2.4.3.2 പൊരുത്തപ്പെടൽ

കേസുകൾ അകലെ ഇവയുടെ ന്യായമായ താരതമ്യത്തിനും സൃഷ്ടിക്കുക മാച്ചിങ്.

ഫെയർ താരതമ്യങ്ങൾ ക്രമരഹിത നിയന്ത്രിത പരീക്ഷണങ്ങൾ അല്ലെങ്കിൽ പ്രകൃതി പരീക്ഷണങ്ങൾ ഒന്നുകിൽ ലഭിക്കുന്നത്. പക്ഷേ, അനുയോജ്യമായ പരീക്ഷണം പ്രകൃതിയും ഒരു സ്വാഭാവിക പരീക്ഷണം നൽകിയിട്ടില്ല പ്രവർത്തിപ്പിക്കാൻ കഴിയില്ല പല സാഹചര്യങ്ങൾ ഉണ്ട്. ഈ ക്രമീകരണങ്ങളിൽ, ന്യായമായ താരതമ്യത്തിന് സൃഷ്ടിക്കാൻ മികച്ച മാർഗം പൊരുത്തപ്പെടുന്ന ആണ്. പൊരുത്തമുള്ള ൽ ഗവേഷകൻ ഒരുത്തൻ ചികിത്സ ലഭിച്ചു ഒന്നല്ല ഉണ്ട് ഒഴികെ സമാനമായ ജനം ജോഡി സൃഷ്ടിക്കാൻ നോൺ-പരീക്ഷണാത്മക ഡാറ്റ വഴി തോന്നുന്നു. പൊരുത്തമുള്ള പ്രക്രിയയിൽ ഗവേഷകർ ഇവയുടെ പുറമേ ശരിക്കും; ആ പ്രകടമായ താരതമ്യം ഉണ്ടെന്ന് സാഹചര്യങ്ങളിൽ നിരസിച്ചുകൊണ്ട് ആണ്. ഇപ്രകാരം, ഈ രീതി കൂടുതൽ കൃത്യമായി ചേരുന്ന-ആൻഡ്-അരിവാൾകൊണ്ടു വിളിച്ചു ആയിരിക്കും, പക്ഷെ ഞാൻ പരമ്പരാഗത ടേം ബസില് കാണാം: പൊരുത്തപ്പെടുന്ന.

വൻതോതിൽ നോൺ-പരീക്ഷണാത്മക ഡാറ്റ ഉറവിടങ്ങളിൽ തന്ത്രങ്ങൾ പൊരുത്തപ്പെടുന്ന ശക്തി ഒരു മനോഹര മാതൃക Liran Einav സഹപ്രവർത്തകരും ഉപഭോക്തൃ പെരുമാറ്റം ഗവേഷണം നിന്നും വരുന്നു (2015) . തുടങ്ങുന്ന ലേലത്തിൽ പ്രാബല്യത്തിൽ പോലുള്ള വില്പന വില അല്ലെങ്കിൽ ഒരു വില്പന പ്രോബബിലിറ്റി ലേലം പാടുന്നവർ, വില: Einav സഹപ്രവർത്തകരും ബെ നടക്കുന്ന ലേലത്തിൽ താൽപ്പര്യമുണ്ടെന്ന് തങ്ങളുടെ വേല വിവരിച്ചശേഷം ൽ ഞാൻ ഒരു പ്രത്യേക വശം ശ്രദ്ധിക്കും.

വില്പനയ്ക്ക് വില വില തുടങ്ങുന്ന ബാധിച്ചുവെന്ന് ചോദ്യത്തിന് ഉത്തരം ഏറ്റവും കർഷകബാലൻ മാർഗം വിവിധ ആരംഭ വില ലേലത്തിൽ അന്തിമ വില കണക്കുകൂട്ടാൻ തന്നെ. നിങ്ങൾ ലളിതമായി തന്നിരിക്കുന്ന ഒരു ആരംഭ വില ബെ ധരിച്ചു ചെയ്തെന്ന ഒരു നൽകിയ ഇനത്തിന്റെ വില്പന വില പ്രവചിക്കാൻ ചെയ്യണമെങ്കിൽ ഈ സമീപനം പിഴ തന്നെ. കാരണം അത് താരതമ്യത്തിനും അടിസ്ഥാനമാക്കി മറിച്ച്, നിങ്ങളുടെ ചോദ്യം എന്താണെന്ന് എങ്കിൽ ഈ സമീപനം വിപണിയിൽ പാടുന്നവർ വില തുടങ്ങുന്ന പ്രാബല്യത്തിൽ പ്രവർത്തിക്കില്ല; താഴത്തെ ആരംഭ വില ലേലം കൂടുതൽ ആരംഭ വില ലേലത്തിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായിരിക്കും (ഉദാ, അവർ ഗുഡ്സ് വ്യത്യസ്ത തരം അല്ലെങ്കിൽ വിൽപ്പനക്കാരുടെ വ്യത്യസ്ത തരം ഉൾപ്പെടുത്തേണ്ട).

