3.3.1 ကိုယ်စားပြုမှု

ကိုယ်စားပြုမှုသင့်ရဲ့ပစ်မှတ်လူဦးရေရန်သင့်ဖြေဆိုသူမှယူဆချက်များအောင်အကြောင်းပါ။

ပိုကြီးတဲ့လူဦးရေမှဖြေဆိုသူထံမှ inferring သည့်အခါဖွစျနိုငျကွောငျးကိုအမှားမျိုးကိုနားလည်ရန်အလို့ငှာ, ရဲ့ 1936 အမေရိကန်သမ္မတရွေးကောက်ပွဲရလဒ်ကိုကြိုတင်ခန့်မှန်းရန်ကြိုးစားခဲ့သောစာပေ Digest မဂ္ဂဇင်းကောက်ရိုးစစ်တမ်းထည့်သွင်းစဉ်းစားကြကုန်အံ့။ ပိုထက် 75 လွန်ခဲ့တဲ့နှစ်ပေါင်းဖြစ်ပျက်ပေမယ့်, ဒီ debacle နေဆဲယနေ့သုတေသီများသင်ပေးဖို့အရေးပါသောသင်ခန်းစာရှိပါတယ်။

စာပေ Digest မဂ္ဂဇင်းတစ်ဦးလူကြိုက်များယေဘုယျ-အကျိုးစီးပွားမဂ္ဂဇင်းကြီးနှင့် 1920 ခုနှစ်တွင် စတင်. သူတို့သမ္မတရွေးကောက်ပွဲရဲ့ရလဒ်တွေကိုခန့်မှန်းဖို့ကောက်ရိုးရွေးကောက်ပွဲအပြေးလာခဲ့သည်။ ဤအဟောကိန်းများစေရန်, သူတို့ကလူအများကြီးဖို့မဲပေးပို့မယ်လို့ပြီးတော့ရိုးရှင်းစွာပြန်ရောက်ခဲ့ကြသောမဲအရေအတွက်တက် tally; စာပေ Digest မဂ္ဂဇင်းဂုဏ်ယူစွာသူတို့လက်ခံရရှိသောမဲမခံခဲ့ဘူးကြောင်းကိုဖော်ပြခဲ့သည် "ချိန်ချိန်ညှိရ, မဘတ်ပါ၏။ " ဒါကလုပ်ထုံးလုပ်နည်းမှန်ကန်စွာ, မဟာစီးပွားပျက်ကပ်၏အလယ်၌, 1920, 1924, 1928 နှင့် 1936 ခုနှစ်တွင် 1932 ခုနှစ်တွင်စာပေရွေးကောက်ပွဲများ၏ဆုရရှိသူဟောကိန်းထုတ် Digest မဂ္ဂဇင်းအဘယ်သူ၏အမည်များကိုတယ်လီဖုန်းလမ်းညွှန်နှင့်မော်တော်ယာဉ်မှတ်ပုံတင်ကြေးမှတ်တမ်းများကနေအများစုတို့သည် လာ. 10 လူဦးရေသန်းမှမဲအရေအတွက်ထွက်စေလွှတ်ခဲ့သည်။ ဤတွင်သူတို့နည်းစနစ်ဖော်ပြထားပုံကိုဖွင့်:

