3.3.1 लोकप्रतिनिधी

लोकप्रतिनिधी आपले लक्ष्य लोकसंख्या आपल्या सर्वेक्षणात पासून निश्चितच बनवण्यासाठी बद्दल आहे.

मोठ्या लोकसंख्या करण्यासाठी सर्वेक्षणात पासून inferring तेव्हा घडतात की चुका प्रकारची समजून घेण्यासाठी मध्ये, 1936 मध्ये अमेरिकन राष्ट्रपती पदाच्या निवडणुकीत परिणाम अंदाज प्रयत्न केला साहित्य डायजेस्ट पेंढा मतदान विचार करू या. तो 75 वर्षांपूर्वी होते तरी, या बोजवारा तरीही आज संशोधक शिकवण्यासाठी एक महत्त्वाचा धडा आहे.

साहित्य डायजेस्ट एक लोकप्रिय सामान्य व्याज मासिक होते, आणि 1920 मध्ये सुरू ते राष्ट्रपती पदाच्या निवडणुकांसाठी परिणामांबाबत अंदाज पेंढा निवडणूक कार्यरत सुरुवात केली. या अंदाज करण्यासाठी ते लोक बरेच मतपत्रिका पाठवू होईल, आणि नंतर फक्त परत आले की मतपत्रिका ताळा अप; साहित्य डायजेस्ट अभिमानाने ते प्राप्त मतपत्रिका नाही "., वेटेड सुस्थीत, किंवा अर्थ" ही पद्धत योग्य विजेता अंदाज होते की अहवाल मध्ये 1920, इ.स. 1924, 1928 आणि 1932 मध्ये 1936 च्या निवडणुकीत, महामंदी मध्यभागी साहित्य डायजेस्ट बाहेर मतपत्रिका 10 दशलक्ष लोक ज्यांची नावे predominately टेलिफोन डिरेक्टरीज आणि वाहन नोंदणी रेकॉर्ड आले पाठविले. येथे त्यांना त्यांच्या पद्धती वर्णन कसे आहे:

"तीस वर्षांचा अनुभव स्विफ्ट सुस्पष्टता डायजेस्ट च्या गुळगुळीत-कार्यरत मशीन यानुरूप कठीण तथ्य तर्क कमी करणे. . . .या आठवड्यात 500 भिंतींच्या बाजूने लावता येतो एक दिवस एक दशलक्ष पत्ते एक चतुर्थांश पेक्षा अधिक ॅ. प्रत्येक दिवस, न्यू यॉर्क मध्ये मोटर ribboned चौथ्या अव्हेन्यू उंच एक उत्तम खोली, 400 कामगार deftly छापील बाब पुरेशी चाळीस शहर अवरोध-मध्ये लक्ष envelops म्हणून [त्यामुळे] फरसबंदी करणे एक दशलक्ष तुकडे उभ्या. प्रत्येक तास, डायजेस्ट स्वत: च्या पोस्ट ऑफिस उपकेंद्रासाठी, तीन बडबड टपालाचे मीटरने मोजले जात आहे मशीन सीलबंद आणि पांढरा oblongs स्टँप; कुशल पोस्टल कर्मचारी mailsacks फुगवटा मध्ये त्यांना फ्लिप; चपळ डायजेस्ट ट्रक त्यांना मेल गाड्या व्यक्त करण्यासाठी युध्द जिंकले. . . पुढील आठवड्यात, या दहा लाख प्रथम उत्तरे चिन्हांकित मतदान येणा समुद्राची भरतीओहोटी सुरू होईल, तिहेरी-तपासले, सत्यापित, पाच वेळा क्रॉस-वर्गीकृत आणि नोंदली गेली असेल. गेल्या आकृती totted आणि तपासले गेले आहे, तेव्हा गेल्या अनुभव एक निकष आहे तर देशातील 1 टक्के चाळीस दशलक्ष [मतदार] प्रत्यक्ष लोकप्रिय मत एक अपूर्णांक आत हे समजेल. "(22 ऑगस्ट, 1936),