നിങ്ങൾ ഇതിനകം ന്യായമായ താരതമ്യത്തിനും making ആശങ്കയുണ്ടെങ്കിൽ, നിങ്ങൾ കർഷകബാലൻ സമീപനം ഒഴിവാക്കി നിങ്ങൾ ഒരു പ്രത്യേക ഇനം-പറയുന്നു ലേലം പരാമീറ്ററുകൾ-പറയുന്നു നിശ്ചിത സെറ്റ്, ഫ്രീ ഷിപ്പിംഗ്, ലേലം ഒരു ഗോൾഫ് കൂടെ ക്ലബ്ബ്-വിൽക്കാൻ എവിടെ ഒരു ഫീൽഡ് പരീക്ഷണം പ്രവർത്തിക്കുന്ന അഭികാമ്യം മുതലായവ-എന്നാൽ രണ്ടാഴ്ചത്തേക്ക് തുറക്കാൻ ക്രമരഹിതമായി സജ്ജീകരിച്ച തുടങ്ങുന്ന വില. തത്ഫലമായുണ്ടാകുന്ന വിപണി പാടുന്നവർ ഉപമിക്കുകവഴി, ഈ ഫീൽഡ് പരീക്ഷണം വില്പനയ്ക്ക് വില വില തുടങ്ങുന്ന പ്രഭാവം വ്യക്തമായ ഒരു അളക്കൽ നൽകുമായിരുന്നു. എന്നാൽ, ഈ മെഷർമെന്റ് ഒരേയൊരു പ്രത്യേക ഉല്പന്നങ്ങളുടെയും ലേലം മാനദണ്ഡങ്ങളുടെ സെറ്റ് ബാധകമാണ് തന്നെ. ഫലങ്ങളുടെ ഉദാഹരണത്തിന് ഉൽപ്പന്നങ്ങൾ വ്യത്യസ്ത തരം, വിവിധ ആകേണ്ടതിന്നു. ശക്തമായ സിദ്ധാന്തം കൂടാതെ, ഈ ഒരൊറ്റ പരീക്ഷണം റൺ കഴിയുന്ന സാധ്യത പരീക്ഷണങ്ങൾ മുഴുവൻ ശ്രേണിയിലുള്ള വെച്ചടി പ്രയാസമാണ്. എന്നുതന്നെയല്ല, ഫീൽഡ് പരീക്ഷണങ്ങൾ അവരിൽ മതി അപ്പ് ഉൽപ്പന്നങ്ങളും ലേലം തരം മുഴുവൻ പാരാമീറ്റർ സ്പേസ് മൂടി പ്രവർത്തിപ്പിക്കുന്നതിന് infeasible ആവും എന്ന് ന്യൂറൽ ചിലവേറിയതാണ്.

