2.4.3 അപരന്മായുള്ള പരീക്ഷണങ്ങൾ

നമുക്ക് ചെയ്യാൻ കഴിയാത്ത പരീക്ഷണങ്ങൾ ഏകദേശ. പ്രത്യേകിച്ച് ഡിജിറ്റൽ യുഗത്തിൽ പ്രയോജനം രണ്ട് സമീപനങ്ങളെയും പൊരുത്തപ്പെടുന്ന പ്രകൃതി പരീക്ഷണങ്ങളും ചെയ്യുന്നു.

പ്രധാനപ്പെട്ട പല ശാസ്ത്രീയവും നയം ചോദ്യങ്ങൾ കാര്യകാരണങ്ങളെ ആകുന്നു. കൂലി ഒരു ജോലി പരിശീലനം പ്രഭാവം ഇതാണ്: ന്റെ ഉദാഹരണത്തിന്, പരിഗണിക്കുക, ഇനിപ്പറയുന്ന ചോദ്യത്തിന് അനുവദിക്കുക? ഈ ചോദ്യത്തിന് ഉത്തരം ഒരു വഴി തൊഴിലാളികൾ ക്രമരഹിതമായി ഒന്നുകിൽ പരിശീലനം ലഭിക്കും അല്ലെങ്കിൽ പരിശീലനം ലഭിക്കില്ല നിയമിച്ചു എവിടെ ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണം കൂടെ ആയിരിക്കും. പിന്നെ, ഗവേഷകർ അത് ലഭിക്കാത്തതുമായ ആ പരിശീലനം ലഭിച്ച ആളുകളുടെ ശമ്പളം താരതമ്യം ചെയ്ത് ഈ പങ്കാളികൾക്കും പരിശീലനം പ്രാബല്യത്തിൽ കണക്കാക്കാൻ കഴിഞ്ഞില്ല.

ലളിതമായ താരതമ്യത്തിന് കാരണം ഡാറ്റ പോലും ശേഖരിച്ച മുമ്പ് സംഭവിക്കുന്നു ആദർശവും സാധുവാണ്: റാൻഡമൈസേഷനും. റാൻഡമൈസേഷനും ഇല്ലാതെ, പ്രശ്നം വളരെ trickier ആണ്. ഒരു ഗവേഷകൻ സ്വമേധയാ സൈൻ അപ്പ് ആർ ചെയ്തില്ല പരിശീലനവും സൈൻ അപ്പ് ആളുകളുടെ കൂലി താരതമ്യം കഴിഞ്ഞില്ല. താരതമ്യത്തിൽ ഒരുപക്ഷേ പരിശീലനം ലഭിച്ച ആളുകൾക്ക് കൂടുതൽ സമ്പാദിച്ച കാണിക്കാൻ ആഗ്രഹിക്കുന്നു, പക്ഷെ ഇത് വളരെ കാരണം പരിശീലനം എത്ര ഈ ആകുന്നു ജനം പരിശീലനം സൈൻ-അപ്പ് സൈൻ അപ്പ് ചെയ്യാത്ത പരിശീലനം വ്യത്യാസപ്പെട്ടിരിക്കുന്നു കൊണ്ടാണോ? മറ്റു വാക്കുകളിൽ, ആളുകൾ ഈ രണ്ടു ഗ്രൂപ്പുകളുടെ വേതനം താരതമ്യം അതു നല്ലതല്ല?

