3.4 कोण विचारू

संभाव्यता नमुने आणि गैर-संभाव्यता नमुने सराव मध्ये विविध नाहीत; दोन्ही प्रकरणांमध्ये, हे सर्व वजन बद्दल आहे.

नमूना संशोधन सर्वेक्षण करण्यासाठी मूलभूत आहे. संशोधक जवळजवळ त्यांच्या लक्ष्य लोकसंख्या प्रत्येकाला त्यांचे प्रश्न विचारण्यासाठी नाही. या संदर्भात, सर्वेक्षण, अद्वितीय नाहीत. सर्वात संशोधन, एक मार्ग किंवा दुसर्या मध्ये, नमूना यांचा समावेश आहे. कधी कधी हे नमूना संशोधक यांनी स्पष्टपणे केले जाते; इतर वेळा पूर्णपणे होते. उदाहरणार्थ, तिच्या विद्यापीठ विद्यार्थ्यांसाठी एक प्रयोगशाळा प्रयोग चालते की एक संशोधक देखील एक नमुना घेतला आहे. अशा प्रकारे, नमूना हे संपूर्ण पुस्तकात वर येईल तो एक समस्या आहे. खरं तर, मी डेटा डिजिटल वय सूत्रांनी बद्दल ऐकू की सर्वात सामान्य चिंता एक आहे, "ते प्रतिनिधी आहेत." आम्ही या विभागातील दिसेल म्हणून हा चिंतेचा दोन्ही कमी गंभीर आणि अनेक skeptics लक्षात पेक्षा अधिक सूक्ष्म आहे. खरं तर, मी "representativeness" संपूर्ण संकल्पना संभाव्यता आणि नॉन-संभाव्यता नमुने विचार उपयुक्त नाही की भांडणे होईल. त्याऐवजी, कळ डेटा गोळा करण्यात आला होता आणि अंदाज घेताना की डेटा संकलन कोणत्याही चुका कसे पूर्ववत केले जाऊ शकत कशी विचार आहे.

सध्या, प्रतिनिधीत्व हाती सत्ता असलेला प्रबळ सैद्धांतिक दृष्टिकोन शक्यता नमूना आहे. डेटा उत्तम प्रकारे अंमलात आले आहे की एक शक्यता नमूना पद्धतीने गोळा केली जाते, तेव्हा संशोधक लक्ष्य लोकसंख्या सुमारे निःपक्षपाती अंदाज करण्यासाठी जमा झाले मार्ग आधारित त्यांच्या डेटा वजन करण्यास सक्षम आहेत. तथापि, परिपूर्ण शक्यता नमूना मुळात नाही वास्तविक जगात घडते. दोन मुख्य समस्या 1) लक्ष्य लोकसंख्या आणि फ्रेम लोकसंख्या आणि 2 फरक)-प्रतिसाद न (या साहित्य डायजेस्ट मतदान राजीनामा दिलेला नक्की समस्या आहेत) विशेषत: आहेत. त्यामुळे ऐवजी काय प्रत्यक्षात जगात घडते एक वास्तववादी वातावरण मॉडेल म्हणून संभाव्यता नमूना विचार करण्यापेक्षा, चांगले उपयुक्त, गोषवारा मॉडेल म्हणून संभाव्यता नमूना विचार किती सारखे, मार्ग भौतिकशास्त्रज्ञ एक infinitely लांब खाली पोहोचवत frictionless चेंडू वाटत नाही उतरंड.

संभाव्यता नमूना पर्यायी नॉन-संभाव्यता नमूना आहे. संभाव्यता आणि बिगर संभाव्यता नमूना मुख्य फरक आहे संभाव्यता लोकसंख्या प्रत्येक नमूना सह समावेश परिचित शक्यता आहे. तेथे, खरं तर, आहेत नॉन-संभाव्यता नमूना अनेक वाण, आणि डेटा संकलन या पद्धती डिजिटल युगात वाढत्या सामान्य होत आहेत. पण, नॉन-संभाव्यता नमूना सामाजिक शास्त्रज्ञ आणि सांख्यिकी आपापसांत एक भयंकर प्रतिष्ठा आहे. खरं तर, नॉन-संभाव्यता नमूना अशा साहित्य डायजेस्ट फज्जा (पूर्वीचे चर्चा) आणि ( "ड्यूई Truman पराभव") च्या 1948 अमेरिकन राष्ट्रपती पदाच्या निवडणुकीत बद्दल अयोग्य अंदाज म्हणून सर्वेक्षण संशोधक सर्वात नाट्यमय अपयश काही संबद्ध आहे (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) .

तथापि, वेळ दोन कारणे नॉन संभाव्यता नमूना फेरविचार करण्यास योग्य आहे. प्रथम, संभाव्यता नमुने सराव करू वाढत्या कठीण झाले आहे, संभाव्यता नमुने आणि बिगर संभाव्यता नमुने दरम्यान ओळ धूसर आहे. तेव्हा नाहीत अनेक संशोधक विश्वास विविध बिगर प्रतिसाद उच्च दर (आता रिअल सर्वेक्षण मध्ये आहेत), सर्वेक्षणात साठी समावेश प्रत्यक्ष शक्यता ज्ञात नाहीत, आणि अशा प्रकारे, संभाव्यता नमुने आणि गैर-संभाव्यता नमुने आहेत. पोस्ट-साहित्य बियाणे: खरं तर, आम्ही खाली दिसेल, दोन्ही पध्दती मुळात समान अंदाज पद्धत अवलंबून असतात. दुसरा, संकलन आणि नॉन-संभाव्यता नमुने विश्लेषण अनेक विकास आहेत. या पद्धती मी त्यांना विचार करण्यासाठी अर्थ प्राप्त होतो असे वाटते की गेल्या समस्या उत्पन्न झाल्या पद्धती पुरेसे भिन्न आहेत "विना- संभाव्यता नमूना 2.0." आम्ही असे झाले की, चुका न संभाव्यता पद्धती एक असमंजसपणाचे तिटकारा आहे नये फार पूर्वी.

पुढे, हा युक्तिवाद अधिक ठोस करण्यासाठी, मी मानक शक्यता नमूना आणि भार योजन (विभाग 3.4.1) पुनरावलोकन करू. की कल्पना आपण आपला डेटा गोळा कसे आपण अंदाज करू कसे परिणाम पाहिजे. विशेषतः, प्रत्येकजण समावेश समान संभाव्यता नाही, तर प्रत्येकाला समान वजन नये. दुसऱ्या शब्दांत, आपल्या नमूना लोकशाही नाही, तर तुमचा मोल लोकशाही असू नये. भार योजन पुनरावलोकन केल्यानंतर, मी नॉन-संभाव्यता नमूना दोन पध्दती वर्णन करू: डेटा किती अधिक नियंत्रण ठेवण्यासाठी प्रयत्न आहे haphazardly गोळा डेटा समस्या (विभाग 3.4.2) सामोरे भार योजन लक्ष केंद्रीत व एकजण गोळा (विभाग 3.4.3). मुख्य मजकूर युक्तिवाद शब्द आणि चित्रे खाली स्पष्ट केले जाईल; अधिक गणिती उपचार इच्छित वाचक तांत्रिक परिशिष्ट पाहू नये.