പൊരുത്തപ്പെടുന്ന: കർഷകബാലൻ സമീപനം പരീക്ഷണ സമീപനം വിപരീതമായി, Einav സഹപ്രവർത്തകരും ഒരു മൂന്നാം സമീപനം എടുത്തു. അവരുടെ തന്ത്രത്തിന്റെ പ്രധാന ഹാട്രിക് ഇതിനകം ബെ സംഭവിച്ചത് എന്നു ഫീൽഡ് പരീക്ഷണങ്ങൾ സമാനമായ കാര്യങ്ങൾ കണ്ടെത്താനും എന്നതാണ്. ഉദാഹരണത്തിന്, ചിത്രം 2.6 കൃത്യമായി ഒരേ ഗോൾഫ് ക്ലബ്ബ്-ഒരു Taylormade ബേണര് 09 ഡ്രൈവർ-ഒരാളായി കൃത്യമായി ഒരേ seller- "budgetgolfer" വിൽക്കപ്പെട്ടവൻ 31 ലിസ്റ്റിംഗുകളുടെ ചില കാണിക്കുന്നു. എന്നിരുന്നാലും, ഈ പട്ടികപ്പെടുത്തലുകൾ അല്പം വ്യത്യസ്തമായ വിശേഷലക്ഷണങളുണ്ട്. അവരിൽ പതിനൊന്ന്, $ 124,99 ഒരു നിശ്ചിത വില ഡ്രൈവർ ഓഫർ മറ്റ് 20 വ്യത്യസ്ത അവസാനം തീയതികളുള്ള ലേലം കാണപ്പെടുന്നത്. എതിരെ, ലിസ്റ്റിംഗുകൾ, മറ്റൊരു ഷിപ്പിംഗ് ഫീസ് ഞങ്ങൾക്കുണ്ട് ഒന്നുകിൽ $ 7.99 അല്ലെങ്കിൽ $ 9.99. "Budgetgolfer" ഗവേഷകരുടെ പരീക്ഷണങ്ങൾ പ്രവർത്തിക്കുന്നതിനാൽ പോലെ മറ്റു വാക്കുകളിൽ, അത്.

Taylormade ബേണര് 09 ഡ്രൈവർ "budgetgolfer" വഴി വിൽക്കുന്ന എന്ന ലിസ്റ്റിംഗുകൾ കൃത്യമായ ഒരേ ഇനം ചെറുതായി വിവിധ സ്വഭാവസവിശേഷതകൾ ഉപയോഗിച്ച് കൃത്യമായ ഒരേ വിൽപ്പനക്കാരൻ പക്ഷേ ഓരോ പ്രാവശ്യം വിറ്റ ചെയ്യുകയാണ് എവിടെ ലിസ്റ്റിംഗുകളുടെ ഒരു പൊരുത്തപ്പെട്ട സെറ്റ്, ഒരു ഉദാഹരണം ആകുന്നു. ബെ ഭീമൻ രേഖകൾ -ൽ അക്ഷരാർത്ഥത്തിൽ പൊരുത്തപ്പെട്ട സെറ്റുകളിൽ ആയിരക്കണക്കിന് ലിസ്റ്റിംഗുകളുടെ ദശലക്ഷക്കണക്കിന് ഉൾപ്പെട്ട ഉണ്ട്. ഇപ്രകാരം, മറിച്ച് ഒരു തന്നിരിക്കുന്ന വില എല്ലാ ലേലത്തിൽ അന്തിമ വില തട്ടിച്ചു അധികം, Einav സഹപ്രവർത്തകരും പൊരുത്തപ്പെട്ട സെറ്റുകൾ ഉള്ളിൽ താരതമ്യം നടത്താനുതകുന്ന. പൊരുത്തപ്പെട്ട സെറ്റുകളിൽ ആയിരക്കണക്കിന് ഈ നൂറുകണക്കിന് ഉള്ളിൽ താരതമ്യത്തിനും നിന്നുള്ള ഫലങ്ങൾ സംയോജിപ്പിച്ച് വേണ്ടി, Einav സഹപ്രവർത്തകരും റീ-പ്രകടിപ്പിക്കാൻ ഓരോ ഇനം (ഉദാ, അതിന്റെ ശരാശരി വില്പന വില) യുടെ റഫറൻസ് മൂല്യത്തിൽ വില അവസാന വില. ഉദാഹരണത്തിന്, Taylormade ബേണര് 09 ഡ്രൈവർ $ 100 (വിൽപ്പന അടിസ്ഥാനമാക്കി) ഒരു റഫറൻസ് മൂല്യം ഉണ്ടായിരിക്കുകയും ചെയ്താൽ $ 10 ഒരു വില $ 120 0.1 അവസാന വില 1.2 ആയി പ്രകടിപ്പിച്ച നൽകുമെന്നും പ്രകടിപ്പിച്ചു നൽകും.

ചിത്രം 2.6: ഒരു പൊരുത്തപ്പെട്ട സെറ്റ് ഉദാഹരണം. ഈ തലക്കെട്ടിൽ ഒരേ ഗോൾഫ് ക്ലബ്ബ് (ഒരു Taylormade ബേണര് 09 ഡ്രൈവർ) കൃത്യമായ ഒരേ വ്യക്തി ( "budgetgolfer") വിറ്റ ഏൽക്കയും ഇത്തരം വിൽപ്പന ചില വ്യത്യസ്ത അവസ്ഥ (ഉദാ, വിവിധ വില) നടത്തിയിരുന്നത് ആണ്. ചിത്രം നിന്ന് എടുത്ത Einav et al. (2015) .