ခက်ခဲအချက်အလက်များမှ guesswork လျှော့ချဖို့သုံးဆယ်နှစ်ပေါင်း '' အတွေ့အကြုံ၏လျင်မြန်တိကျစွာနှင့်အတူ "အစာခြေရဲ့ချောမွေ့-running စက်ရွေ့လျား ... ဒီရက်သတ္တပတ်တစ်ဦးသန်းလိပ်စာများကိုတစ်နေ့၏လေးပုံတပုံထက်ပိုပြီးထွက်ကုတ် 500 ခြံ။ နေ့တိုင်းမော်တာ-ribboned စတုတ္ထရိပ်သာအထက်မြင့်သောအလွန်ကြီးစွာသောခန်းထဲမှာ, New York မှာ, 400 လုပ်သားများ deftly အဆိုပါမိန့်ခွန်းပြောကြားသို့လုပ်ကွက်-လေးဆယ်မြို့ခင်းမှပုံနှိပ်ကိစ္စ-အလုံအလောက်တစ်ဦးသန်းအပိုင်းပိုင်းလျှော [လုပ်နည်းကျွမ်းကျင်သူ] ဖုံးလှမျး။ တိုင်းနာရီ, အစာခြေ'S ကိုယ်ပိုင်စာတိုက်ခွဲရုံအတွက်သုံး chattering စာပို့ခမီတာစက်တွေအဖြူရောင် oblongs တံဆိပ်ခတ်ခြင်းနှင့်တံဆိပ်ထု; ကျွမ်းကျင်စာတိုက်ဝန်ထမ်း mailsacks ပြူးလာပြီးသို့သူတို့ကိုငါပြန်လှန်; ရေတပ် Digest ကုန်တင်ကားမေးလ်-ရထားဖော်ပြသူတို့ကို sped ။ ။ ။ Next ကိုတပတ်ဤတဆယ်သန်းမှပထမဦးဆုံးအဖြေကိုသုံးဆ-check လုပ်ထားဖြစ်မည်ဟု, မှန်ကန်ကြောင်းအတည်ပြု, ငါးကြိမ် Cross-ခွဲခြားနှင့်စုစုပေါင်းမှာ, တခုတ်တရမဲအရေအတွက်များ၏အဝင်ဒီရေစတင်ပါလိမ့်မယ်။ ပြီးခဲ့သည့်ကိန်းဂဏန်း totted နှင့် check လုပ်ထားခဲ့ပြီးတဲ့အခါမှာအတိတ်အတွေ့အကြုံတစ်ခုသတ်မှတ်ထားလျှင်, တိုင်းပြည် 1 ရာခိုင်နှုန်း၏အစိတ်အပိုင်းအတွင်းမှလေးဆယ်သန်း [မဲဆန္ဒရှင်] ၏အမှန်တကယ်လူကြိုက်များမဲသိရကြလိမ့်မည်။ "(သြဂုတ် 22, 1936)

အရွယ်အစားစာပေ Digest မဂ္ဂဇင်းရဲ့ fetishization ဆို "ကြီးမားတဲ့ data တွေကို" သုတေသီယနေ့ချက်ချင်းမှတ်မိသည်။ ဖြန့်ဝေ 10 သန်းမဲအရေအတွက်၏, အံ့သြဖွယ် 2.4 သန်းပြန်လာသော-ကြောင်းခဲ့ကြသည်ခေတ်သစ်နိုင်ငံရေးအရွေးကောက်ပွဲ၌ထက်အကြမ်းဖျင်းအဆ 1000 ပိုမိုကြီးမားပါတယ်။ ဤအ 2.4 သန်းဖြေဆိုသူ မှစ. , စီရင်ချက်ရှင်းရှင်းလင်းလင်းခဲ့: Alf Landon လက်ရှိသမ္မတ Franklin Roosevelt ရုစဗဲ့ကိုအနိုင်ယူသွားခဲ့သည်။ ဒါပေမယ့်တကယ်တော့, Roosevelt ရုစဗဲ့ဟာအပြတ်အသတ်အတွက် Landon လုပ်ကြံ။ ဘယ်လိုစာပေ Digest မဂ္ဂဇင်းဤမျှလောက်ဒေတာမှားသွားပါနိုင်မည်နည်း နမူနာကျွန်တော်တို့ရဲ့ခေတ်သစ်နားလည်မှုစာပေ Digest မဂ္ဂဇင်းရဲ့အမှားတွေရှင်းရှင်းလင်းလင်းကိုကျွန်တော်တို့အနာဂတ်မှာအလားတူအမှားတွေအောင်ရှောင်ရှားကူညီပေးသည်။