ന്യായമായ താരതമ്യത്തിനും കുറിച്ച് ഈ ആശങ്ക അത് ഒരു പരീക്ഷണം പ്രവർത്തിക്കുന്ന ഇല്ലാതെ കാര്യകാരണങ്ങളെ എസ്റ്റിമേറ്റുകൾ ഉണ്ടാക്കുവാൻ അസാധ്യമാണ് വിശ്വസിക്കാൻ ചില ഗവേഷകർ നയിക്കുന്നു. ഈ ക്ലെയിം വളരെ അകലെയാണ് പോകുന്നു. അതു പരീക്ഷണങ്ങൾ കാര്യകാരണങ്ങളെ ഇഫക്റ്റുകൾ ശക്തമായ തെളിവുകൾ നൽകാൻ വാസ്തവം തന്നെ, വിലപ്പെട്ട കാര്യകാരണങ്ങളെ എസ്റ്റിമേറ്റുകൾ നൽകാൻ കഴിയുന്ന മറ്റ് തന്ത്രങ്ങൾ ഉണ്ട്. പകരം കാര്യകാരണങ്ങളെ കണക്കുകളെ (സക്രിയമായി ഡാറ്റ നിരീക്ഷിച്ചു കാര്യത്തിൽ) (പരീക്ഷണങ്ങൾ കാര്യത്തിൽ) ഒന്നുകിൽ എളുപ്പമാണ് അസാദ്ധ്യമോ കരുതി, അതു ശക്തമായ നിന്ന് ദുർബലമായത് ഒരു continuum സഹിതം കിടക്കുന്ന കാര്യകാരണങ്ങളെ കണക്കുകളിൽ തന്ത്രങ്ങളും ചിന്തിക്കുന്നത് നല്ലതു (ചിത്രം 2.4). continuum ശക്തവുമായ അവസാനം നിയന്ത്രണത്തിലുള്ള പരീക്ഷണങ്ങളും ക്രമരഹിത ചെയ്യുന്നു. പല ചികിത്സകൾ സർക്കാരുകളിൽ നിന്നോ കമ്പനികളിൽ നിന്നുള്ള സഹകരണം കാര്യത്തിൽ വലിയ അളവിൽ ആവശ്യമായ കാരണം എന്നാൽ, ഈ പലപ്പോഴും സോഷ്യൽ റിസർച്ച് ചെയ്യാൻ പ്രയാസമുള്ള; വളരെ ലളിതമായി നമുക്ക് ചെയ്യാൻ കഴിയാത്ത പല പരീക്ഷണങ്ങളും ഉണ്ട്. ഞാൻ ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങൾ ഇരുവരും ശക്തി ദൌർബല്യങ്ങളും പാഠം 4 എല്ലാ മടങ്ങുകയും ഞാൻ ചില കേസുകളിൽ പരീക്ഷണാത്മക രീതികൾ നിരീക്ഷണ താൽപര്യം ശക്തമായ നൈതിക കാരണങ്ങൾ വാദിക്കാൻ കാണാം.

ചിത്രം 2.4: കണക്കാക്കിയിരിക്കുന്നത് കാര്യകാരണങ്ങളെ ഇഫക്റ്റുകൾ ഗവേഷണ തന്ത്രങ്ങൾ Continuum.

continuum സഹിതം നീക്കുന്നു ഗവേഷകർ കീഴ്വഴക്കമായി ക്രമരഹിതമായ ചെയ്തിട്ടില്ല എവിടെ സാഹചര്യങ്ങളുമുണ്ടു്. അത് ഗവേഷകർ യഥാർത്ഥത്തിൽ ഒരു പരീക്ഷണം ചെയ്യാതെ പരീക്ഷണം പോലുള്ള അറിവ് പഠിക്കാൻ ശ്രമിക്കുന്നു; സ്വാഭാവികമായും ഈ മാറിമറിഞ്ഞത് പോകുന്ന, എന്നാൽ വലിയ ഡാറ്റ ഏറ്റവും ഇത്തരം സാഹചര്യങ്ങളിൽ കാര്യകാരണങ്ങളെ എസ്റ്റിമേറ്റുകൾ എന്നതാണ് ഞങ്ങളുടെ കഴിവ് മെച്ചപ്പെടുത്തുന്ന.