Einav സഹപ്രവർത്തകരും ലേല പാടുന്നവർ ന് തുടക്കം വില ഫലത്തിൽ താല്പര്യം എന്ന് ഓർക്കുക. ആദ്യം അവർ ഉയർന്ന ആരംഭ വില വില്പന പ്രോബബിലിറ്റി കുറക്കാനോ, ഉയർന്ന ആരംഭ നിരക്കിൽ അവസാന വില്പന വില വർദ്ധിപ്പിച്ചു സംഭവിച്ചുകൊണ്ടിരിക്കുന്ന ഒരു വില്പനയ്ക്ക് സോപാധിക എന്നും കണക്കാക്കപ്പെടുന്നു ലീനിയർ റിഗ്രഷൻ ഉപയോഗിച്ച്. വേറിട്ടു ഈ കണക്കുകളെ-ഏത് എല്ലാ ഉൽപ്പന്നങ്ങളും ശരാശരി വിലയും അവസാന പാടുന്നവർ-ആകുന്നു എല്ലാം തര്ക്കമായിത്തീരുന്നു തുടങ്ങുന്ന തമ്മിലുള്ള ഒരു ലീനിയർ ബന്ധം ഏറ്റെടുക്കാം ചെയ്യുന്നു. എന്നാൽ, Einav സഹപ്രവർത്തകരും കൂടുതൽ തന്ത്രപൂർവം കണ്ടെത്തലുകൾ പലതരം കണക്കാക്കാൻ അവരുടെ ഡാറ്റ വൻതോതിൽ വലുപ്പം ഉപയോഗിക്കുക. ആദ്യം, Einav സഹപ്രവർത്തകരും വിവിധ വില ആൻഡ് ലീനിയർ റിഗ്രഷൻ ഉപയോഗിക്കാതെ ഇനങ്ങൾ വെവ്വേറെ ഈ വഷളാക്കി. അവർ ഒരു വില്പന ആരംഭം വിലയും സംഭാവ്യത തമ്മിലുള്ള ബന്ധം ലീനിയർ താനും വില വിൽപ്പന വിലയും തമ്മിലുള്ള ബന്ധം വ്യക്തമായി എന്ന് നോൺ-ലീനിയർ (ചിത്രം 2.7) കണ്ടെത്തി. പ്രത്യേകിച്ചും, 0.05 നും 0.85 നും നിരക്കുകളുടെ ആരംഭിക്കുന്നതിന്, വില വില്പന വില, ഒരു ലീനിയർ ബന്ധം ഏറ്റെടുത്തു ആ വിശകലനത്തിൽ പോകാത്ത പൂർത്തിയായത് ഒരു കണ്ടെത്തുന്നതിനായി വളരെ കുറവാണ്.

ചിത്രം 2.7: ഒരു വില്പന (അവശേഷിക്കുന്നു പാനൽ) ലേലം ആരംഭ വിലയും പ്രോബബിലിറ്റി വിൽപ്പന വില (വലത് പാനലിൽ) തമ്മിലുള്ള ബന്ധം. വില്പനയ്ക്ക് ആരംഭം വിലയും സംഭാവ്യത തമ്മിലുള്ള ഒരു ലീനിയർ ബന്ധം ഏതാണ്ട് ഉണ്ട്, എന്നാൽ ആരംഭ വിലയും വില്പനയ്ക്ക് വിലയും തമ്മിലുള്ള ഒരു നോൺ-ലീനിയർ ബന്ധം ഉണ്ട്; 0.05 നും 0.85 നും നിരക്കുകളുടെ ആരംഭിക്കുന്നതിന്, വില വില്പനയ്ക്ക് വില വളരെ കുറവാണ്. രണ്ട് കേസുകളിൽ, ബന്ധങ്ങൾ ഇനം മൂല്യം അടിസ്ഥാനപരമായി വിഭിന്നമാണ്. ഈ ഗ്രാഫുകൾ ചിത്രം 4a ആൻഡ് 4B പുനർനിർമ്മാണം Einav et al. (2015) .

