖರವಾಗಿ ನಿಖರವಾಗಿಲ್ಲ (McFarland and McFarland 2015) . ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ವೈಫಲ್ಯದಿಂದ ಎರಡನೇ ಪ್ರಮುಖ ಪಾಠವೆಂದರೆ ಅಂದಾಜು ಮಾಡುವಾಗ ಸಂಶೋಧಕರು ತಮ್ಮ ಮಾದರಿಯನ್ನು ಹೇಗೆ ಸಂಗ್ರಹಿಸಿದರು ಎಂಬುದರ ಬಗ್ಗೆ ಸಂಶೋಧಕರು ಪರಿಗಣಿಸಬೇಕು. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿನ ಮಾದರಿ ಪ್ರಕ್ರಿಯೆಯು ಕ್ರಮಬದ್ಧವಾಗಿ ಕೆಲವು ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಕಡೆಗೆ ತಿರುಗಿದ ಕಾರಣ, ಸಂಶೋಧಕರು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಅಂದಾಜು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಬೇಕಾಗಿತ್ತು, ಇದು ಕೆಲವು ಪ್ರತಿಕ್ರಿಯಿಸುವವರನ್ನು ಇತರರಿಗಿಂತ ಹೆಚ್ಚಿನದಾಗಿತ್ತು. ನಂತರ ಈ ಅಧ್ಯಾಯದಲ್ಲಿ, ಅಂತಹ ತೂಕದ ಕಾರ್ಯವಿಧಾನ-ಪೋಸ್ಟ್-ಸ್ತರೀಕರಣವನ್ನು ನಾನು ನಿಮಗೆ ತೋರಿಸುತ್ತೇನೆ-ಇದು ಅತ್ಯಾಧುನಿಕ ಮಾದರಿಗಳಿಂದ ಉತ್ತಮ ಅಂದಾಜು ಮಾಡಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.