2.4.3 ಅಂದಾಜಿಸುವ ಪ್ರಯೋಗಗಳನ್ನು
ನಾವು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ಪ್ರಯೋಗಗಳನ್ನು ಅಂದಾಜು ಮಾಡಬಹುದು. ವಿಶೇಷವಾಗಿ ಡಿಜಿಟಲ್ ವಯಸ್ಸು ಲಾಭ ಎರಡು ವಿಧಾನಗಳನ್ನು ಹೊಂದಾಣಿಕೆ ಮತ್ತು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಡಲಾಗುತ್ತದೆ.
ಅನೇಕ ಪ್ರಮುಖ ವೈಜ್ಞಾನಿಕ ಮತ್ತು ನೀತಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಸಾಂದರ್ಭಿಕ ಇವೆ. ನ ಪರಿಗಣಿಸೋಣ, ಉದಾಹರಣೆಗೆ, ಈ ಕೆಳಗಿನ ಪ್ರಶ್ನೆ: ವೇತನ ಮೇಲೆ ಕೆಲಸ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮದ ಪರಿಣಾಮ ಏನು? ಈ ಪ್ರಶ್ನೆಗೆ ಒಂದು ರೀತಿಯಲ್ಲಿ ಕಾರ್ಮಿಕರ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಎರಡೂ ತರಬೇತಿ ಪಡೆಯಲು ಅಥವಾ ತರಬೇತಿ ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ ಹೊಂದಿದ್ದವು ಅಲ್ಲಿ ಒಂದು ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗ ಎಂದು. ನಂತರ, ಸಂಶೋಧಕರು ಹಾಗೆಯೇ ಅದನ್ನು ಪಡೆಯಲಿಲ್ಲ ಆ ತರಬೇತಿ ಪಡೆದ ಜನರು ಕೂಲಿ ಹೋಲಿಸಿ ಈ ಭಾಗವಹಿಸುವವರು ತರಬೇತಿ ಪರಿಣಾಮ ಅಂದಾಜು ಮಾಡಬಹುದು.
ಯಾದೃಚ್ಛಿಕ: ಸರಳ ಸಾಮ್ಯತೆಯ ಏಕೆಂದರೆ ಡೇಟಾ ಸಹ ಸಂಗ್ರಹಿಸಿವೆ ಮುಂಚಿತವಾಗಿ ನಡೆಯುತ್ತದೆ ಎಂದು ಏನೋ ಮಾನ್ಯವಾಗಿಲ್ಲ. ಯಾದೃಚ್ಛಿಕ ಇಲ್ಲದೆ, ಸಮಸ್ಯೆ ಹೆಚ್ಚು ಚಾತುರ್ಯದ ಹೊಂದಿದೆ. ಸಂಶೋಧಕರು ಸ್ವಯಂಪ್ರೇರಣೆಯಿಂದ ಇಲ್ಲ ಸೈನ್ ಅಪ್ ಯಾರು ತರಬೇತಿ ಸೈನ್ ಅಪ್ ಜನರು ಕೂಲಿ ಹೋಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಹೋಲಿಕೆಯ ಬಹುಶಃ ತರಬೇತಿ ಪಡೆದ ಜನರು ಅದಾಯ ಎಂದು ತೋರಿಸಲು, ಆದರೆ ಈ ಎಷ್ಟು ಏಕೆಂದರೆ ತರಬೇತಿಯ ಮತ್ತು ಸೈನ್ ಅಪ್ ತರಬೇತಿ ಜನರು ಸಹಿ ಅಪ್ ಎಂಬುದನ್ನು ತರಬೇತಿ ಭಿನ್ನವಾದ ಏಕೆಂದರೆ ಈ ಎಷ್ಟು? ಅರ್ಥಾತ್, ಜನರು ಈ ಎರಡು ಗುಂಪುಗಳ ಕೂಲಿ ಹೋಲಿಸಿ ಅದನ್ನು ಉತ್ಸವದ ಹೆಸರೇನು?
