နောက်ထပ်မှတ်ချက်ပြု

ဤအပိုင်းကိုတစ်ဦးဇာတ်ကြောင်းအဖြစ်ဖတ်ခံရဖို့မဟုတ်ဘဲထက်, တစ်ဦးကိုကိုးကားအဖြစ်အသုံးပြုခံရဖို့ဒီဇိုင်းပြုလုပ်ထားသည်။

• နိဒါန်း (ပုဒ်မ 3.1)

ဤအခနျးထဲမှာ themes များအတော်များများလည်းဒီလိုအဖြစ်ပြည်သူ့ထင်မြင်ချက်သုတေသနအမေရိကန်အသင်း (AAPOR) မှာမကြာသေးမီကသမ္မတလိပ်စာ, သံယောင်ခဲ့ကြ Dillman (2002) , Newport (2011) , Santos (2014) နှင့် Link (2015) ။

စစ်တမ်းသုတေသန၏ဖွံ့ဖြိုးတိုးတက်မှုနှင့် ပတ်သက်. ပိုမိုသမိုင်းဆိုင်ရာနောက်ခံအဘို့အတွေ့ Smith (1976) နှင့် Converse (1987) ။ စစ်တမ်းသုတေသနသုံးခေတ်များ၏စိတ်ကူးအပေါ်ပိုမိုတွေ့ Groves (2011) နှင့် Dillman, Smyth, and Christian (2008) (အနည်းငယ်ကွဲပြားခြားနားသုံးခုခေတ်ထချိုးသော) ။

စစ်တမ်းသုတေသနလုပ်ငန်းအတွက်ဒုတိယခေတ်မှပထမဦးဆုံးအနေအကူးအပြောင်းအတွင်း၌တစ်ဦးကအထွတ်အထိပ်ဖြစ်ပါတယ် Groves and Kahn (1979) မျက်နှာမှမျက်နှာနှင့်တယ်လီဖုန်းစစ်တမ်းအကြားတစ်ဦးအသေးစိတျဦးခေါင်းကို-to-ဦးခေါင်းကိုနှိုင်းယှဉ်တတ်သော။ Brick and Tucker (2007) ကျပန်းဂဏန်းခေါ်ဆိုမှုနမူနာနည်းလမ်းများ၏သမိုင်းဆိုင်ရာဖွံ့ဖြိုးမှုကိုပြန်ကြည့်ပါတယ်။

စစ်တမ်းသုတေသနလုပ်ငန်းလူ့အဖွဲ့အစည်းအတွင်းအပြောင်းအလဲများကိုတုံ့ပြန်အတွက်အတိတ်ကာလကိုပြောင်းလဲခဲ့ပုံကိုပိုပြီးအဘို့အတွေ့ Tourangeau (2004) , Mitofsky (1989) နှင့် Couper (2011) ။

• (ပုဒ်မ 3.2) စောင့်ကြည့် vs. တောငျး

တစ်ခါတစ်ရံဖြေဆိုသူမိမိတို့ပြည်တွင်းရေးပြည်နယ်များသတိထားမဟုတ်သောကွောငျ့မေးခွန်းများမေးခြင်းဖြင့်ပြည်တွင်းရေးပြည်နယ်များနှင့် ပတ်သက်. သင်ယူခြင်းပြဿနာဖြစ်နိုင်ပါတယ်။ ဥပမာအားဖြင့်, Nisbett and Wilson (1977) အ evocative ခေါင်းစဉ်နှင့်အတူအံ့သြဖွယ်စက္ကူရှိသည်: "ကျနော်တို့သိနိုငျထက်ပိုပြောပြ။ စိတ်ပိုင်းဆိုင်ရာဖြစ်စဉ်များအပေါ်နှုတ်ဖြင့်အစီရင်ခံစာများ" ဟုအဆိုပါစာရေးဆရာကောက်ချက်ချစက္ကူခုနှစ်တွင်: "ဘာသာရပ်၏တစ်ခါတစ်ရံတွင် (က) မသိများမှာ ထိုလှုံ့ဆော်မှုတုံ့ပြန်မှုထိခိုက်မူကြောင်းကိုမသိတစ်ဦးအရေးကြီးတုံ့ပြန်မှု၏တည်ရှိမှု၏ (ခ) မသိ, တစ်ဦးတုန့်ပြန်လွှမ်းမိုးမှုကြောင့်နှိုးဆွခြင်း, (ဂ) ၏တည်ရှိမှု။ "