နမူနာအကြောင်းကိုရှင်းရှင်းလင်းလင်းစဉ်းစားလူတွေ (ပုံ 3.2) ၏လေးကွဲပြားခြားနားသောအုပ်စုများစဉ်းစားရန်ကျွန်တော်တို့ကိုလိုအပ်ပါတယ်။ ပထမဦးဆုံးအဖွဲ့တစ်ဖွဲ့ပစ်မှတ်လူဦးရေရှိ၏ ဒီသုတေသီအကျိုးစီးပွားများ၏လူဦးရေအဖြစ်သတ်မှတ်ပါတယ်သောအဖွဲ့တစ်ဖွဲ့ဖြစ်ပါတယ်။ စာပေ Digest မဂ္ဂဇင်း၏ဖြစ်ရပ်မှာတော့ပစ်မှတ်လူဦးရေ 1936 သမ္မတရွေးကောက်ပွဲအတွက်မဲဆန္ဒရှင်ဖြစ်ခဲ့သည်။

ပစ်မှတ်လူဦးရေအပေါ်ဆုံးဖြတ်ခြင်းပြီးနောက်တစ်သုတေသီနမူနာအတှကျအသုံးပွုနိုငျသောလူများ၏စာရင်းတစ်ခုဖွံ့ဖြိုးတိုးတက်ဖို့လိုအပ်ပါတယ်။ ဤစာရင်းတွင်တစ်နမူနာ frame ကိုခေါ်တော်မူသည်နှင့်ပေါ်မှာလူအ frame ကိုလူဦးရေဟုခေါ်ကြသည်။ အကောင်းဆုံးကတော့, ပစ်မှတ်လူဦးရေနှင့် frame ကိုလူဦးရေအတိအကျတူညီပါလိမ့်မယ်, ဒါပေမယ့်အလေ့အကျင့်၌ဤမကြာခဏအမှုမဟုတ်ပါဘူး။ ဥပမာအားဖြင့်, စာပေ Digest မဂ္ဂဇင်း၏ဖြစ်ရပ်အတွက် frame ကိုလူဦးရေအဘယ်သူ၏အမည်များကိုတယ်လီဖုန်းလမ်းညွှန်နှင့်မော်တော်ယာဉ်မှတ်ပုံတင်ကြေးမှတ်တမ်းများကနေအများစုနေထိုင်ပြီးလာ 10 သန်းကလူဖြစ်ခဲ့သည်။ ပစ်မှတ်လူဦးရေနှင့် frame ကိုလူဦးရေအကြားကွာခြားချက်များလွှမ်းခြုံအမှားဟုခေါ်ကြသည်။ လွှမ်းခြုံအမှား, သူ့ဟာသူအသုံးပြုပုံပြဿနာများအာမခံချက်မပေးပါဘူး။ frame ကိုလူဦးရေရှိလူများ frame ကိုလူဦးရေထဲမှာမနေသောပစ်မှတ်လူဦးရေရှိလူများအနေဖြင့်စနစ်တကျကွဲပြားခြားနားလျှင်သို့ရာတွင်ထိုသို့လွှမ်းခြုံဘက်လိုက်မှုဖြစ်ပေါ်စေနိုင်ပါသည်။ ဒါကစာပေ Digest မဂ္ဂဇင်းစစ်တမ်းများတွင်ဖြစ်ပျက်အတိအကျဘာတကယ်တော့ဖြစ်ပါသည်။ သူတို့ရဲ့ frame ကိုလူဦးရေရှိလူ (နှစ်ဦးစလုံးတယ်လီဖုန်းနှင့်မော်တော်ယာဉ်များကို 1936 ခုနှစ်အတွက်အတော်လေးအသစ်နှင့်စျေးကြီးဖြစ်ကြောင်းမှတ်မိ) သူတို့ချမ်းသာသောကြောင့်တစ်စိတ်တစ်ဒေသအတွက် Alf Landon ကိုထောကျပံ့ဖို့ပိုဖွယ်ရှိဖြစ်တော်မှာ။ ဒါကြောင့်စာပေ Digest မဂ္ဂဇင်းစစ်တမ်းထဲမှာလွှမ်းခြုံအမှားလွှမ်းခြုံဘက်လိုက်မှုမှဦးဆောင်ခဲ့သည်။