ನ್ಯಾಯೋಚಿತ ಹೋಲಿಕೆಗಳು ಬಗ್ಗೆ ಈ ಕಾಳಜಿ ಪ್ರಯೋಗ ಓಡಿಸದೇ ಸಾಂದರ್ಭಿಕ ಅಂದಾಜು ಮಾಡಲು ಅಸಾಧ್ಯ ಎಂದು ನಂಬಲು ಕೆಲವು ಸಂಶೋಧಕರು ಕಾರಣವಾಗುತ್ತದೆ. ಈ ಕ್ಲೈಮ್ ತುಂಬಾ ಹೋಗುತ್ತದೆ. ಇದು ಸರಿಯಿದ್ದರೂ ಪ್ರಯೋಗಗಳನ್ನು ಸಾಂದರ್ಭಿಕ ಪರಿಣಾಮಗಳನ್ನು ಪ್ರಬಲ ಸಾಕ್ಷಿಗಳಾಗಿದ್ದರು ಒದಗಿಸುವ, ಬೆಲೆಬಾಳುವ ಸಾಂದರ್ಭಿಕ ಅಂದಾಜುಗಳನ್ನು ಒದಗಿಸುವ ಇತರ ತಂತ್ರಗಳು ಇವೆ. ಬದಲಿಗೆ (ನಿಷ್ಕ್ರಿಯವಾಗಿ ಡೇಟಾ ಆಚರಿಸಲಾಗುತ್ತದೆ ಸಂದರ್ಭದಲ್ಲಿ) ಎಂದು ಸಾಂದರ್ಭಿಕ ಅಂದಾಜುಗಳು (ಪ್ರಯೋಗಗಳಲ್ಲಿ) ಎರಡೂ ಸುಲಭ ಅಥವಾ ಅಸಾಧ್ಯ ಆಲೋಚನೆ, ಇದು ಅನಂತ ಪ್ರಬಲ ನಿಂದ ದುರ್ಬಲ (ಚಿತ್ರ ಉದ್ದಕ್ಕೂ ಸುಳ್ಳು ಸಾಂದರ್ಭಿಕ ಅಂದಾಜು ತಯಾರಿಸಲು ಕಾರ್ಯತಂತ್ರಗಳ ಯೋಚಿಸುವುದು ಉತ್ತಮ 2.4). ಅವಿಚ್ಛಿನ್ನವಾಗಿ ಪ್ರಬಲ ಕೊನೆಯಲ್ಲಿ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳು ಯಾದೃಚ್ಛಿಕ ಮಾಡಲಾಗುತ್ತದೆ. ಆದರೆ, ಈ ಬಾರಿ ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆ ಮಾಡಲು ಅನೇಕ ಚಿಕಿತ್ಸೆಗಳು ಸರ್ಕಾರಗಳು ಅಥವಾ ಕಂಪನಿಗಳಿಂದ ಸಹಕಾರ ಅವಾಸ್ತವಿಕ ಪ್ರಮಾಣದಲ್ಲಿ ಏಕೆಂದರೆ ಕಷ್ಟ; ಸರಳವಾಗಿ ನಾವು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ಅನೇಕ ಪ್ರಯೋಗಗಳು ಇವೆ. ನಾನು ಶಕ್ತಿ ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳ ದುರ್ಬಲತೆಗಳನ್ನು ಎರಡೂ ಗೆ ಅಧ್ಯಾಯ 4 ಎಲ್ಲಾ ವಿನಿಯೋಗಿಸಲು, ಮತ್ತು ನಾನು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳ ಅವಲೋಕನದಿಂದ ಆದ್ಯತೆ ಪ್ರಬಲವಾದ ನೀತಿ ಕಾರಣಗಳಿವೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ ಮಾಡುತ್ತೇವೆ.
ಚಿತ್ರ 2.4: ಅಂದಾಜು ಸಾಂದರ್ಭಿಕ ಪರಿಣಾಮಗಳನ್ನು ಸಂಶೋಧನೆ ತಂತ್ರಗಳನ್ನು ಕಂಟಿನ್ಯಂ.
ಅನಂತ ಚಲಿಸುವುದರಿಂದ, ಸಂಶೋಧಕರು ಪ್ರಕಟವಾಗಿ ಯಾದೃಚ್ಛಿಕ ಮಾಡಿಲ್ಲ ಸನ್ನಿವೇಶಗಳು ಇವೆ. ಆ, ಸಂಶೋಧಕರು ವಾಸ್ತವವಾಗಿ ಪ್ರಯೋಗ ಕೈಗೊಳ್ಳದೆ ಪ್ರಯೋಗ ನಂತಹ ಜ್ಞಾನ ತಿಳಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಇದೆ; ನೈಸರ್ಗಿಕವಾಗಿ, ಈ ಟ್ರಿಕಿ ಎಂದು ಹೋಗುತ್ತದೆ, ಆದರೆ ದೊಡ್ಡ ದಶಮಾಂಶ ಬಹುಮಟ್ಟಿಗೆ ಈ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಾಂದರ್ಭಿಕ ಅಂದಾಜು ಮಾಡಲು ನಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.