သုတေသီများဖော်ပြခဲ့သည်အပြုအမူသို့မဟုတ်သဘောထားတွေမှအပြုအမူလေ့လာ Preferences သင့်ကြောင်းငြင်းခုံသည်အတွေ့ Baumeister, Vohs, and Funder (2007) (စိတ်ပညာ) နှင့် Jerolmack and Khan (2014) နှင့်တုံ့ပြန်မှု (Maynard 2014; Cerulo 2014; Vaisey 2014; Jerolmack and Khan 2014) (လူမှုဗေဒ) ။ တောင်းနှင့်စောင့်ကြည့်အကြားကွာခြားချက်လည်းသုတေသီများကဖော်ပြထားနှင့်ဦးစားပေးထင်ရှားအကြောင်းပြောဆိုဘယ်မှာဘောဂဗေဒထဲမှာပေါ်ထွန်း။ ဥပမာ, သုတေသီသူတို့ရေခဲမုန့်စားခြင်းသို့မဟုတ်အားကစားရုံသွား (ဖော်ပြထားဦးစားပေး) သို့မဟုတ်သုတေသနလူရေခဲမုန့်ကိုစားရပုံကိုမကြာခဏစောငျ့ရှောကျမြားနှငျ့အားကစားရုံ (ထင်ရှားဦးစားပေး) မှသွားနိုင်ကြိုက်တတ်တဲ့ရှိမရှိဖြေဆိုသူကိုမေးနိုင်ဘူး။ ဘောဂဗေဒတွင်ဖော်ပြထားဦးစားပေးရွေးချယ်မှုအချက်အလက်များ၏အချို့သောအမျိုးအစားနက်ရှိုင်းသောသံသယရှိပါတယ် (Hausman 2012) ။

ဤအငြင်းခုံမှုများကနေတစ်ဦးကအဓိကဆောင်ပုဒ်ကဖော်ပြခဲ့သည်အပြုအမူအမြဲကတိကျမှန်ကန်မဟုတ်ဖြစ်ပါတယ်။ ဒါပေမယ့်အလိုအလြောကျမှတျတမျးတငျထားအပြုအမူတိကျမှုမဖြစ်, အတိုးတစ်နမူနာအပေါ်စုဆောင်းမရစေခြင်းငှါမစေခြင်းငှါ, သုတေသီများမှလက်လှမ်းမည်မဟုတ်ပါ။ ထို့ကြောင့်အချို့သောအခြေအနေများတွင်, ငါသည်အစီရင်ခံဖော်ပြထားအပြုအမူအသုံးဝင်သောဖြစ်နိုင်သည်ကိုစဉ်းစားပါ။ ထို့ပြင်ဤအငြင်းခုံမှုများကနေဒုတိယအဓိကဆောင်ပုဒ်စိတ်ခံစားမှုနှင့် ပတ်သက်. အစီရင်ခံစာများ, အသိပညာ, မျှော်လင့်ချက်များနှင့်ထင်မြင်ယူဆချက်များကိုအစဉ်အမြဲမှန်ကန်တိကျသည်မဟုတ်သောကွောငျ့ဖွစျသညျ။ ဒါပေမယ့်အဲဒီပြည်တွင်းရေးပြည်နယ်များနှင့် ပတ်သက်. သတင်းအချက်အလက်အချို့အပြုအမူကိုရှင်းပြသို့မဟုတ်ရှင်းပြခဲ့သည်-ထို့နောက်ခံရဖို့တောင်းအမှုသည်သင့်လျော်သောဖြစ်စေခြင်းငှါအဖြစ်ကိုကူညီသုတေသီများ-ဖြစ်စေခြင်းဖြင့်လိုအပ်ပါ။

• စုစုပေါင်းစစ်တမ်းအမှား (ပုဒ်မ 3.3)

