2.4.3 ಅಂದಾಜಿಸುವ ಪ್ರಯೋಗಗಳನ್ನು

ನಾವು ಹೊಂದಿಲ್ಲ ಅಥವಾ ಮಾಡಲಾಗದ ಪ್ರಯೋಗಗಳನ್ನು ನಾವು ಅಂದಾಜು ಮಾಡಬಹುದು. ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಡೇಟಾ ಮೂಲಗಳಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುವ ಎರಡು ವಿಧಾನಗಳು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ.

ಕೆಲವು ಪ್ರಮುಖ ವೈಜ್ಞಾನಿಕ ಮತ್ತು ನೀತಿ ಪ್ರಶ್ನೆಗಳು ಕಾರಣವಾಗಿವೆ. ಉದಾಹರಣೆಗೆ, ವೇತನದ ಮೇಲೆ ಉದ್ಯೋಗ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮದ ಪರಿಣಾಮವೇನು? ಈ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಸಂಶೋಧಕರು ಮಾಡದವರಿಗೆ ತರಬೇತಿಗಾಗಿ ಸೈನ್ ಅಪ್ ಮಾಡಿದ ಜನರ ಆದಾಯವನ್ನು ಹೋಲಿಕೆ ಮಾಡಬಹುದು. ಆದರೆ ಈ ಗುಂಪುಗಳ ನಡುವಿನ ವೇತನದಲ್ಲಿ ಎಷ್ಟು ವ್ಯತ್ಯಾಸವಿದೆ ಎಂಬುದು ತರಬೇತಿ ಮತ್ತು ಸೈನ್ ಅಪ್ ಮಾಡಿದ ಜನರ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಯಾಕೆ ಇಲ್ಲದಿರುವುದರಿಂದ ಎಷ್ಟು ಆಗಿದೆ? ಇದು ಕಠಿಣ ಪ್ರಶ್ನೆಯಾಗಿದೆ, ಮತ್ತು ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೆಚ್ಚು ಡೇಟಾದಿಂದ ದೂರ ಹೋಗುವುದಿಲ್ಲ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ನಿಮ್ಮ ಡೇಟಾದಲ್ಲಿ ಎಷ್ಟು ಕಾರ್ಮಿಕರು ಇದ್ದರೂ ಯಾವುದೇ ಪೂರ್ವಭಾವಿ ಭಿನ್ನತೆಗಳ ಬಗ್ಗೆ ಕಾಳಜಿ ಉಂಟಾಗುತ್ತದೆ.

ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಉದ್ಯೋಗ ತರಬೇತಿ ಮುಂತಾದ ಕೆಲವು ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಕಾರಿ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಪ್ರಬಲವಾದ ಮಾರ್ಗವೆಂದರೆ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗವನ್ನು ನಡೆಸುವುದು, ಅಲ್ಲಿ ಸಂಶೋಧಕರು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕೆಲವು ಜನರಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡುತ್ತಾರೆ ಮತ್ತು ಇತರರಿಗೆ ಅಲ್ಲ. ನಾನು ಅಧ್ಯಾಯ 4 ರ ಎಲ್ಲಾ ಪ್ರಯೋಗಗಳನ್ನು ವಿನಿಯೋಗಿಸುತ್ತೇನೆ, ಆದ್ದರಿಂದ ನಾನು ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದೊಂದಿಗೆ ಬಳಸಬಹುದಾದ ಎರಡು ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ಗಮನಿಸಲಿದ್ದೇವೆ. ಯಾದೃಚ್ಛಿಕವಾಗಿ (ಅಥವಾ ಸುಮಾರು ಯಾದೃಚ್ಛಿಕವಾಗಿ) ಕೆಲವು ಜನರಿಗೆ ಚಿಕಿತ್ಸೆಯನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಇತರರಲ್ಲದೆ ಜಗತ್ತಿನಲ್ಲಿ ಏನಾದರೂ ಸಂಭವಿಸುತ್ತಿರುವುದನ್ನು ಹುಡುಕುವಲ್ಲಿ ಮೊದಲ ತಂತ್ರವು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಎರಡನೆಯ ಕಾರ್ಯತಂತ್ರವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾವನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ ಮತ್ತು ಚಿಕಿತ್ಸೆಯನ್ನು ಸ್ವೀಕರಿಸದ ಮತ್ತು ಮಾಡದಿರುವವರ ನಡುವಿನ ಪೂರ್ವಾನುಮಾನದ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.

ಈ ತಂತ್ರಗಳು ಎರಡೂ ತಪ್ಪಿಸಿಕೊಳ್ಳಬೇಕು ಎಂದು ಸ್ಕೆಪ್ಟಿಕ್ ಹೇಳಬಹುದು, ಏಕೆಂದರೆ ಅವುಗಳು ಬಲವಾದ ಊಹೆಗಳನ್ನು, ನಿರ್ಣಯಿಸಲು ಕಷ್ಟಕರವಾದ ಊಹೆಗಳನ್ನು ಮತ್ತು ಆಚರಣೆಯಲ್ಲಿ, ಆಗಾಗ್ಗೆ ಉಲ್ಲಂಘಿಸಲ್ಪಡುತ್ತವೆ. ನಾನು ಈ ಹಕ್ಕನ್ನು ಸಹಾನುಭೂತಿ ಹೊಂದಿದ್ದರೂ, ಅದು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ದೂರದಲ್ಲಿದೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಪ್ರಾಯೋಗಿಕ ದತ್ತಾಂಶದಿಂದ ವಿಶ್ವಾಸಾರ್ಹವಾದ ಅಂದಾಜುಗಳನ್ನು ಮಾಡುವುದು ಕಷ್ಟಕರವಾದುದು ನಿಜ, ಆದರೆ ನಾವು ಎಂದಿಗೂ ಪ್ರಯತ್ನಿಸಬಾರದು ಎಂದು ನಾನು ಭಾವಿಸುವುದಿಲ್ಲ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ವ್ಯವಸ್ಥಾಪನಾ ನಿರ್ಬಂಧವು ಪ್ರಯೋಗವನ್ನು ನಡೆಸುವುದನ್ನು ತಡೆಗಟ್ಟಿದರೆ ಅಥವಾ ನೈತಿಕ ನಿರ್ಬಂಧಗಳು ಪ್ರಯೋಗವನ್ನು ನಡೆಸಲು ನೀವು ಬಯಸುವುದಿಲ್ಲವೆಂದು ಅರ್ಥೈಸಿದರೆ, ಪ್ರಾಯೋಗಿಕವಲ್ಲದ ವಿಧಾನಗಳು ಸಹಾಯಕವಾಗಬಹುದು. ಇದಲ್ಲದೆ, ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ನೀವು ಈಗಾಗಲೇ ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದ ದತ್ತಾಂಶದ ಪ್ರಯೋಜನವನ್ನು ಪಡೆಯಲು ಬಯಸಿದರೆ ಪ್ರಾಯೋಗಿಕವಲ್ಲದ ವಿಧಾನಗಳು ಸಹಾಯಕವಾಗಬಹುದು.

ಮುಂದುವರೆಯುವ ಮೊದಲು, ಸಾಂದರ್ಭಿಕ ಅಂದಾಜು ಮಾಡುವಿಕೆಯನ್ನು ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆಯ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ವಿಷಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಮತ್ತು ತೀವ್ರವಾದ ಮತ್ತು ಭಾವನಾತ್ಮಕ ಚರ್ಚೆಗೆ ಕಾರಣವಾಗಬಹುದಾದ ಒಂದು ಅಂಶವೂ ಸಹ ಇದು ಯೋಗ್ಯವಾಗಿದೆ. ಅದರ ಅನುಸಾರ, ಅದರ ಬಗ್ಗೆ ಅಂತರ್ದೃಷ್ಟಿಯನ್ನು ನಿರ್ಮಿಸುವ ಸಲುವಾಗಿ ನಾನು ಪ್ರತಿ ವಿಧಾನದ ಆಶಾವಾದದ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತೇನೆ, ಆ ವಿಧಾನವನ್ನು ಬಳಸುವಾಗ ಉದ್ಭವಿಸುವ ಕೆಲವು ಸವಾಲುಗಳನ್ನು ನಾನು ವಿವರಿಸುತ್ತೇನೆ. ಪ್ರತಿಯೊಂದು ಅಧ್ಯಾಯದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ವಿವರಗಳು ಈ ಅಧ್ಯಾಯದ ಅಂತ್ಯದ ವೇಳೆಗೆ ಲಭ್ಯವಿವೆ. ನಿಮ್ಮ ಸ್ವಂತ ಸಂಶೋಧನೆಯಲ್ಲಿ ಈ ಎರಡೂ ವಿಧಾನಗಳನ್ನು ಬಳಸಲು ನೀವು (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) , ಕಾರಣವಾದ ಅಂದಾಜು (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) ಅನೇಕ ಅತ್ಯುತ್ತಮ ಪುಸ್ತಕಗಳಲ್ಲಿ ಒಂದನ್ನು ಓದುವುದನ್ನು ನಾನು ಶಿಫಾರಸು (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) .