ಕೆಲವೊಮ್ಮೆ ವಿಶ್ವದ ನಿಗದಿಯಾದ ಸಂಶೋಧಕರು ಒಂದು ಪ್ರಯೋಗ ರೀತಿಯ ರಚಿಸಲು ಸಂಭವಿಸುತ್ತದೆ ಅಲ್ಲಿ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಇವೆ. ಈ ವಿನ್ಯಾಸಗಳು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ, ಮತ್ತು ಅವರು ವಿಭಾಗ 2.4.3.1 ವಿವರವಾಗಿ ಪರಿಗಣಿಸಲಾಗುವುದು. ದೊಡ್ಡ ದಶಮಾಂಶ ಮೂಲಗಳು ತಮ್ಮ ಯಾವಾಗಲೂ ಆನ್ ಪ್ರಕೃತಿ ಮತ್ತು ತಮ್ಮ ಎರಡು ಲಕ್ಷಣಗಳು ಗಾತ್ರ ಹೆಚ್ಚು ಕಂಡು ಬಂದಾಗ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳಿಂದ ತಿಳಿಯಲು ನಮ್ಮ ಸಾಮರ್ಥ್ಯ ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಮತ್ತಷ್ಟು ದೂರ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳ ಮೂವಿಂಗ್, ಕೆಲವೊಮ್ಮೆ ನಾವು ಒಂದು ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗ ಅಂದಾಜು ಬಳಸಬಹುದಾದ ಪ್ರಕೃತಿಯಲ್ಲಿ ಸಹ ಕ್ರಿಯೆಯನ್ನು ಅಲ್ಲ. ಈ ರೀತಿಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ನಾವು ಎಚ್ಚರಿಕೆಯಿಂದ ಪ್ರಯೋಗ ಅಂದಾಜು ಪ್ರಯತ್ನದಲ್ಲಿ ಅಲ್ಲದ ಪ್ರಾಯೋಗಿಕ ಮಾಹಿತಿಗಳ ಒಳಗೆ ಹೋಲಿಕೆಗಳು ನಿರ್ಮಿಸಬಹುದಾಗಿದೆ. ಈ ವಿನ್ಯಾಸಗಳು ಹೊಂದಾಣಿಕೆಯ ಕರೆಯಲಾಗುತ್ತದೆ, ಮತ್ತು ಅವರು ವಿಭಾಗ 2.4.3.2 ವಿವರವಾಗಿ ಪರಿಗಣಿಸಲಾಗುವುದು. ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳನ್ನು ಲೈಕ್, ಹೊಂದಾಣಿಕೆಯ ಸಹ ದೊಡ್ಡ ದಶಮಾಂಶ ಮೂಲಗಳಿಂದ ಲಾಭ ಒಂದು ವಿನ್ಯಾಸ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಬೃಹತ್ ಗಾತ್ರ ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಂಖ್ಯೆ ಮತ್ತು ಪ್ರತಿ ಮಾಹಿತಿಯನ್ನು ಮಾದರಿ ವಿಷಯದಲ್ಲಿ ಕೇಸ್ ಬಹಳವಾಗಿ ಹೊಂದಾಣಿಕೆಯ ಸುಗಮಗೊಳಿಸುತ್ತದೆ. ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಮುಖ್ಯ ವ್ಯತ್ಯಾಸವೆಂದರೆ ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಸಂಶೋಧಕ ಚಿಕಿತ್ಸೆ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಅದರ ಯಾದೃಚ್ಛಿಕ ಎಂದು ನಂಬಿಕೆ ಇದು ಮೂಲಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತಿಳಿದಿಲ್ಲ.
ನೈಸರ್ಗಿಕ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ: ಪ್ರಯೋಗಗಳನ್ನು ಮಾಡಲು ಆಸೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸಿತು ನ್ಯಾಯೋಚಿತ ಹೋಲಿಕೆಗಳು ಪರಿಕಲ್ಪನೆಯನ್ನು ಎರಡು ಪರ್ಯಾಯ ವಿಧಾನಗಳು ಮಣ್ಣನ್ನು ಹೊಂದಿದೆ. ಈ ಪ್ರಸ್ತಾಪಗಳು ನೀವು ಈಗಾಗಲೇ ಹೊಂದಿರುವ ದತ್ತಾಂಶದ ಒಳಗೆ ಕುಳಿತು ನ್ಯಾಯೋಚಿತ ಹೋಲಿಕೆಗಳು ಪರಿಶೋಧಿಸಿ ನಿಷ್ಕ್ರಿಯವಾಗಿ ಆಚರಿಸಲಾಗುತ್ತದೆ ದಶಮಾಂಶ ಸಾಂದರ್ಭಿಕ ಪರಿಣಾಮಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