രണ്ടാമത്തേത്, മറിച്ച് എല്ലാ ഇനങ്ങളും മേൽ ശരാശരി അധികം, Einav സഹപ്രവർത്തകരും അവരുടെ ഡാറ്റ വലിയ അളവിൽ ഇനങ്ങൾ (ഉദാ, വളർത്തുമൃഗങ്ങളുടെ സപ്ലൈസ്, ഇലക്ട്രോണിക്സ്, കായിക സ്മരണികകളുടേയും) 23 വിവിധ വിഭാഗങ്ങൾ (ചിത്രം 2.8) വില തുടങ്ങുന്ന ആഘാതം കണക്കാക്കാൻ ഉപയോഗിക്കുക. ഈ കണക്കുകളെ ഒരു വില്പന പ്രോബബിലിറ്റി അവസാന വില്പന വില ഒരു വലിയ പ്രാബല്യത്തിൽ ചെറിയ ഒരു ഉണ്ട് കൂടുതൽ വ്യതിരിക്തമായ ഇനങ്ങൾ-പോലുള്ള സ്മരണികകളുടേയും-ആരംഭ വിലയ്ക്ക് കാണിക്കുന്നത്. എന്നുതന്നെയല്ല, കൂടുതൽ commodified ഇനങ്ങൾ-പോലുള്ള ഡിവിഡികൾ, വീഡിയോ-ആരംഭ വില അവസാന വില ഏകദേശം സ്വാധീനവുമുണ്ടാക്കുന്നില്ല. മറ്റു വാക്കുകളിൽ, ഇനങ്ങളിൽ 23 വ്യത്യസ്ത വിഭാഗങ്ങളിൽ നിന്നുള്ള ഫലങ്ങൾ കൂടിച്ചേർന്നുണ്ടായ ശരാശരി ഈ ഇനങ്ങൾ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ പ്രധാന വിവരങ്ങൾ മറയ്ക്കുന്നു.

ചിത്രം 2.8: ഫലങ്ങൾ ഓരോ വിഭാഗത്തിൽ നിന്നും കാണിച്ചുകൊടുത്തു കണക്കുകളെ; എല്ലാ വിഭാഗങ്ങളും വേണ്ടി എസ്റ്റിമേറ്റ് ലെ ഖര ഡോട്ട് ഒരുമിച്ചു നിഗമനത്തിലെത്തിയിരിക്കുന്നത് (Einav et al. 2015, Table 11) . ഈ കണക്കുകളെ കൂടുതൽ വ്യതിരിക്തമായ ഇനങ്ങൾ-അത്തരം സ്മരണികകളുടേയും-ആരംഭ വില ഒരു വില്പന (X അക്ഷത്തിൽ) പ്രോബബിലിറ്റി അവസാന വില്പന വില (Y അക്ഷത്തിൽ) ഒരു വലിയ പ്രാബല്യത്തിൽ ചെറിയ ഒരു ഉണ്ട് പോലെ വേണ്ടി കാണിക്കുന്നത്.

നിങ്ങൾ ബെ ൽ ലേലത്തിൽ പ്രത്യേകിച്ച് താൽപ്പര്യമില്ലാത്ത പോലും, ചിത്രം ആ 2.7 ഉം ചിത്രം 2.8 ഓഫർ ലീനിയർ ബന്ധങ്ങൾ ഉണ്ടെന്നു ഇനങ്ങൾ വ്യത്യസ്ത വിഭാഗങ്ങൾ കൂട്ടിച്ചേർക്കുന്ന ലളിതമായ ലീനിയർ റിഗ്രഷൻ എസ്റ്റിമേറ്റുകൾ അധികം ബെ ഒരു സമൃദ്ധമായ ബുദ്ധി ഗില്ക്രിസ്റ്റ് ഞങ്ങൾക്കുണ്ട്. ഈ കൂടുതൽ സൂക്ഷ്മമായ കണക്കുകളിലെ വൻ ഡാറ്റ പൊരുത്തപ്പെടുന്ന ശക്തി വിശദമാക്കുന്നത്; ഈ കണക്കുകളെ ഫീൽഡ് പരീക്ഷണങ്ങൾ ഒരു പടുകൂറ്റൻ എണ്ണം, ടീമംഗങ്ങൾ ചെലവേറിയ ആകുമായിരുന്നു കൂടാതെ അസാധ്യമാണ് ആകുമായിരുന്നു.