ಪ್ರಾಯೋಗಿಕ ದತ್ತಾಂಶದಿಂದ ಸಾಂದರ್ಭಿಕ ಅಂದಾಜುಗಳನ್ನು ಮಾಡುವ ಒಂದು ವಿಧಾನವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕೆಲವು ಜನರಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡಿದೆ ಮತ್ತು ಇತರರಿಗೆ ಅಲ್ಲ. ಈ ಸಂದರ್ಭಗಳನ್ನು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗದ ಒಂದು ಸ್ಪಷ್ಟವಾದ ಉದಾಹರಣೆಯೆಂದರೆ, ಜೋಶುವಾ ಆಯ್0ಗ್ರಿಸ್ಟ್ (1990) ಸಂಶೋಧನೆಯಿಂದ ಬಂದಿದ್ದು, ಮಿಲಿಟರಿ ಸೇವೆಗಳ ಆದಾಯವನ್ನು ಅಳೆಯುತ್ತದೆ. ವಿಯೆಟ್ನಾಮ್ನಲ್ಲಿನ ಯುದ್ಧದ ಸಮಯದಲ್ಲಿ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ತನ್ನ ಸಶಸ್ತ್ರ ಪಡೆಗಳ ಗಾತ್ರವನ್ನು ಡ್ರಾಫ್ಟ್ ಮೂಲಕ ಹೆಚ್ಚಿಸಿತು. ಯಾವ ನಾಗರಿಕರನ್ನು ಸೇವೆಗೆ ಕರೆಸಿಕೊಳ್ಳಬೇಕೆಂದು ನಿರ್ಧರಿಸಲು, ಯು.ಎಸ್ ಸರ್ಕಾರವು ಲಾಟರಿಯನ್ನು ನಡೆಸಿತು. ಪ್ರತಿ ಜನನ ದಿನಾಂಕವನ್ನು ಕಾಗದದ ತುಂಡುಗಳ ಮೇಲೆ ಬರೆಯಲಾಗಿದೆ, ಮತ್ತು ಚಿತ್ರ 2.7 ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ, ಈ ಕಾಗದದ ತುಣುಕುಗಳನ್ನು ಒಂದು ಸಮಯದಲ್ಲಿ ಯುವಕರನ್ನು ಕರೆಯಲಾಗುವ ಆದೇಶವನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ (ಯುವತಿಯರು ಒಳಪಟ್ಟಿಲ್ಲ ಡ್ರಾಫ್ಟ್ಗೆ). ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಸೆಪ್ಟಂಬರ್ 14 ರಂದು ಜನಿಸಿದ ಪುರುಷರನ್ನು ಮೊದಲು ಕರೆಯಲಾಗುತ್ತಿತ್ತು, ಏಪ್ರಿಲ್ 24 ರಂದು ಜನಿಸಿದ ಪುರುಷರನ್ನು ಎರಡನೇ ಎಂದು ಕರೆಯಲಾಗುತ್ತಿತ್ತು. ಅಂತಿಮವಾಗಿ, ಈ ಲಾಟರಿನಲ್ಲಿ, 195 ದಿನಗಳಲ್ಲಿ ಜನಿಸಿದ ಪುರುಷರು ಕರಡುವಾಗ, 171 ದಿನಗಳಲ್ಲಿ ಜನಿಸಿದ ಪುರುಷರು ಇರಲಿಲ್ಲ.

ಚಿತ್ರ 2.7: ಡಿಸೆಂಬರ್ 1, 1969 ರಂದು ಸೆಲೆಕ್ಟಿವ್ ಸರ್ವಿಸ್ ಡ್ರಾಫ್ಟ್ಗಾಗಿ ಕಾಂಗ್ರೆಸ್ನ ಅಲೆಕ್ಸಾಂಡರ್ ಪಿರ್ನಿ (ಆರ್-ಎನ್ವೈ) ಮೊದಲ ಕ್ಯಾಪ್ಸುಲ್ ಅನ್ನು ರಚಿಸಿದರು. ಜೋಶುವಾ ಆಂಗ್ರಿಸ್ಟ್ (1990) ಮಿಲಿಟರಿ ಸೇವೆಯ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಾಮಾಜಿಕ ಭದ್ರತಾ ಆಡಳಿತದ ಆದಾಯ ಡೇಟಾದೊಂದಿಗೆ ಕರಡು ಲಾಟರಿ ಸಂಯೋಜಿಸಿದ್ದಾರೆ. ಗಳಿಕೆಯ ಮೇಲೆ. ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗವನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಶೋಧನೆಯ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಮೂಲ: ಯುಎಸ್ ಸೆಲೆಕ್ಟಿವ್ ಸರ್ವೀಸ್ ಸಿಸ್ಟಮ್ (1969) / ವಿಕಿಮೀಡಿಯ ಕಾಮನ್ಸ್ .

ಇದು ತಕ್ಷಣ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲವಾದರೂ, ಡ್ರಾಫ್ಟ್ ಲಾಟರಿ ಒಂದು ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಕ್ಕೆ ಒಂದು ವಿಮರ್ಶಾತ್ಮಕ ಹೋಲಿಕೆಯನ್ನು ಹೊಂದಿದೆ: ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪಾಲ್ಗೊಳ್ಳುವವರು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಚಿಕಿತ್ಸೆ ಪಡೆಯಲು ನಿಯೋಜಿಸಲಾಗಿದೆ. ಈ ಯಾದೃಚ್ಛಿಕ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮವನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು, ಆಂಗ್ರಿಸ್ಟ್ ಯಾವಾಗಲೂ ದೊಡ್ಡದಾದ ದತ್ತಾಂಶ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಯೋಜನವನ್ನು ಪಡೆದುಕೊಂಡನು: ಯುಎಸ್ ಸಾಮಾಜಿಕ ಭದ್ರತಾ ಆಡಳಿತ, ಉದ್ಯೋಗದಿಂದ ವಾಸ್ತವವಾಗಿ ಪ್ರತಿ ಅಮೇರಿಕದ ಗಳಿಕೆಯ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಸರ್ಕಾರಿ ಆಡಳಿತಾತ್ಮಕ ದಾಖಲೆಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾದ ಗಳಿಕೆಗಳ ಡೇಟಾದೊಂದಿಗೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಯಾರನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ ಎಂಬ ಮಾಹಿತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸುವ ಮೂಲಕ, ಪರಿಣತರಲ್ಲದವರ ಆದಾಯವು ಪರಿಣತರಲ್ಲದ ಪರಿಣತರ ಆದಾಯಕ್ಕಿಂತ 15% ಕಡಿಮೆ ಎಂದು ಆಂಗ್ರಿಸ್ಟ್ ತೀರ್ಮಾನಿಸಿದರು.