ကိုယ်စားပြုမှုအမှားအယွင်းများ: 3.2 ပုံ။

frame ကိုလူဦးရေ defining ပြီးနောက်နောက်တစ်ဆင့်နမူနာလူဦးရေကို select တစ်ခုသုတေသီအဘို့ဖြစ်၏ ဤသုတေသနပညာရှင်အင်တာဗျူးကြိုးစားပါလိမ့်မယ်သူကလူဖြစ်ကြ၏။ နမူနာ frame ကိုလူဦးရေထက်ကွဲပြားခြားနားသောလက္ခဏာများရှိပြီးလျှင်, နမူနာနမူနာအမှားမိတ်ဆက်ပေးနိုငျသညျ။ အဆိုပါစာပေ Digest မဂ္ဂဇင်း fiasco ၏အမှု၌, သို့သော်, တကယ်မပါနမူနာ-မဂ္ဂဇင်းသည် frame အတွက်လူတိုင်းကိုဆက်သွယ်ရှိခဲ့သည့်လူဦးရေနှင့် သို့ဖြစ်. အဘယ်သူမျှမနမူနာအမှားရှိ၏။ အတော်များများကသုတေသီများနမူနာအမှား-ဒီအပေါ်အာရုံစူးစိုက်လေ့ပုံမှန်အားအစီရင်ခံအမှား၏အနားသတ်စစ်တမ်းများ-ပေမယ့်စာပေ Digest မဂ္ဂဇင်း fiasco နေဖြင့်ဖမ်းဆီးရမိအမှား၏တစ်ခုတည်းသောမျိုးကျနော်တို့ကျပန်းနှင့်စနစ်တကျနှစ်ဦးစလုံး, အမှားအပေါငျးတို့သသတင်းရင်းမြစ်ထည့်သွင်းစဉ်းစားရန်လိုအပ်ကြောင်းကျွန်တော်တို့ကိုသတိပေးနေပါတယ်။

နောက်ဆုံးအနေနဲ့နမူနာလူဦးရေကိုရွေးချယ်ခြင်းပြီးနောက်တစ်သုတေသီအားလုံး၎င်း၏အဖွဲ့ဝင်များကအင်တာဗျူးရန်ကြိုးစားသည်။ အောင်မြင်စွာတွေ့ဆုံမေးမြန်းထားပါသည်သူများသည်လူတွေဖြေဆိုသူဟုခေါ်ကြသည်။ အကောင်းဆုံးကတော့, နမူနာလူဦးရေနှင့်ဖြေဆိုသူအတိအကျတူညီပါလိမ့်မယ်, ဒါပေမယ့်လက်တွေ့တွင် nonresponse ရှိသေး၏။ ဆိုလိုသည်ကားနမူနာကိုရွေးချယ်ထားသူကလူကိုတခါတရံပါဝင်ဆောင်ရွက်ကြပါဘူး။ တုံ့ပွနျသူကိုလူများကိုတုံ့ပြန်ကြပါဘူးသူတို့ထံမှကွဲပြားခြားနားလျှင် nonresponse ဘက်လိုက်မှုရှိစေနိုင်ပါတယ်။ Nonresponse ဘက်လိုက်မှုကတော့စာပေ Digest မဂ္ဂဇင်းစစ်တမ်းနှင့်အတူဒုတိယအဓိကပြဿနာဖြစ်ခဲ့သည်။ တစ်မဲကိုလက်ခံရရှိသူကလူသာ 24% တုံ့ပြန်နှင့် Landon ထောက်ခံသူတွေကိုတုံ့ပြန်ရန် ပို. ဖြစ်ကြောင်းထွက်လှည့်။