ചിലപ്പോൾ ലോകത്തിലെ റാൻഡമ്നെസ്സ് ഗവേഷകർ ഒരു പരീക്ഷണം പോലെ എന്തെങ്കിലും സൃഷ്ടിക്കാൻ നടക്കുന്നയിടമാണ് ക്രമീകരണങ്ങൾ ഉണ്ട്. ഈ ഡിസൈനുകൾ സ്വാഭാവിക പരീക്ഷണങ്ങൾ വിളിക്കുന്നു അവർ വിഭാഗം 2.4.3.1 വിശദമായി പരിഗണിക്കും. അവർ നടന്നാൽ വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ-അവരുടെ സ്വഭാവം എപ്പോഴും അവയുടെ വലുപ്പം-അത്യന്തം രണ്ട് സവിശേഷതകൾ സ്വാഭാവിക പരീക്ഷണങ്ങളിൽ നിന്ന് പഠിക്കാൻ ഞങ്ങളുടെ കഴിവ് വർദ്ധിപ്പിക്കുകയും.

കൂടുതൽ അകലെ ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങളിൽ നിന്ന് നീക്കുന്നത് ചിലപ്പോൾ; നാം ഒരു സ്വാഭാവിക പരീക്ഷണം ഏകദേശം ഉപയോഗിക്കാൻ കഴിയുന്ന പ്രകൃതിയിൽ പോലും ഒരു ഇവന്റ് ആണ്. ഈ ക്രമീകരണങ്ങളിൽ, ഞങ്ങൾ ശ്രദ്ധാപൂർവ്വം ഒരു പരീക്ഷണം ഏകദേശം ശ്രമത്തിൽ ഇതര പരീക്ഷണാത്മക ഡാറ്റയും താരതമ്യത്തിനും നിർമ്മിക്കാൻ കഴിയും. ഈ ഡിസൈനുകൾ ചേരുന്ന വിളിച്ചു, അവർ വിഭാഗം 2.4.3.2 വിശദമായി പരിഗണിക്കും. സ്വാഭാവിക പരീക്ഷണങ്ങൾ പോലെ ചേരുന്ന ബിഗ് ഡാറ്റ ഉറവിടങ്ങളിൽ നിന്നുള്ള ഗുണം ഒരു ഡിസൈൻ ആണ്. പ്രത്യേകിച്ചും, വൻതോതിൽ വലിപ്പം-രണ്ട് കേസുകളിൽ എണ്ണം കണക്കിലെടുത്ത് വിവര തരം ശതമാനം കേസ് ഏറ്റവും ചേരുന്ന സൗകര്യമൊരുക്കുന്നു. പ്രകൃതി പരീക്ഷണങ്ങൾ, മാച്ചിങ് തമ്മിലുള്ള വ്യത്യാസം സ്വാഭാവിക പരീക്ഷണങ്ങളിൽ ഗവേഷകൻ ചികിത്സ നിയോഗിച്ചിട്ടുള്ള ലഭിക്കുകയും ചെയ്തു പ്രക്രിയ അറിയുന്നു അപകടമരണം ആകുവാൻ വിശ്വസിക്കുന്ന എന്നതാണ്.

പ്രകൃതി പരീക്ഷണങ്ങൾ, മാച്ചിങ്: മോഹങ്ങൾ പരീക്ഷണങ്ങൾ ചെയ്യാൻ പ്രേരിപ്പിച്ചു ന്യായമായ താരതമ്യത്തിനും എന്ന ആശയം രണ്ട് ബദൽ സമീപനങ്ങളെയും അടിവരയിട്ടു. ഈ സമീപനങ്ങൾ നിങ്ങൾ ഇതിനകം ഡാറ്റ അകം സിറ്റിംഗ് ന്യായമായ താരതമ്യത്തിനും കണ്ടെത്തുന്നതിലൂടെ സക്രിയമായി നിരീക്ഷിച്ചു ഡാറ്റ നിന്ന് കാര്യകാരണങ്ങളെ ഇഫക്റ്റുകൾ കണക്കാക്കാൻ നിങ്ങളെ പ്രാപ്തമാക്കും.