ಈ ಉದಾಹರಣೆಯು ವಿವರಿಸಿರುವಂತೆ, ಕೆಲವೊಮ್ಮೆ ಸಾಮಾಜಿಕ, ರಾಜಕೀಯ ಅಥವಾ ನೈಸರ್ಗಿಕ ಪಡೆಗಳು ಚಿಕಿತ್ಸಕರಿಂದ ನಿಯಂತ್ರಿಸಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ನಿಯೋಜಿಸುತ್ತದೆ, ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಈ ಚಿಕಿತ್ಸೆಗಳ ಪರಿಣಾಮಗಳು ಯಾವಾಗಲೂ ದೊಡ್ಡ ಡೇಟಾ ಮೂಲಗಳಲ್ಲಿ ಸೆರೆಹಿಡಿಯಲ್ಪಡುತ್ತವೆ. ಈ ಸಂಶೋಧನಾ ಕಾರ್ಯತಂತ್ರವನ್ನು ಕೆಳಕಂಡಂತೆ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಬಹುದು: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

ಡಿಜಿಟಲ್ ಯುಗದಲ್ಲಿ ಈ ತಂತ್ರವನ್ನು ವಿವರಿಸಲು, ಕಾರ್ಮಿಕರ ಉತ್ಪಾದಕತೆಯ ಮೇಲೆ ಉತ್ಪಾದಕ ಸಹೋದ್ಯೋಗಿಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದ ಅಲೆಕ್ಸಾಂಡ್ರೆ ಮಾಸ್ ಮತ್ತು ಎನ್ರಿಕೊ ಮೊರೆಟ್ಟಿ (2009) ಅಧ್ಯಯನವನ್ನು ನೋಡೋಣ. ಫಲಿತಾಂಶಗಳನ್ನು ನೋಡುವ ಮೊದಲು, ನೀವು ಹೊಂದಿರಬಹುದಾದ ನಿರೀಕ್ಷಿತ ನಿರೀಕ್ಷೆಗಳಿವೆ ಎಂದು ಗಮನಸೆಳೆದಿದ್ದಾರೆ. ಒಂದೆಡೆ, ಉತ್ಪಾದಕ ಸಹೋದ್ಯೋಗಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವವರು ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಒತ್ತಡದ ಒತ್ತಡದಿಂದಾಗಿ ಅವರ ಉತ್ಪಾದಕತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಕಾರಣವಾಗಬಹುದು ಎಂದು ನೀವು ನಿರೀಕ್ಷಿಸಬಹುದು. ಅಥವಾ, ಮತ್ತೊಂದೆಡೆ, ಕಷ್ಟಪಟ್ಟು ದುಡಿಯುವ ಸಮಕಾಲೀನರಾಗಿ ಕೆಲಸ ಮಾಡುವವರನ್ನು ನಿಧಾನಗೊಳಿಸುವಂತೆ ನೀವು ನಿರೀಕ್ಷಿಸಬಹುದು ಏಕೆಂದರೆ ಕೆಲಸವನ್ನು ತನ್ನ ಗೆಳೆಯರಿಂದ ಮಾಡಲಾಗುವುದು. ಉತ್ಪಾದಕತೆಯ ಮೇಲೆ ಪೀರ್ ಪರಿಣಾಮಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಸ್ಪಷ್ಟವಾದ ಮಾರ್ಗವೆಂದರೆ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗವಾಗಿದೆ, ಅಲ್ಲಿ ಕಾರ್ಮಿಕರು ಯಾದೃಚ್ಛಿಕವಾಗಿ ವಿಭಿನ್ನ ಉತ್ಪಾದನಾ ಮಟ್ಟಗಳ ಕಾರ್ಮಿಕರೊಂದಿಗೆ ವರ್ಗಾವಣೆಗಳಿಗೆ ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರದ ಉತ್ಪಾದಕತೆಯು ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ಅಳೆಯಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಸಂಶೋಧಕರು ಯಾವುದೇ ನೈಜ ವ್ಯವಹಾರದಲ್ಲಿ ಕೆಲಸಗಾರರ ವೇಳಾಪಟ್ಟಿಯನ್ನು ನಿಯಂತ್ರಿಸುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಮಾಸ್ ಮತ್ತು ಮೊರೆಟ್ಟಿ ಒಂದು ಸೂಪರ್ ಮಾರ್ಕೆಟ್ನಲ್ಲಿ ಕ್ಯಾಷಿಯರ್ಗಳನ್ನು ಒಳಗೊಂಡ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗವನ್ನು ಅವಲಂಬಿಸಬೇಕಾಯಿತು.

ಈ ನಿರ್ದಿಷ್ಟ ಸೂಪರ್ಮಾರ್ಕೆಟ್ನಲ್ಲಿ, ವೇಳಾಪಟ್ಟಿಯನ್ನು ಮಾಡಿದ ರೀತಿಯಲ್ಲಿ ಮತ್ತು ವರ್ಗಾವಣೆಗಳ ವರ್ಗಾವಣೆಯ ವಿಧಾನದಿಂದಾಗಿ, ಪ್ರತಿ ಕ್ಯಾಷಿಯರ್ ದಿನದ ವಿವಿಧ ಸಮಯಗಳಲ್ಲಿ ವಿವಿಧ ಸಹ-ಕೆಲಸಗಾರರನ್ನು ಹೊಂದಿದ್ದರು. ಇದಲ್ಲದೆ, ಈ ನಿರ್ದಿಷ್ಟ ಸೂಪರ್ಮಾರ್ಕೆಟ್ನಲ್ಲಿ, ಕ್ಯಾಷಿಯರ್ಗಳ ನಿಯೋಜನೆಯು ಅವರ ಗೆಳೆಯರ ಉತ್ಪಾದನೆಗೆ ಸಂಬಂಧಿಸಿರಲಿಲ್ಲ ಅಥವಾ ಅಂಗಡಿ ಎಷ್ಟು ಕಾರ್ಯನಿರತವಾಗಿದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಕ್ಯಾಷಿಯರ್ಗಳ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಲಾಟರಿಯಿಂದ ನಿರ್ಧರಿಸಲಾಗದಿದ್ದರೂ ಸಹ, ಕಾರ್ಮಿಕರನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹೆಚ್ಚಿನ (ಅಥವಾ ಕಡಿಮೆ) ಉತ್ಪಾದಕ ಸಮಾನತೆಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ನಿಯೋಜಿಸಲಾಗಿತ್ತು. ಅದೃಷ್ಟವಶಾತ್, ಈ ಸೂಪರ್ಮಾರ್ಕೆಟ್ ಡಿಜಿಟಲ್-ವಯಸ್ಸು ಚೆಕ್ಔಟ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಹೊಂದಿತ್ತು, ಅದು ಪ್ರತಿ ಕ್ಯಾಷಿಯರ್ ಎಲ್ಲಾ ಸಮಯದಲ್ಲೂ ಸ್ಕ್ಯಾನಿಂಗ್ ಮಾಡುವ ಐಟಂಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿದೆ. ಈ ಚೆಕ್ಔಟ್ ಲಾಗ್ ಡೇಟಾದಿಂದ, ಮಾಸ್ ಮತ್ತು ಮೊರೆಟ್ಟಿ ನಿಖರವಾದ, ವೈಯಕ್ತಿಕ, ಮತ್ತು ಯಾವಾಗಲೂ-ಉತ್ಪಾದಕತೆಯ ಉತ್ಪಾದನೆಯನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಾಯಿತು: ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾದ ಐಟಂಗಳ ಸಂಖ್ಯೆ. ಈ ಎರಡು ವಿಷಯಗಳನ್ನು ಸೇರಿಸಿ-ಪೀರ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಸ್ವಾಭಾವಿಕವಾಗಿ ಕಂಡುಬರುವ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಯಾವಾಗಲೂ ಉತ್ಪಾದಕತೆಯ ಮಾಪನ- ಮಾಸ್ ಮತ್ತು ಮೊರೆಟ್ಟಿ ಒಂದು ಕ್ಯಾಷಿಯರ್ಗೆ ಸರಾಸರಿಗಿಂತ 10% ಹೆಚ್ಚು ಉತ್ಪಾದಕರಾಗಿದ್ದ ಸಹ-ಕೆಲಸಗಾರರಿಗೆ ನೇಮಕವಾದರೆ, ಅವರ ಉತ್ಪಾದಕತೆ 1.5% . ಇದಲ್ಲದೆ, ಅವರು ಎರಡು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ತಮ್ಮ ದತ್ತಾಂಶದ ಗಾತ್ರ ಮತ್ತು ಸಮೃದ್ಧಿಯನ್ನು ಬಳಸಿದರು: ಈ ಪರಿಣಾಮದ ವೈವಿಧ್ಯತೆ (ಯಾವ ರೀತಿಯ ಕಾರ್ಮಿಕರಿಗೆ ದೊಡ್ಡ ಪರಿಣಾಮ?) ಮತ್ತು ಪರಿಣಾಮದ ಹಿಂದಿನ ಯಾಂತ್ರಿಕತೆಗಳು (ಏಕೆ ಹೆಚ್ಚಿನ-ಉತ್ಪಾದಕ ಸಮಾನತೆಗಳು ಕಾರಣವಾಗಿವೆ ಹೆಚ್ಚಿನ ಉತ್ಪಾದಕತೆ?). ನಾವು ಈ ಎರಡು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳಿಗೆ ಹಿಂದಿರುಗುತ್ತೇವೆ- ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳ ವೈವಿಧ್ಯತೆ- ನಾವು ಅಧ್ಯಾಯ 4 ರಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿವರಗಳನ್ನು ಚರ್ಚಿಸಿದಾಗ.