आकार डायजेस्ट च्या fetishization आज ", मोठे डेटा" संशोधक त्वरित ओळखल्या आहे. 10 दशलक्ष मतदान वाटप एक आश्चर्यकारक 2.4 दशलक्ष मतपत्रिका परत-अंदाजे 1,000 आधुनिक राजकीय निवडणुकीत पेक्षा जास्त वेळा मोठ्या आहे होते. या 2.4 दशलक्ष सर्वेक्षणात पासून निर्णय स्पष्ट होता: साहित्य डायजेस्ट चॅलेंजर Alf Landon पदाधिकारी जेम्स फ्रँकलीनचा चेंडू रूझवेल्ट पराभव जात आहे की अंदाज. पण, खरं तर, नेमका उलट घडले. रूझवेल्ट एक दगड मध्ये Landon पराभव केला. साहित्य डायजेस्ट कसे इतका डेटा चुकीच्या शकते? नमूना आपली आधुनिक समज साहित्य डायजेस्ट च्या चुका स्पष्ट करते आणि आम्हाला भविष्यात समान नाहक चुका टाळण्यासाठी मदत करते.

नमूना बद्दल स्पष्टपणे विचार लोक चार भिन्न गट (आकृती 3.1) विचार आम्हाला आवश्यक आहे. लोक पहिल्या गट लक्ष्य लोकसंख्या आहे; या संशोधन व्याज लोकसंख्या ठरवतो गट आहे. साहित्य डायजेस्ट बाबतीत लक्ष्य लोकसंख्या 1936 राष्ट्रपती पदाच्या निवडणुकीत मतदार होते. एक लक्ष्य लोकसंख्या निर्णय नंतर, एक संशोधक पुढील नमूना वापरला जाऊ शकतो की लोकांची यादी विकसित करणे आवश्यक आहे. ही यादी एक नमूना फ्रेम म्हटले जाते आणि नमूना फ्रेम वर लोकसंख्या फ्रेम लोकसंख्या म्हणतात. साहित्य डायजेस्ट बाबतीत फ्रेम लोकसंख्या ज्यांची नावे दूरध्वनी संचयीका व वाहन नोंदणी नोंद predominately आले 10 दशलक्ष लोक होते. आदर्श लक्ष्य लोकसंख्या आणि फ्रेम लोकसंख्या असेल त्याच होईल, पण सराव या केस अनेकदा आहे. लक्ष्य लोकसंख्या आणि फ्रेम लोकसंख्या फरक कव्हरेज त्रुटी म्हटले जाते. कव्हरेज त्रुटी, स्वत: हून समस्या हमी देत ​​नाही. पण, फ्रेम लोकसंख्या लोक लोक पद्धतशीरपणे भिन्न आहेत तर नाही फ्रेम लोकसंख्या तेथे कव्हरेज कल असेल. कव्हरेज त्रुटी साहित्य डायजेस्ट मतदान प्रमुख राजकीय वाद पहिला होता. ते मतदार-होता जाणून होते त्यांच्या लक्ष्य लोकसंख्या-पण श्रीमंत प्रती-प्रतिनिधित्व की ते टेलिफोन डिरेक्टरीज आणि वाहन नोंदणी, स्रोत पासून predominately एक नमूना फ्रेम बांधण्यात या तंत्रज्ञानाचा दोन्ही समर्थन करण्यासाठी Alf Landon (आठवणे अधिक शक्यता होते अमेरिकन, जे सामान्य आज, वेळी आणि अमेरिकन महामंदी मध्यभागी होती) तुलनेने नवीन होते.

लोकप्रतिनिधी त्रुटी: 3.1 आकृती.