ပဲကိုယ်စားပြုမှု၏အတွေးအခေါ်များမိတ်ဆက်ဥပမာတစ်ခုဖြစ်ခြင်းတဘက်, စာပေ Digest မဂ္ဂဇင်းစစ်တမ်းလူတွေကိုသိမ်းကျုံးနမူနာများ၏အန္တရာယ်များအကြောင်းကိုသုတေသီများပြသတိပေးခြင်းတစ်ခုအဖန်ဖန်-ထပ်ခါတလဲလဲဥပမာ၏အနကျအဓိပ်ပါယျကားဖြစ်ပါတယ်။ ကံမကောင်းစွာပဲကျွန်မလူများစွာကဒီဇာတ်လမ်းကိုကနေဆွဲသောသင်ခန်းစာမှားတစ်ခုဖြစ်တယ်ထင်ပါတယ်။ ဇာတ်လမ်း၏အသုံးအများဆုံးကငျြ့ဝတျသုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာမှတစုံတခုကို (သင်တန်းသားများကိုရွေးချယ်ခြင်းများအတွက်တင်းကျပ်ဖြစ်နိုင်ခြေ-based စည်းမျဉ်းစည်းကမ်းတွေမပါဘဲဆိုလိုသည်မှာနမူနာ) လေ့လာသင်ယူလို့မရဘူးဆိုတာပါပဲ။ ဒါပေမယ့်ငါနောက်ပိုင်းတွင်ဤအခနျးတှငျကိုပြသပါလိမ့်မယ်အဖြစ်, ထိုအတော်လေးညာဘက်မဟုတ်ပါဘူး။ အဲဒီအစား, ငါသညျဤဇာတ်လမ်းနှစ်ခုကိုယ်ကျင့်တရားကိုတကယ်ရှိပါတယ်ထင်; သူတို့က 1936 ပထမဦးစွာရှိကြ၏အဖြစ်ယနေ့အဖြစ်စစ်မှန်တဲ့ဖြစ်ကြောင်းကိုယ်ကျင့်တရား, haphazardly စုဆောင်းအချက်အလက်များ၏ပမာဏကြီးမားတဲ့ကောင်းတစ်ဦးခန့်မှန်းချက်ကိုအာမခံမည်မဟုတ်။ ယေဘုယျအားဖြေဆိုသူတစ်ဦးကြီးများ၏အရေအတွက်ရှိခြင်းခန့်မှန်းချက်များကှဲလှဲချပေးရပါတယ်, ဒါပေမယ့်ဒါဟာသေချာပေါက်ဟာဘက်လိုက်မှုလျှော့မပေးပါဘူး။ အချက်အလက်များ၏စာရေးနှင့်အတူ, သုတေသီများတစ်ခါတစ်ရံမှားအရာတစ်ခုအတိအကျကိုခန့်မှန်းရနိုင်, သူတို့တိကျစွာတိနိုင်ပါတယ် (McFarland and McFarland 2015) ။ အဆိုပါစာပေ Digest မဂ္ဂဇင်း fiasco ကနေဒုတိယအဓိကသင်ခန်းစာသုတေသီများခန့်မှန်းချတဲ့အခါသူတို့ရဲ့နမူနာကောက်ယူခဲ့ပုံများအတွက်အကောင့်ဖို့လိုအပ်သောကွောငျ့ဖွစျသညျ။ အဆိုပါစာပေ Digest မဂ္ဂဇင်းစစ်တမ်းအတွက်နမူနာဖြစ်စဉ်ကိုစနစ်တကျအချို့ဖြေဆိုသူဆီသို့ skewed ကြောင့်တစ်နည်း, သုတေသီများပိုပြီးအခြားသူများထက်အချို့သောဖြေဆိုသူမာန်တင်းတဲ့ပိုမိုရှုပ်ထွေးခန့်မှန်းချက်ဖြစ်စဉ်ကိုသုံးစွဲဖို့လိုအပ်ခဲ့ပါတယ်။ နောက်ပိုင်းတွင်ဤအခနျးတှငျ, သင်တို့ကိုငါလူတွေကိုသိမ်းကျုံးနမူနာကနေပိုကောင်းတဲ့ခန့်မှန်းချက်စေရန်သင့်အားဖွင့်နိုင်ပါသည်ထိုကဲ့သို့သောတွက်ဆလုပ်ထုံးလုပ်နည်း-Post-stratification-တကိုပြသပါလိမ့်မယ်။