ಈ ಎರಡು ಅಧ್ಯಯನಗಳಿಂದ ಸಾಮಾನ್ಯೀಕರಣಗೊಳಿಸುವುದು, ಟೇಬಲ್ 2.3 ಈ ರೀತಿಯ ರಚನೆಯನ್ನು ಹೊಂದಿರುವ ಇತರ ಅಧ್ಯಯನಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುತ್ತದೆ: ಕೆಲವು ಯಾದೃಚ್ಛಿಕ ಬದಲಾವಣೆಯ ಪರಿಣಾಮವನ್ನು ಅಳೆಯಲು ಯಾವಾಗಲೂ ಡೇಟಾ ಮೂಲವನ್ನು ಬಳಸಿ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಸಂಶೋಧಕರು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಎರಡು ವಿಭಿನ್ನ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ, ಇವೆರಡೂ ಫಲಪ್ರದವಾಗಬಹುದು. ಕೆಲವು ಸಂಶೋಧಕರು ಯಾವಾಗಲೂ ಆನ್-ಡಾಟಾ ಮೂಲದಿಂದ ಪ್ರಾರಂಭಿಸಿ ಪ್ರಪಂಚದ ಯಾದೃಚ್ಛಿಕ ಘಟನೆಗಳಿಗಾಗಿ ನೋಡಿ; ಇತರರು ವಿಶ್ವದ ಯಾದೃಚ್ಛಿಕ ಘಟನೆಯನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತಾರೆ ಮತ್ತು ಅದರ ಪರಿಣಾಮವನ್ನು ಸೆರೆಹಿಡಿಯುವ ಡೇಟಾ ಮೂಲಗಳಿಗಾಗಿ ನೋಡಿ.

ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳ ಬಗ್ಗೆ ಚರ್ಚೆಯಲ್ಲಿ, ನಾನು ಒಂದು ಪ್ರಮುಖವಾದ ಅಂಶವನ್ನು ಬಿಟ್ಟಿದ್ದೇನೆ: ನೀವು ಯಾವ ಪ್ರಕೃತಿಯಿಂದ ಒದಗಿಸಬಹುದೆಂಬುದನ್ನು ನೀವು ಕೆಲವೊಮ್ಮೆ ಏನು ಮಾಡಬಹುದೆಂದು ತಿಳಿಯಬಹುದು. ನಾವು ವಿಯೆಟ್ನಾಮ್ ಕರಡು ಉದಾಹರಣೆಯನ್ನು ಹಿಂದಿರುಗಿಸೋಣ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಆಂಗ್ಲಿಕರು ಮಿಲಿಟರಿ ಸೇವೆಯ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಅಂದಾಜಿಸಿದ್ದಾರೆ. ದುರದೃಷ್ಟವಶಾತ್, ಸೇನಾ ಸೇವೆಯನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗಿಲ್ಲ; ಬದಲಿಗೆ ಇದು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ ಕರಡು ಮಾಡಲಾಗುತ್ತಿದೆ. ಹೇಗಾದರೂ, ಕರಡು ರಚಿಸಿದ ಪ್ರತಿಯೊಬ್ಬರೂ (ವಿವಿಧ ವಿನಾಯಿತಿಗಳಿದ್ದವು) ಅಲ್ಲ, ಮತ್ತು ಸೇವೆ ಸಲ್ಲಿಸಿದ ಪ್ರತಿಯೊಬ್ಬರೂ ಕರಡುವಾಗ (ಜನರು ಸೇವೆ ಸಲ್ಲಿಸಲು ಸ್ವಯಂಸೇವಕರು). ಡ್ರಾಫ್ಟ್ ಮಾಡಲ್ಪಟ್ಟ ಕಾರಣ ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಯೋಜಿಸಲಾಗಿದೆ, ಡ್ರಾಫ್ಟ್ನಲ್ಲಿರುವ ಎಲ್ಲಾ ಜನರಿಗಾಗಿ ಕರಡು ರಚನೆಯ ಪರಿಣಾಮವನ್ನು ಸಂಶೋಧಕರು ಅಂದಾಜು ಮಾಡಬಹುದು. ಆದರೆ ಆಂಗ್ರಿಸ್ಟ್ ಕರಡು ರಚನೆಯ ಪರಿಣಾಮವನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸಲಿಲ್ಲ; ಮಿಲಿಟರಿಯಲ್ಲಿ ಸೇವೆ ನೀಡುವ ಪರಿಣಾಮವನ್ನು ಅವರು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸಿದ್ದರು. ಈ ಅಂದಾಜು ಮಾಡಲು, ಆದಾಗ್ಯೂ, ಹೆಚ್ಚುವರಿ ಊಹೆಗಳನ್ನು ಮತ್ತು ತೊಡಕುಗಳು ಅಗತ್ಯವಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಆದಾಯದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಕರಡು ರಚನೆಯಾದ ಏಕೈಕ ಮಾರ್ಗವೆಂದರೆ ಮಿಲಿಟರಿ ಸೇವೆಯ ಮೂಲಕ, ಹೊರಗಿಡುವ ನಿರ್ಬಂಧ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಒಂದು ಊಹೆ. ಉದಾಹರಣೆಗೆ, ಕರಡು ಮಾಡಲ್ಪಟ್ಟಿದ್ದ ಪುರುಷರು ಮುಂದೆ ಸೇವೆ ಸಲ್ಲಿಸುವುದನ್ನು ತಪ್ಪಿಸಲು ಅಥವಾ ಉದ್ಯೋಗಿಗಳು ಕರಡು ಮಾಡಿದ ಪುರುಷರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯತೆ ಕಡಿಮೆಯಾಗಿದ್ದರೆ, ಈ ಊಹೆ ತಪ್ಪಾಗಿರಬಹುದು. ಸಾಮಾನ್ಯವಾಗಿ, ಹೊರಗಿಡುವ ನಿರ್ಬಂಧವು ವಿಮರ್ಶಾತ್ಮಕ ಊಹೆಯಾಗಿದೆ, ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಲು ಸಾಮಾನ್ಯವಾಗಿ ಕಷ್ಟವಾಗುತ್ತದೆ. ಹೊರಗಿಡುವ ನಿರ್ಬಂಧವು ಸರಿಯಾಗಿದ್ದರೂ ಸಹ, ಎಲ್ಲಾ ಪುರುಷರ ಮೇಲೆ ಸೇವೆಯ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಅಸಾಧ್ಯ. ಬದಲಿಗೆ, ಸಂಶೋಧಕರು ಮಾತ್ರ ನಿರ್ದಿಷ್ಟವಾದ ಉಪ-ಪುರುಷರ ಮೇಲೆ ದೂರುಗಳನ್ನು (ಕರಡುವಾಗ ಸೇವೆ ಸಲ್ಲಿಸುವವರು ಸೇವೆ ಸಲ್ಲಿಸುತ್ತಾರೆ, ಆದರೆ ಕರಡು (Angrist, Imbens, and Rubin 1996) ಸೇವೆ ಸಲ್ಲಿಸುವುದಿಲ್ಲ) (Angrist, Imbens, and Rubin 1996) ಮೇಲೆ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡಬಹುದು. ಆದಾಗ್ಯೂ, ಕಾಂಪ್ಲಿಯರ್ಸ್ ಆಸಕ್ತಿಯ ಮೂಲ ಜನಸಂಖ್ಯೆಯಲ್ಲ. ಡ್ರಾಫ್ಟ್ ಲಾಟರಿ ತುಲನಾತ್ಮಕವಾಗಿ ಶುದ್ಧ ಸಂದರ್ಭದಲ್ಲಿ ಸಹ ಈ ಸಮಸ್ಯೆಗಳು ಉಂಟಾಗುತ್ತವೆ ಎಂದು ಗಮನಿಸಿ. ಭೌತಿಕ ಲಾಟರಿನಿಂದ ಚಿಕಿತ್ಸೆ ನೀಡದಿದ್ದಾಗ ಮತ್ತಷ್ಟು ಸಂಕೀರ್ಣತೆಗಳು ಉಂಟಾಗುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಮಾಸ್ ಮತ್ತು ಮೊರೆಟ್ಟಿಯವರು ಕ್ಯಾಷಿಯರ್ಗಳ ಅಧ್ಯಯನದಲ್ಲಿ, ಸಹವರ್ತಿಗಳ ಹುದ್ದೆ ಮುಖ್ಯವಾಗಿ ಯಾದೃಚ್ಛಿಕವಾಗಿದೆ ಎಂಬ ಊಹೆಯ ಬಗ್ಗೆ ಹೆಚ್ಚುವರಿ ಪ್ರಶ್ನೆಗಳು ಉದ್ಭವಿಸುತ್ತವೆ. ಈ ಕಲ್ಪನೆಯು ಬಲವಾಗಿ ಉಲ್ಲಂಘಿಸಲ್ಪಟ್ಟಿದ್ದರೆ, ಅದು ಅವರ ಅಂದಾಜುಗಳನ್ನು ಪಕ್ಷಪಾತ ಮಾಡಬಹುದು. ಪ್ರಾಯೋಗಿಕ ದತ್ತಾಂಶದಿಂದ ಸಾಂದರ್ಭಿಕ ಅಂದಾಜು ಮಾಡುವ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಪ್ರಬಲ ತಂತ್ರವಾಗಿರಬಹುದು ಮತ್ತು ದೊಡ್ಡ ಡೇಟಾ ಮೂಲಗಳು ಅವು ಸಂಭವಿಸಿದಾಗ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ನಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ನಿಮಗೆ ಅಗತ್ಯವಿರುವ ಅಂದಾಜುಗೆ ಯಾವ ಸ್ವರೂಪವು ಪ್ರಕೃತಿಯಿಂದ ಒದಗಿಸಬಹುದೆಂಬುದನ್ನು ಹೆಚ್ಚಿನ ಎಚ್ಚರಿಕೆಯಿಂದ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಬಲವಾದ ಊಹೆಗಳಿಗೆ ಇದು ಅಗತ್ಯವಿರುತ್ತದೆ.

ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದಿಂದ ಕಾರಣವಾದ ಅಂದಾಜುಗಳನ್ನು ಮಾಡಲು ನಾನು ನಿಮಗೆ ಹೇಳಲು ಬಯಸುವ ಎರಡನೇ ತಂತ್ರವೆಂದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾವನ್ನು ಸರಿಹೊಂದಿಸಲು ಮತ್ತು ಚಿಕಿತ್ಸೆಯನ್ನು ಸ್ವೀಕರಿಸದವರ ನಡುವಿನ ಪೂರ್ವ ವ್ಯತ್ಯಾಸಗಳನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಇಂತಹ ಅನೇಕ ಹೊಂದಾಣಿಕೆ ಕ್ರಮಗಳಿವೆ, ಆದರೆ ನಾನು ಒಂದು ಎಂದು ಹೊಂದಾಣಿಕೆಯ ಗಮನ ಮಾಡುತ್ತೇವೆ. ಹೊಂದಾಣಿಕೆಯಲ್ಲಿ, ಸಂಶೋಧಕನು ಪ್ರಾಯೋಗಿಕ ದತ್ತಾಂಶಗಳ ಮೂಲಕ ಕಾಣುತ್ತದೆ ಮತ್ತು ಒಬ್ಬರು ಚಿಕಿತ್ಸೆಯನ್ನು ಸ್ವೀಕರಿಸಿದ ಹೊರತು ಒಂದು ರೀತಿಯವಲ್ಲದ ಜನರ ಜೋಡಿಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಅದನ್ನು ಹೊಂದಿಲ್ಲ. ಹೊಂದಾಣಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಸಂಶೋಧಕರು ವಾಸ್ತವವಾಗಿ ಸಮರುವಿಕೆಯನ್ನು ಹೊಂದಿವೆ ; ಅಂದರೆ ಸ್ಪಷ್ಟವಾದ ಪಂದ್ಯವಿಲ್ಲದ ಸಂದರ್ಭಗಳನ್ನು ತಿರಸ್ಕರಿಸುವುದು. ಹೀಗಾಗಿ, ಈ ವಿಧಾನವು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಮತ್ತು ಸಮರುವಿಕೆ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ, ಆದರೆ ಸಾಂಪ್ರದಾಯಿಕ ಪದದೊಂದಿಗೆ ನಾನು ಅಂಟಿಕೊಳ್ಳುತ್ತೇನೆ: ಹೊಂದಾಣಿಕೆ.

ಬೃಹತ್ ಅಲ್ಲದ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾ ಮೂಲಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯ ಕಾರ್ಯತಂತ್ರಗಳ ಸಾಮರ್ಥ್ಯದ ಒಂದು ಉದಾಹರಣೆಯೆಂದರೆ ಲಿರಾನ್ ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2015) ಗ್ರಾಹಕರ ನಡವಳಿಕೆಗಳ ಸಂಶೋಧನೆಯಿಂದ ಬರುತ್ತದೆ. ಅವರು ಇಬೇನಲ್ಲಿ ನಡೆಯುತ್ತಿರುವ ಹರಾಜಿನಲ್ಲಿ ಆಸಕ್ತಿಯನ್ನು ಹೊಂದಿದ್ದರು ಮತ್ತು ಅವರ ಕೆಲಸವನ್ನು ವಿವರಿಸುವಲ್ಲಿ ನಾನು ಮಾರಾಟದ ಬೆಲೆ ಅಥವಾ ಮಾರಾಟದ ಸಂಭವನೀಯತೆಯಂತಹ ಹರಾಜು ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಹರಾಜಿನಲ್ಲಿ ಪ್ರಾರಂಭವಾಗುವ ಬೆಲೆಯ ಪರಿಣಾಮವನ್ನು ಗಮನಿಸುತ್ತೇನೆ.

ಮಾರಾಟ ಬೆಲೆಯ ಮೇಲೆ ಬೆಲೆ ಪ್ರಾರಂಭವಾಗುವ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡುವ ಅತ್ಯಂತ ನಿಷ್ಕಪಟ ವಿಧಾನವು ವಿವಿಧ ಆರಂಭದ ಬೆಲೆಯೊಂದಿಗೆ ಹರಾಜಿನಲ್ಲಿ ಅಂತಿಮ ಬೆಲೆಯನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ. ನೀವು ಆರಂಭಿಕ ಬೆಲೆಯು ನೀಡಿದ ಮಾರಾಟದ ಬೆಲೆಯನ್ನು ಊಹಿಸಲು ಬಯಸಿದರೆ ಈ ವಿಧಾನವು ಉತ್ತಮವಾಗಿರುತ್ತದೆ. ಆದರೆ ನಿಮ್ಮ ಪ್ರಶ್ನೆಯು ಪ್ರಾರಂಭಿಕ ಬೆಲೆಯ ಪರಿಣಾಮಕ್ಕೆ ಸಂಬಂಧಿಸಿರುತ್ತದೆ, ಆಗ ಈ ವಿಧಾನವು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಇದು ನ್ಯಾಯೋಚಿತ ಹೋಲಿಕೆಗಳನ್ನು ಆಧರಿಸುವುದಿಲ್ಲ; ಕಡಿಮೆ ಪ್ರಾರಂಭದ ಬೆಲೆಯೊಂದಿಗೆ ಹರಾಜುಗಳು ಹೆಚ್ಚಿನ ಆರಂಭಿಕ ಬೆಲೆಗಳೊಂದಿಗೆ (ಉದಾಹರಣೆಗೆ, ಅವರು ವಿಭಿನ್ನ ರೀತಿಯ ಸರಕುಗಳಿಗೆ ಅಥವಾ ವಿವಿಧ ರೀತಿಯ ಮಾರಾಟಗಾರರನ್ನು ಒಳಗೊಂಡಿರಬಹುದು) ಹೊಂದಿರುವವರಿಗೆ ಭಿನ್ನವಾಗಿರಬಹುದು.

ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದಿಂದ ಉಂಟಾದ ಅಂದಾಜುಗಳನ್ನು ಮಾಡುವಾಗ ಉಂಟಾಗಬಹುದಾದ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ನೀವು ಈಗಾಗಲೇ ತಿಳಿದಿದ್ದರೆ, ನೀವು ನಿಷ್ಕಪಟವಾದ ವಿಧಾನವನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದು ಮತ್ತು ನಿಶ್ಚಿತ ವಸ್ತುವಿನೊಂದಿಗೆ-ಗಾಲ್ಫ್ ಕ್ಲಬ್-ನಿಶ್ಚಿತ ಐಟಂ ಅನ್ನು ನೀವು ಮಾರಾಟ ಮಾಡುವ ಕ್ಷೇತ್ರ ಪ್ರಯೋಗವನ್ನು ನಡೆಸಬಹುದು. ಹರಾಜಿನ ನಿಯತಾಂಕಗಳ ಸೆಟ್ -ಎಂದು ಹೇಳುತ್ತಾರೆ, ಉಚಿತ ಸಾಗಾಟ ಮತ್ತು ಹರಾಜು ಎರಡು ವಾರಗಳವರೆಗೆ ತೆರೆದಿರುತ್ತದೆ-ಆದರೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿಗದಿಪಡಿಸಲಾದ ಪ್ರಾರಂಭದ ಬೆಲೆಯೊಂದಿಗೆ. ಫಲಿತಾಂಶದ ಮಾರುಕಟ್ಟೆ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ, ಈ ಕ್ಷೇತ್ರದ ಪ್ರಯೋಗವು ಮಾರಾಟ ಬೆಲೆಯ ಮೇಲೆ ಬೆಲೆ ಪ್ರಾರಂಭವಾಗುವ ಪರಿಣಾಮವನ್ನು ಸ್ಪಷ್ಟವಾದ ಮಾಪನವನ್ನು ನೀಡುತ್ತದೆ. ಆದರೆ ಈ ಅಳತೆಯು ಒಂದು ನಿರ್ದಿಷ್ಟ ಉತ್ಪನ್ನ ಮತ್ತು ಹರಾಜಿನ ನಿಯತಾಂಕಗಳ ಸೆಟ್ಗೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತದೆ. ಫಲಿತಾಂಶಗಳು ಬೇರೆ ಬೇರೆ ರೀತಿಯ ಉತ್ಪನ್ನಗಳಿಗೆ ವಿಭಿನ್ನವಾಗಬಹುದು. ಬಲವಾದ ಸಿದ್ಧಾಂತವಿಲ್ಲದೆ, ಈ ಒಂದೇ ಪ್ರಯೋಗದಿಂದ ಹೊರಬರುವ ಸಂಭವನೀಯ ಪ್ರಯೋಗಗಳ ಸಂಪೂರ್ಣ ಶ್ರೇಣಿಯನ್ನು ವಿವರಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಕ್ಷೇತ್ರ ಪ್ರಯೋಗಗಳು ಸಾಕಷ್ಟು ವೆಚ್ಚದಾಯಕವಾಗಿದ್ದು, ನೀವು ಪ್ರಯತ್ನಿಸಬೇಕಾದ ಪ್ರತಿ ಬದಲಾವಣೆಯನ್ನು ನಡೆಸಲು ಅದು ವಿಫಲವಾಗಿದೆ.

ನಿಷ್ಕಪಟ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳಿಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಮೂರನೇ ವಿಧಾನವನ್ನು ಹೊಂದಿದ್ದರು: ಹೊಂದಾಣಿಕೆ. ಇಬೇನಲ್ಲಿ ಈಗಾಗಲೇ ನಡೆದ ಕ್ಷೇತ್ರ ಪ್ರಯೋಗಗಳಂತೆಯೇ ವಿಷಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಅವರ ಕಾರ್ಯತಂತ್ರದಲ್ಲಿನ ಪ್ರಮುಖ ಟ್ರಿಕ್ ಆಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಚಿತ್ರ 2.8 ನಿಖರವಾಗಿ ಅದೇ ಗಾಲ್ಫ್ ಕ್ಲಬ್ಗೆ 31 ಪಟ್ಟಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ-ಟೇಲರ್ಮಡೆ ಬರ್ನರ್ 09 ಚಾಲಕ-ಅದೇ ಬಗೆಯ ವ್ಯಾಪಾರಿ- "ಬಜೆಟ್ಗೋಲ್ಫ್" ನಿಂದ ಮಾರಲ್ಪಡುತ್ತಿದೆ. ಆದಾಗ್ಯೂ, ಈ 31 ಪಟ್ಟಿಗಳು ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿವೆ, ಉದಾಹರಣೆಗೆ ವಿವಿಧ ಪ್ರಾರಂಭ ಬೆಲೆ, ಅಂತಿಮ ದಿನಾಂಕಗಳು, ಮತ್ತು ಹಡಗು ಶುಲ್ಕಗಳು. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, "ಬಜೆಟ್ಗೋಲ್ಫ್" ಸಂಶೋಧಕರಿಗೆ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುತ್ತಿದೆ ಎಂದು ಅದು ಹೇಳುತ್ತದೆ.

"ಬಡ್ಗೋಲ್ಫ್" ನಿಂದ ಮಾರಾಟವಾಗುವ ಟೇಲರ್ಡೇಡ್ ಬರ್ನರ್ 09 ಡ್ರೈವರ್ನ ಈ ಪಟ್ಟಿಗಳು ಒಂದೇ ರೀತಿಯ ಮಾರಾಟದ ಪಟ್ಟಿಗಳ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ, ಅಲ್ಲಿ ನಿಖರವಾದ ಅದೇ ಐಟಂ ನಿಖರವಾದ ಮಾರಾಟಗಾರರಿಂದ ಮಾರಲ್ಪಡುತ್ತದೆ, ಆದರೆ ಪ್ರತಿ ಬಾರಿ ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ. ಇಬೇಯ ಬೃಹತ್ ದಾಖಲೆಗಳಲ್ಲಿ ಲಕ್ಷಾಂತರ ಪಟ್ಟಿಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ನೂರಾರು ಸಾವಿರಾರು ಹೋಲಿಕೆಯ ಸೆಟ್ಗಳಿವೆ. ಆದ್ದರಿಂದ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಬೆಲೆಯೊಂದಿಗೆ ಎಲ್ಲಾ ಹರಾಜುಗಳಿಗೆ ಅಂತಿಮ ಬೆಲೆಯನ್ನು ಹೋಲಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಹೊಂದುವ ಸೆಟ್ಗಳಲ್ಲಿ ಹೋಲಿಸಿದರೆ. ಈ ನೂರಾರು ಹೋಲಿಕೆಯ ಸೆಟ್ಗಳಲ್ಲಿ ಹೋಲಿಕೆಗಳಿಂದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಲು, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಪ್ರತಿ ಐಟಂನ ಉಲ್ಲೇಖದ ಮೌಲ್ಯದಲ್ಲಿ (ಉದಾಹರಣೆಗೆ, ಅದರ ಸರಾಸರಿ ಮಾರಾಟ ಬೆಲೆ) ಸಂಬಂಧಿಸಿದಂತೆ ಪ್ರಾರಂಭಿಕ ಬೆಲೆ ಮತ್ತು ಅಂತಿಮ ಬೆಲೆಯನ್ನು ಮರು-ವ್ಯಕ್ತಪಡಿಸಿದ್ದಾರೆ. ಉದಾಹರಣೆಗೆ, ಟೇಲರ್ಮಡೆ ಬರ್ನರ್ 09 ಡ್ರೈವರ್ $ 100 (ಅದರ ಮಾರಾಟದ ಆಧಾರದ ಮೇಲೆ) ಒಂದು ಉಲ್ಲೇಖ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿದ್ದರೆ, ನಂತರ $ 10 ರ ಆರಂಭಿಕ ಬೆಲೆಯು 0.1 ಎಂದು ಮತ್ತು 120 $ ನಷ್ಟಿರುವ ಅಂತಿಮ ಬೆಲೆ 1.2 ಎಂದು ತೋರಿಸಲ್ಪಡುತ್ತದೆ.

ಚಿತ್ರ 2.8: ಹೊಂದಾಣಿಕೆಯ ಸೆಟ್ನ ಉದಾಹರಣೆ. ಇದು ನಿಖರ ಅದೇ ವ್ಯಕ್ತಿ ("ಬಜೆಟ್ಗೋಲ್ಫ್") ಮೂಲಕ ಮಾರಾಟವಾದ ಅದೇ ಗಾಲ್ಫ್ ಕ್ಲಬ್ (ಟೇಲರ್ಮಡೆ ಬರ್ನರ್ 09 ಚಾಲಕ) ಆಗಿದೆ, ಆದರೆ ಈ ಕೆಲವು ಮಾರಾಟಗಳನ್ನು ವಿಭಿನ್ನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ (ಉದಾಹರಣೆಗೆ, ವಿವಿಧ ಆರಂಭದ ಬೆಲೆಗಳು) ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. Einav et al. (2015) ಅನುಮತಿಯಿಂದ Einav et al. (2015) , ಅಂಕಿ 1 ಬಿ.