फ्रेम लोकसंख्या व्याख्या केल्यानंतर, पुढील पाऊल नमुना लोकसंख्या निवडण्यासाठी एक संशोधक आहे; या संशोधक मुलाखत प्रयत्नासाठी लोक आहेत. नमुना फ्रेम लोकसंख्या विविध वैशिष्ट्ये आहेत तर, नंतर आम्ही नमूना त्रुटी परिचय करू शकता. हे सहसा अंदाज accompanies की त्रुटीमुळे मार्जिन मध्ये बळावर त्रुटी प्रकारातील आहे. साहित्य डायजेस्ट फज्जा बाबतीत, प्रत्यक्षात नाही नमुना होता; ते फ्रेम लोकसंख्या प्रत्येक संपर्क करण्याचा प्रयत्न केला. हे जरी खरे असले नाही नमूना त्रुटी आली आहे, तेथे त्रुटी अजूनही जाहीरपणे होता. या सर्वेक्षण पासून अंदाज विशेषत: अहवाल चुका मार्जिन सहसा misleadingly लहान आहे स्पष्ट; ते खोटे सर्व स्रोत समाविष्ट करू नका.

शेवटी, एक संशोधक नमुना लोकसंख्या प्रत्येक मुलाखत प्रयत्न करतो. यशस्वीरित्या मुलाखत, जे लोक सर्वेक्षणात म्हटले जाते. तद्वतच, नमुना लोकसंख्या प्रतिवादी असेल त्याच होईल, पण सराव मध्ये नॉन-प्रतिसाद आहे. नमुना निवड लोक सहभागी करण्यास नकार आहे. प्रतिसाद लोक प्रतिसाद दिला नाही, जे वेगळे असतील, तर बिगर प्रतिसाद कल असू शकते. नॉन-प्रतिसाद बायस साहित्य डायजेस्ट मतदान दुसरा मुख्य समस्या होती. फक्त 24% एक मतपत्रिका प्राप्त लोक प्रतिसाद दिला, आणि तो Landon समर्थीत लोक प्रतिसाद होण्याची अधिक शक्यता होते की बाहेर वळले.

फक्त प्रतिनिधित्व कल्पना परिचय एक उदाहरण आहे पलीकडे, साहित्य डायजेस्ट मतदान आकस्मिकपणे नमूना धोके विषयी संशोधक cautioning, एक पुष्कळदा पुनरावृत्ती बोधकथा आहे. दुदैवाने, मी अनेक लोकांना ही गोष्ट पासून काढतो की धडा चुकीचे आहे असे मला वाटते. कथा सर्वात सामान्य नैतिक संशोधक (सहभागी निवडून कठोर शक्यता आधारित नियम न म्हणजेच नमुने) बिगर-संभाव्यता नमुने काहीही जाणून करू शकत नाही आहे. पण, मी नंतर या धड्यातील दर्शवू तसेच, की अगदी योग्य आहे. त्याऐवजी, मी ही गोष्ट दोन नैतिकता खरोखर आहेत वाटते; ते 1936 प्रथम होते म्हणून खरे आज आहेत की नैतिकता, haphazardly गोळा डेटा मोठ्या प्रमाणात एक चांगला अंदाज हमी नाही. दुसरी गोष्ट म्हणजे, संशोधक, ते काढून अंदाज करित असताना त्यांच्या डेटा गोळा झाले कसे खाते करणे आवश्यक आहे. दुसऱ्या शब्दांत, कारण साहित्य डायजेस्ट मतदान डेटा संकलन प्रक्रिया पद्धतशीरपणे काही सर्वेक्षणात दिशेने अगदीच विषम होते, संशोधक इतरांपेक्षा अधिक वजन काही सर्वेक्षणात अधिक जटिल अंदाज प्रक्रियेचा वापर करणे आवश्यक आहे. नंतर या अध्यायात, मी तुम्हाला एक अशा भार योजन प्रक्रिया-पोस्ट-साहित्य बियाणे-विना-संभाव्यता नमुने चांगले अंदाज करण्यासाठी आपण सक्षम करू शकता दर्शवू.