3.3 एकूण सर्वेक्षण त्रुटी फ्रेमवर्क

एकूण सर्वेक्षण त्रुटी = प्रतिनिधित्व त्रुटी + मापन त्रुटी.

नमुने सर्वेक्षणातून प्राप्त झालेले अंदाज अनेकदा अपूर्ण असतात. म्हणजेच नमुना सर्वेक्षण (उदा. एखाद्या शाळेतील विद्यार्थ्यांची अंदाजे सरासरी उंची) आणि लोकसंख्येतील खरे मूल्य (उदा. एखाद्या शाळेतील विद्यार्थ्यांची वास्तविक सरासरी उंची) द्वारे तयार करण्यात आलेल्या अंदाजापेक्षा एक फरक आहे. कधीकधी ही त्रुटी इतके छोटी असतात की ते बिनमहत्त्वाचे असतात, परंतु कधीकधी दुर्दैवाने ते मोठे आणि परिणामी होऊ शकतात. समजावून सांगणे, मापन करणे आणि त्रुटी कमी करणे, संशोधकांनी हळूहळू नमुना सर्वेक्षणांमधे निर्माण होणा-या त्रुटींकरिता एक एकल, अधोरेखणीय संकल्पनात्मक आराखडा तयार केला: एकूण सर्वेक्षण त्रुटी फ्रेमवर्क (Groves and Lyberg 2010) . या फ्रेमवर्कचा विकास 1 9 40 च्या दशकात सुरू झाला, परंतु मला वाटते की हे डिजिटल युगात सर्वेक्षण संशोधनासाठी दोन उपयोगी कल्पना प्रदान करते.

प्रथम, एकूण सर्वेक्षण त्रुटी फ्रेमवर्क स्पष्ट करते की दोन प्रकारच्या त्रुटी आहेत: पूर्वाभिमुखता आणि फरक साधारणपणे, पूर्वाग्रह पद्धतशीर त्रुटी आणि फरक यादृच्छिक त्रुटी आहे. दुसऱ्या शब्दांत सांगायचे तर, समान नमुना सर्वेक्षणांच्या 1,000 नक्कल चालवण्याचा विचार करा आणि मग या 1000 नक्कलच्या अंदाजांकडे वाट पहा. पूर्वाभिमुख प्रतिकृती आणि खरे मूल्य यांच्यातील फरक आहे. हा फरक या अंदाजांमधील परिवर्तनशीलता आहे सर्व दुसरे तितकेच समान आहेत, आम्ही कोणत्याही पूर्वाग्रह आणि लहान फरक नसलेली एक प्रक्रिया इच्छितो. दुर्दैवाने, बर्याच वास्तविक समस्यांसाठी, अशा पूर्वा-नसलेल्या छोट्या-प्रकारचे कार्यपद्धती अस्तित्वात नाहीत, जे संशोधकांना पूर्वाग्रह आणि फरकाने सुरू झालेल्या समस्यांचे संतुलन कसे करायचे याचे निर्णय घेण्याच्या कठीण स्थितीत ठेवते. काही संशोधक सहजतेने निःपक्षपाती पद्धतीने प्राधान्यक्रम देतात, परंतु पूर्वाभिमुखतेवर एकीकडे लक्ष केंद्रित करणे चूक असू शकते. जर ध्येय हे अंदाज तयार करणे असेल तर सत्य जवळ जाणे शक्य आहे (म्हणजे, सर्वात लहान संभाव्य चुकांबरोबर), तर आपण त्या प्रक्रियेस चांगले होऊ शकता ज्यामध्ये एक लहान पूर्वाग्रह आणि एक लहान फरक आहे निःपक्षपातीपणाचा पण मोठा फरक आहे (आकृती 3.1). दुस-या शब्दात सांगायचे तर, एकूण सर्वेक्षण त्रुटी आराखडा दर्शवितो की सर्वेक्षण अभ्यासाच्या प्रक्रियेचे मूल्यमापन करताना, पूर्वाग्रह आणि फरक दोन्हीचा विचार करावा.

आकृती 3.1: बायस आणि फरक आदर्शपणे, संशोधकांना नॉन-बायस, कमी फरक अंदाज प्रक्रिया असावी. प्रत्यक्षात, ते बहुतेकदा निर्णय घेतात जेणेकरून पूर्वाग्रह आणि फरक यांच्यात व्यापार-बंद होईल. काही संशोधक सहजतेने निःपक्षपाती पद्धतीने प्राधान्यक्रम देत असले तरी, काहीवेळा लहान-पक्षीय, लघु-भिन्नता प्रक्रिया विशिष्ट निष्कर्षापेक्षा अधिक अचूक अंदाज लावू शकते जी उच्च भिन्नता आहे.

या सर्वेक्षणातील बहुतेक भाग आयोजित करणार्या एकूण सर्वे त्रुटी फ्रेमवर्कच्या दुसर्या मुख्य अंतर्दृष्टीमुळे असे होते की त्रुटींच्या दोन स्रोत आहेत: आपण कोणाशी ( प्रतिनिधित्व ) आणि आपण त्या संभाषणातून काय शिकता आहात याच्याशी संबंधित समस्या ( माप) ). उदाहरणार्थ, फ्रान्समध्ये राहणा-या प्रौढ लोकांमधील ऑनलाइन गोपनीयतेबद्दल आपल्याला अंदाज घेण्यास स्वारस्य असू शकते. या अंदाजांनुसार अंदाजानुसार दोन वेगवेगळ्या प्रकारचे अनुमान लावले जातात. प्रथम, प्रतिसादकर्त्यांनी दिलेल्या उत्तरांवरून, आपल्याला ऑनलाइन गोपनीयतेबद्दल (त्यांच्या मोजमापाची समस्या आहे) त्यांच्या वर्तणुकीचा अंदाज लावणे आवश्यक आहे. सेकंद, सर्वेक्षणातील अनुमानित वर्तनापासून, आपण संपूर्ण लोकसंख्या (जे प्रतिनिधित्वाची समस्या आहे) मधील वर्तणुकीचा अंदाज लावणे आवश्यक आहे. वाईट सर्वेक्षण प्रश्नांसह योग्य नमूना करणे खराब अंदाज सादर करेल, जसे परिपूर्ण सर्वेक्षण प्रश्नांसह खराब नमूना करणे दुसर्या शब्दात सांगायचे म्हणजे, चांगले अनुमानित माप आणि प्रतिनिधित्त्व करण्यासाठी ध्वनी पध्दती असणे आवश्यक आहे. त्या पार्श्वभूमीवर दिलेल्या, मी भूतकाळात प्रतिनिधित्व करणार्या आणि मोजमापांबद्दल सर्वेक्षण संशोधकांनी कसे विचार केला त्याचे पुनरावलोकन करू. नंतर, मी डिजीटल एज सर्विट रिसर्चचे प्रतिनिधित्व आणि मापन कसे करू शकतो याबद्दल विचार करू.