ಹರಾಜು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಪ್ರಾರಂಭದ ಬೆಲೆಯ ಪರಿಣಾಮವನ್ನು ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಆಸಕ್ತಿ ಹೊಂದಿದ್ದಾರೆಂದು ನೆನಪಿಸಿಕೊಳ್ಳಿ. ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚಿನ ಪ್ರಾರಂಭಿಕ ಬೆಲೆಗಳು ಮಾರಾಟದ ಸಂಭವನೀಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಎಂದು ಅಂದಾಜು ಮಾಡಲು ಅವರು ರೇಖಾತ್ಮಕ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸಿದರು, ಮತ್ತು ಹೆಚ್ಚಿನ ಪ್ರಾರಂಭಿಕ ಬೆಲೆಗಳು ಅಂತಿಮ ಮಾರಾಟದ ಬೆಲೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ (ಮಾರಾಟದ ಮೇಲೆ ಷರತ್ತುಬದ್ಧವಾಗಿರುತ್ತವೆ). ಸ್ವತಃ, ಈ ಅಂದಾಜುಗಳು -ರೇಖೆಯ ಸಂಬಂಧವನ್ನು ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಾ ಉತ್ಪನ್ನಗಳಾದ್ಯಂತ ಸರಾಸರಿ-ಎಲ್ಲಾ ಆಸಕ್ತಿಕರವಾಗಿಲ್ಲ. ನಂತರ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ತಮ್ಮ ದತ್ತಾಂಶದ ಹೆಚ್ಚಿನ ಗಾತ್ರವನ್ನು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾದ ಅಂದಾಜುಗಳನ್ನು ರಚಿಸಲು ಬಳಸಿದರು. ಉದಾಹರಣೆಗೆ, ವಿಭಿನ್ನ ಪ್ರಾರಂಭಿಕ ಬೆಲೆಗಳಿಗೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಣಾಮವನ್ನು ಅಂದಾಜು ಮಾಡುವ ಮೂಲಕ, ಬೆಲೆ ಮತ್ತು ಮಾರಾಟದ ಬೆಲೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ನಡುವಿನ ಸಂಬಂಧವು ರೇಖಾತ್ಮಕವಲ್ಲದ (ಫಿಗರ್ 2.9) ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು. ನಿರ್ದಿಷ್ಟವಾಗಿ, 0.05 ಮತ್ತು 0.85 ರ ನಡುವಿನ ಬೆಲೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವುದಕ್ಕಾಗಿ, ಆರಂಭಿಕ ಬೆಲೆಯು ಮಾರಾಟದ ಬೆಲೆಯ ಮೇಲೆ ಕಡಿಮೆ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ, ಇದು ಅವರ ಮೊದಲ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಿಸಲ್ಪಟ್ಟಿತ್ತು. ಇದಲ್ಲದೆ, ಐನಾವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಎಲ್ಲಾ ವಸ್ತುಗಳ ಮೇಲೆ ಸರಾಸರಿಗಿಂತ 23 ವಿವಿಧ ವಿಧದ ಐಟಂಗಳ ಬೆಲೆ (ಉದಾಹರಣೆಗೆ, ಪಿಇಟಿ ಸರಬರಾಜು, ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್, ಮತ್ತು ಕ್ರೀಡಾ ಮೆಮೊರಾಬಿಲಿಯಾ) (ಅಂಕಿ 2.10) ಬೆಲೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವ ಪ್ರಭಾವವನ್ನು ಅಂದಾಜು ಮಾಡಿದರು. ಈ ಅಂದಾಜುಗಳು, ಮೆಮೊರಾಬಿಯಾ-ಆರಂಭಿಕ ಬೆಲೆಯಂತಹ ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ವಸ್ತುಗಳನ್ನು ಮಾರಾಟದ ಸಂಭವನೀಯತೆ ಮತ್ತು ಅಂತಿಮ ಮಾರಾಟ ಬೆಲೆಗೆ ಹೆಚ್ಚಿನ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಡಿವಿಡಿಗಳಂತಹ ಹೆಚ್ಚು ಸರಬರಾಜು ಮಾಡಲಾದ ವಸ್ತುಗಳನ್ನು-ಪ್ರಾರಂಭಿಕ ಬೆಲೆಗೆ ಅಂತಿಮ ಬೆಲೆಗೆ ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಈ ಐಟಂಗಳ ನಡುವಿನ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸಗಳನ್ನು 23 ವಿವಿಧ ವರ್ಗಗಳ ಫಲಿತಾಂಶಗಳಿಂದ ಸಂಯೋಜಿಸುವ ಸರಾಸರಿ ಮರೆಮಾಚುತ್ತದೆ.

ಚಿತ್ರ 2.9: ಮಾರಾಟ (ಒಂದು) ಮತ್ತು ಮಾರಾಟದ ಬೆಲೆ (ಬಿ) ಪ್ರಾರಂಭಿಕ ಬೆಲೆ ಮತ್ತು ಸಂಭವನೀಯತೆಯ ಹರಾಜು ನಡುವಿನ ಸಂಬಂಧ. ಆರಂಭದ ಬೆಲೆ ಮತ್ತು ಮಾರಾಟದ ಸಂಭವನೀಯತೆಯ ನಡುವಿನ ರೇಖಾತ್ಮಕ ಸಂಬಂಧವಿದೆ, ಆದರೆ ಆರಂಭದ ಬೆಲೆ ಮತ್ತು ಮಾರಾಟ ಬೆಲೆಯ ನಡುವಿನ ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧವಿದೆ; 0.05 ಮತ್ತು 0.85 ರ ನಡುವಿನ ಬೆಲೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸಲು, ಪ್ರಾರಂಭಿಕ ಬೆಲೆಗೆ ಮಾರಾಟ ಬೆಲೆಗೆ ಕಡಿಮೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸಂಬಂಧಗಳು ಮೂಲಭೂತವಾಗಿ ಐಟಂ ಮೌಲ್ಯದಿಂದ ಸ್ವತಂತ್ರವಾಗಿರುತ್ತವೆ. Einav et al. (2015) ಅಳವಡಿಸಿಕೊಂಡಿದೆ Einav et al. (2015) , 4a ಮತ್ತು 4b ಅಂಕಿಅಂಶಗಳು.

ಚಿತ್ರ 2.10: ಐಟಂಗಳ ಪ್ರತಿಯೊಂದು ವರ್ಗದಿಂದ ಅಂದಾಜುಗಳು; ಘನ ಡಾಟ್ ಒಟ್ಟಾಗಿ ಸಂಗ್ರಹಿಸಲಾದ ಎಲ್ಲಾ ವಿಭಾಗಗಳಿಗೆ ಅಂದಾಜು ಆಗಿದೆ (Einav et al. 2015) . ಈ ಅಂದಾಜುಗಳು ಸ್ಮಾರಕದಂತಹ ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ವಸ್ತುಗಳಿಗೆ-ಆರಂಭಿಕ ಬೆಲೆಯು ಮಾರಾಟದ ಸಂಭವನೀಯತೆ ( \(x\) -axis) ಮೇಲೆ ಸಣ್ಣ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ ಮತ್ತು ಅಂತಿಮ ಮಾರಾಟ ಬೆಲೆ ( \(y\) ಮೇಲೆ ದೊಡ್ಡ ಪರಿಣಾಮವನ್ನು ಬೀರುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. -ಅಕ್ಷರೇಖೆ). Einav et al. (2015) ಅಳವಡಿಸಿಕೊಂಡಿದೆ Einav et al. (2015) , ಚಿತ್ರ 8.

ನೀವು ನಿರ್ದಿಷ್ಟವಾಗಿ ಇಬೇ ಮೇಲಿನ ಹರಾಜಿನಲ್ಲಿ ಆಸಕ್ತಿಯಿಲ್ಲದಿದ್ದರೂ ಸಹ, ನೀವು 2.9 ಮತ್ತು ಅಂಕಿ 2.10 ರ ಪ್ರಕಾರವನ್ನು ಸರಳವಾದ ಅಂದಾಜುಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸರಳವಾದ ಅಂದಾಜುಗಳಿಗಿಂತಲೂ ರೇಖಾತ್ಮಕ ಸಂಬಂಧವನ್ನು ವಿವರಿಸಿ, ವಿವಿಧ ಅಂಶಗಳ ಒಗ್ಗೂಡಿಸುವಿಕೆಯನ್ನು ಒಗ್ಗೂಡಿಸಿರಿ. ಇದಲ್ಲದೆ, ಕ್ಷೇತ್ರ ಪ್ರಯೋಗಗಳೊಂದಿಗೆ ಈ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾದ ಅಂದಾಜುಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ವೈಜ್ಞಾನಿಕವಾಗಿ ಸಾಧ್ಯವಾದರೂ, ಅಂತಹ ಪ್ರಯೋಗಗಳು ಅಂತಹ ಪ್ರಯೋಗಗಳನ್ನು ಮೂಲಭೂತವಾಗಿ ಅಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ.

ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳಂತೆ, ಹೊಂದಾಣಿಕೆಯು ಕೆಟ್ಟ ಅಂದಾಜುಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದಾದ ಹಲವು ವಿಧಾನಗಳಿವೆ. ಹೊಂದಾಣಿಕೆಯ ಅಂದಾಜುಗಳೊಂದಿಗಿನ ಅತಿದೊಡ್ಡ ಕಾಳಜಿ ತಾವು ಹೊಂದಿಕೆಯಾಗದ ವಿಷಯಗಳಿಂದ ಪಕ್ಷಪಾತಿಯಾಗಬಹುದು ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಉದಾಹರಣೆಗೆ, ಅವರ ಮುಖ್ಯ ಫಲಿತಾಂಶಗಳಲ್ಲಿ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ನಾಲ್ಕು ಗುಣಲಕ್ಷಣಗಳಿಗೆ ನಿಖರವಾದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಮಾಡಿದರು: ಮಾರಾಟಗಾರ ID ಸಂಖ್ಯೆ, ಐಟಂ ವರ್ಗ, ಐಟಂ ಶೀರ್ಷಿಕೆ ಮತ್ತು ಉಪಶೀರ್ಷಿಕೆ. ಹೊಂದಾಣಿಕೆಗೆ ಬಳಸಲಾಗದ ರೀತಿಯಲ್ಲಿ ವಿಭಿನ್ನವಾದ ಅಂಶಗಳು ವಿಭಿನ್ನವಾಗಿದ್ದರೆ, ಅದು ಅನ್ಯಾಯದ ಹೋಲಿಕೆ ರಚಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, "ಬಜೆಟ್ಗೋಲ್ಫ್" ಚಳಿಗಾಲದಲ್ಲಿ ಟೈಲರ್ಡೇಡ್ ಬರ್ನರ್ 09 ಡ್ರೈವರ್ನ ದರವನ್ನು ಕಡಿಮೆಗೊಳಿಸಿದರೆ (ಗಾಲ್ಫ್ ಕ್ಲಬ್ಗಳು ಕಡಿಮೆ ಜನಪ್ರಿಯವಾಗಿದ್ದಾಗ) ಕಡಿಮೆ ಬೆಲೆಗಳು ಕಡಿಮೆ ಬೆಲೆಗೆ ಕಾರಣವಾಗುತ್ತವೆ ಎಂದು ತೋರುತ್ತದೆ, ಇದು ವಾಸ್ತವವಾಗಿ ಇದು ಒಂದು ಕಲಾಕೃತಿಯಾಗಿದೆ ಬೇಡಿಕೆಯಲ್ಲಿ ಋತುಮಾನದ ವ್ಯತ್ಯಾಸ. ಈ ಕಾಳಜಿಯನ್ನು ಎದುರಿಸಲು ಒಂದು ವಿಧಾನವು ಹಲವಾರು ರೀತಿಯ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ತಾಳೆಯಾಗುವ ಸಮಯದ ವಿಂಡೋವನ್ನು ಬದಲಿಸುವಾಗ ತಮ್ಮ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪುನರಾವರ್ತಿಸಿದರು (ಹೊಂದಾಣಿಕೆಯ ಸೆಟ್ಗಳು ಒಂದು ವರ್ಷದಲ್ಲಿ ಒಂದು ತಿಂಗಳು ಒಳಗೆ, ಒಂದು ತಿಂಗಳು ಒಳಗೆ ಮತ್ತು ಸಮಕಾಲೀನವಾಗಿ). ಅದೃಷ್ಟವಶಾತ್, ಅವರು ಎಲ್ಲಾ ಸಮಯದ ಕಿಟಕಿಗಳಿಗಾಗಿ ಇದೇ ಫಲಿತಾಂಶಗಳನ್ನು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. ಹೊಂದಾಣಿಕೆಯೊಂದಿಗೆ ಮತ್ತಷ್ಟು ಕಾಳಜಿ ವ್ಯಾಖ್ಯಾನದಿಂದ ಉಂಟಾಗುತ್ತದೆ. ಹೊಂದಾಣಿಕೆಯಾಗುವ ಡೇಟಾಕ್ಕೆ ಮಾತ್ರ ಅನ್ವಯವಾಗುವ ಅಂದಾಜುಗಳು ಅನ್ವಯಿಸುತ್ತವೆ; ಅವರು ಹೊಂದಿಕೆಯಾಗದಂತಹ ಪ್ರಕರಣಗಳಿಗೆ ಅನ್ವಯಿಸುವುದಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಬಹು ಪಟ್ಟಿಗಳನ್ನು ಹೊಂದಿರುವ ಐಟಂಗಳನ್ನು ತಮ್ಮ ಸಂಶೋಧನೆಯು ಸೀಮಿತಗೊಳಿಸುವ ಮೂಲಕ, ಐನವ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ವೃತ್ತಿಪರ ಮತ್ತು ಅರೆ-ವೃತ್ತಿಪರ ಮಾರಾಟಗಾರರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತಿದ್ದಾರೆ. ಹೀಗಾಗಿ, ಈ ಹೋಲಿಕೆಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುವಾಗ ಅವರು ಈಬೇಯ ಉಪವಿಭಾಗಕ್ಕೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತಾರೆ ಎಂದು ನಾವು ನೆನಪಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕು.

ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದಲ್ಲಿ ನ್ಯಾಯೋಚಿತ ಹೋಲಿಕೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯು ಪ್ರಬಲ ತಂತ್ರವಾಗಿದೆ. ಅನೇಕ ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಿಗಳಿಗೆ, ಹೊಂದಾಣಿಕೆಯು ಎರಡನೆಯದು ಪ್ರಯೋಗಗಳಿಗೆ ಎರಡನೆಯದು ಎಂದು ಭಾವಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಪರಿಷ್ಕರಿಸಬಹುದು ಎಂಬ ನಂಬಿಕೆಯಾಗಿದೆ. (1) ವೈವಿಧ್ಯಮಯ ಪರಿಣಾಮಗಳಲ್ಲಿ ಮುಖ್ಯವಾದದ್ದು ಮತ್ತು (2) ಹೊಂದಾಣಿಕೆಗೆ ಅಗತ್ಯವಾದ ಪ್ರಮುಖ ಅಸ್ಥಿರಗಳನ್ನು ಮಾಪನ ಮಾಡಿದಾಗ ಬೃಹತ್ ಡೇಟಾದಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯು ಕೆಲವು ಕ್ಷೇತ್ರದ ಪ್ರಯೋಗಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿರುತ್ತದೆ. ಟೇಬಲ್ 2.4 ದೊಡ್ಡ ದತ್ತಾಂಶ ಮೂಲಗಳೊಂದಿಗೆ ಹೇಗೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ಬಳಸುವುದು ಎಂಬುದರ ಬಗ್ಗೆ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಕೊನೆಯಲ್ಲಿ, ಪ್ರಾಯೋಗಿಕ ದತ್ತಾಂಶದಿಂದ ಉಂಟಾಗುವ ಪರಿಣಾಮಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಕಷ್ಟ, ಆದರೆ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಹೊಂದಾಣಿಕೆಗಳಂತಹ ವಿಧಾನಗಳು (ಉದಾ, ಹೊಂದಾಣಿಕೆಯ) ಬಳಸಬಹುದು. ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಈ ವಿಧಾನಗಳು ತಪ್ಪಾಗಿ ತಪ್ಪಾಗಿ ಹೋಗಬಹುದು, ಆದರೆ ಎಚ್ಚರಿಕೆಯಿಂದ ನಿಯೋಜಿಸಿದಾಗ, ಅಧ್ಯಾಯ 4 ರಲ್ಲಿ ನಾನು ವಿವರಿಸುವ ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಕ್ಕೆ ಈ ವಿಧಾನಗಳು ಉಪಯುಕ್ತವಾದ ಪೂರಕವಾಗಬಹುದು. ಇದಲ್ಲದೆ, ಈ ಎರಡು ವಿಧಾನಗಳು ಯಾವಾಗಲೂ ಯಾವಾಗಲೂ ಬೆಳವಣಿಗೆಯಿಂದ ಪ್ರಯೋಜನವಾಗುತ್ತವೆ- ಆನ್, ದೊಡ್ಡ ಡೇಟಾ ವ್ಯವಸ್ಥೆಗಳು.