ഗതി, നാം താരതമ്യപ്പെടുത്തുന്ന പരീക്ഷണം ഫലങ്ങളിൽ എന്ന് തന്നെ ഏതെങ്കിലും പ്രത്യേക പൊരുത്തപ്പെടുന്ന പഠനത്തിന്റെ ഫലങ്ങളിൽ കുറവ് ആത്മവിശ്വാസം വേണം. സമാനതയുള്ള പഠനത്തിന് വിലയിരുത്തുമ്പോൾ രണ്ട് പ്രധാനപ്പെട്ട അവിടെയുണ്ട്. ഒന്നാമതായി, മാത്രമേ ഞങ്ങൾ ചേരുന്ന ഉപയോഗിച്ച കാര്യങ്ങളിൽ ന്യായമായ താരതമ്യത്തിനും ഉറപ്പാക്കാൻ കഴിയുന്ന നാമോർക്കണം. വിൽപ്പനക്കാരന്റെ ഐഡി നമ്പർ, ഇനം വിഭാഗം, ഇനം ശീർഷകം, ഉപശീർഷകവും അവരുടെ പ്രധാന ഫലങ്ങളിൽ, Einav സഹപ്രവർത്തകരും കൃത്യമായ നാലു വശങ്ങളായ പൊരുത്തപ്പെടുന്ന ചെയ്തു. ഇനങ്ങൾ ചേരുന്ന ഉപയോഗിക്കുന്ന ചെയ്തിട്ടില്ലെങ്കിൽ വ്യത്യസ്ത പറഞ്ഞാല്, ഒരു ന്യായമല്ലാത്ത താരതമ്യത്തിന് സൃഷ്ടിക്കാൻ കഴിഞ്ഞില്ല. ഉദാഹരണത്തിന്, "budgetgolfer" ശീതകാലം (ഗോൾഫ് ക്ലബ്ബുകൾ ജനപ്രീതി കുറഞ്ഞ വരുമ്പോൾ) ൽ Taylormade ബേണര് 09 ഡ്രൈവറിനുള്ള നിരക്കിൽ ഇറക്കി എങ്കിൽ അതു താഴത്തെ ആരംഭ നിരക്കിൽ അന്തിമ നിരക്കിൽ ഒതുക്കുകയും നയിക്കുന്ന, വാസ്തവത്തിൽ ഈ സീസൺ ഒരു ശില്പമാണ് എപ്പോഴാണെന്നതിനെക്കുറിച്ച് ദൃശ്യമാകും കഴിഞ്ഞില്ല ആവശ്യം സ്വഭാവവ്യതിയാനങ്ങളെക്കുറിച്ചുള്ള. സാധാരണ ഈ പ്രശ്നം മികച്ച സമീപനം ചേരുന്ന വ്യത്യസ്ത തരത്തിലുള്ള നിരവധി ശ്രമിക്കുന്നത് തോന്നുന്നു. പൊരുത്തപ്പെട്ട സെറ്റുകളിൽ ഒരു മാസത്തിനുള്ളിൽ, ഒരു വർഷത്തിനുള്ളിൽ വിൽപ്പനയ്ക്ക് ഇനങ്ങൾ, അക്കാലത്ത് ഉൾപ്പെടുന്നു ഉദാഹരണമായി, Einav സഹപ്രവർത്തകരും അവരുടെ വിശകലനം ആവർത്തിക്കുക. സമയ വിൻഡോ ഇടുങ്ങിയ ഉണ്ടാക്കുന്നു പൊരുത്തപ്പെട്ട സെറ്റുകളിൽ എണ്ണം കുറയുന്നു, പക്ഷേ സീസൺ വ്യത്യാസങ്ങളെ കുറിച്ച് ആശങ്കകൾ കുറയ്ക്കുന്നു. ഭാഗ്യവശാൽ, അവർ ഫലങ്ങളിൽ ചേരുന്ന മാനദണ്ഡങ്ങൾ ഈ മാറ്റങ്ങൾ വഴി മാറ്റമില്ലാതെ ഞങ്ങൾ മനസ്സിലാക്കുന്നു. പൊരുത്തപ്പെടുന്ന സാഹിത്യത്തിൽ, ആശങ്ക ഈ തരം സാധാരണയായി observables ആൻഡ് unobservables കണക്കിലെടുത്ത് പ്രകടിപ്പിച്ച, പക്ഷേ കീ ആശയം ഗവേഷകർക്ക് മാത്രം ചേരുന്ന ഉപയോഗിക്കുന്ന സവിശേഷതകളിൽ ന്യായമായ താരതമ്യത്തിനും സൃഷ്ടിക്കുന്നതെന്ന് ശരിക്കും.

പൊരുത്തപ്പെടുന്ന ഫലങ്ങൾ വിശദീകരിച്ചുകൊണ്ട് രണ്ടാമത്തെ പ്രധാന ആശങ്ക മാത്രം അവർ പൊരുത്തപ്പെട്ട ഡാറ്റ ബാധകമാകും എന്നതാണ്; അവർ പൊരുത്തപ്പെടും കഴിയാത്ത കേസുകൾ ബാധകമല്ല. ഉദാഹരണത്തിന്, നിരവധി ലിസ്റ്റിംഗുകൾ Einav സഹപ്രവർത്തകരും പ്രൊഫഷണൽ അർദ്ധ-പ്രൊഫഷണൽ വിൽപ്പനക്കാരുടെ കേന്ദ്രീകരിക്കുന്നു ഉള്ളതെന്ന് ഇനങ്ങൾ അവരുടെ ഗവേഷണ നിയന്ത്രിക്കുക വഴി. ഇപ്രകാരം, വർണനകൾ വിശദീകരിച്ചുകൊണ്ട് ഞങ്ങൾ എപ്പോൾ അവർ മാത്രമേ ബെ ഈ ഉപഗണത്തിനൊപ്പം ബാധകമാകുന്ന ഓര്ക്കണം.

പൊരുത്തം വലിയ ഡാറ്റാസെറ്റുകളുടെ നിയമാനുസൃത താരതമ്യത്തിനും കണ്ടെത്തുന്നതിനുള്ള ശക്തമായ തന്ത്രം. പല സാമൂഹ്യശാസ്ത്രജ്ഞർക്ക്, പൊരുത്തപ്പെടുന്ന അനുഭവങ്ങൾക്ക് രണ്ടാമത്തെ-മികച്ച പോലെ തോന്നുന്ന, എന്നാൽ ചെറുതായി, പുതുക്കിയ വേണം ഒരു വിശ്വാസം. 1) ഇഫക്റ്റുകൾ ലെ heterogeneity പ്രധാനപ്പെട്ടതാണ് 2) ചേരുന്ന നല്ല observables ഉണ്ട്: വരുമ്പോൾ വൻ ഡാറ്റ പൊരുത്തപ്പെടുന്ന ഫീൽഡ് പരീക്ഷണങ്ങൾ ചെറിയ എണ്ണം നല്ലതു ആകേണ്ടതിന്നു. പട്ടിക 2.4 പൊരുത്തപ്പെടുന്ന വലിയ ഡാറ്റ ഉറവിടങ്ങളിൽ ഇവ ഉപയോഗിക്കാൻ കഴിയും എങ്ങനെ മറ്റ് ചില ഉദാഹരണങ്ങൾ നൽകുന്നു.

ഉപസംഹാരമായി, നോൺ-പരീക്ഷണ ഡാറ്റ നിന്ന് നിർണയിക്കാനും കാര്യകാരണങ്ങളെ ഇഫക്റ്റുകൾ ലേക്ക് ഉദ്ദേസം സമീപനങ്ങളുടെ അപകടകാരികളാണ്. എന്നിരുന്നാലും, ദുർബലമായത് ശക്തമായ നിന്ന് ഒരു continuum സഹിതം കിടക്കുന്ന കാര്യകാരണങ്ങളെ കണക്കുകളിൽ, ഗവേഷകരും നോൺ-പരീക്ഷണ ഡാറ്റ ഉള്ളിൽ ന്യായമായ താരതമ്യത്തിനും കണ്ടെത്താൻ കഴിയും വേണ്ടി തന്ത്രങ്ങൾ. പ്രകൃതി പരീക്ഷണങ്ങൾ, മാച്ചിങ്: എപ്പോഴും വലിയ ഡേറ്റാ സിസ്റ്റംസ് വളർച്ച ഫലപ്രദമായി രണ്ടു നിലവിലുള്ള രീതികൾ ഉപയോഗിക്കാൻ ഞങ്ങളുടെ കഴിവ് വർദ്ധിപ്പിക്കുന്നു.