စုစုပေါင်းစစ်တမ်းအမှားအပေါ်စာအုပ်အရှည်ကုသမှုများအတွက်တွေ့ Groves et al. (2009) သို့မဟုတ် Weisberg (2005) ။ စုစုပေါင်းစစ်တမ်းအမှား၏ဖွံ့ဖြိုးတိုးတက်မှု၏သမိုင်းအဘို့အတွေ့ Groves and Lyberg (2010) ။

တစ်ဦးကသုတေသနအစီအစဉ်: ကိုယ်စားပြုမှု၏စည်းကမ်းချက်များ၌, Non-တုန့်ပြန်နှင့် Non-တုန့်ပြန်ဘက်လိုက်မှု၏အရေးကိစ္စများအားအလွန်ကြီးစွာသောနိဒါန်းလူမှုရေးသိပ္ပံစစ်တမ်းများအတွက် Nonresponse ရက်နေ့တွင်အမျိုးသားသုတေသနကောင်စီအစီရင်ခံစာသည် (2013) ။ နောက်ထပ်အသုံးဝင်သောခြုံငုံသုံးသပ်ချက်ပေးသည် (Groves 2006) ။ ဒါ့အပြင်ထိုတရားဝင်စာရင်းအင်းဂျာနယ်, ပြည်သူ့ထင်မြင်ချက်လပတ်နှင့်နိုင်ငံရေးပါတီများ၏အမေရိကန်အကယ်ဒမီနှင့်လူမှုသိပ္ပံ၏ Annals ၏တစ်ခုလုံးကိုအထူးကိစ္စများသည် non-တုန့်ပြန်၏ခေါင်းစဉ်အပေါ်ပုံနှိပ်ထုတ်ဝေခဲ့ကြပြီ။ နောက်ဆုံးအနေနဲ့တုံ့ပြန်မှုနှုန်းကိုတွက်ချက်၏အမှန်တကယ်အများအပြားကွဲပြားခြားနားတဲ့နည်းလမ်းတွေရှိပါတယ်, ဤအချည်းကပ်ပြည်သူ့ထင်မြင်ချက်သုတေသီများ၏အမေရိကန်အသင်း (AAPOR) ကတစ်ဦးအစီရင်ခံစာထဲမှာအသေးစိတ်ဖော်ပြထားကြသည် (Public Opinion Researchers} 2015) ။

အဆိုပါ 1936 စာပေ Digest မဂ္ဂဇင်းစစ်တမ်းအသေးစိတ်လေ့လာခဲ့ (Bryson 1976; Squire 1988; Cahalan 1989; Lusinchi 2012) ။ ဒါဟာအစစနစ်တကျမရှိသောအချက်အလက်များစုဆောင်းခြင်းဆန့်ကျင်သတိပေးဖို့ဥပမာအဖြစ်အသုံးပြုခဲ့ (Gayo-Avello 2011) ။ 1936 ခုနှစ်တွင်ဂျော့ခ်ျဒီကိစ္စစစ်တမ်းကောက်နမူနာ၏တစ်ဦးထက်ပိုခေတ်မီပုံစံကိုအသုံးပြုပြီးအများကြီးသေးငယ်နမူနာပိုမိုတိကျမှန်ကန်ခန့်မှန်းချက်ထုတ်လုပ်နိုင်ခဲ့သည်။ ထိုစာပေ Digest မဂ္ဂဇင်းကျော်ဒီကိစ္စစစ်တမ်းကောက်ရဲ့အောင်မြင်မှုစစ်တမ်းသုတေသန၏ဖွံ့ဖြိုးတိုးတက်မှုမှတ်တိုင်တစ်ခုဖြစ်ခဲ့သည် (Converse 1987, Ch 3; Ohmer 2006, Ch 4; Igo 2008, Ch 3) ။

တိုင်းတာခြင်း၏စည်းကမ်းချက်များ၌, မေးခွန်းဒီဇိုင်းအဘို့ကြီးစွာသောပထမဦးဆုံးသယံဇာတဖြစ်ပါတယ် Bradburn, Sudman, and Wansink (2004) ။ သဘောထားကိုမေးခွန်းတွေအပေါ်အထူးအာရုံစူးစိုက်တစ်ဦးထက်ပိုအဆင့်မြင့်ကုသမှုများအတွက်တွေ့ Schuman and Presser (1996) ။ Pre-testing ကိုမေးခွန်းတွေအပေါ်ပိုမိုရရှိနိုင် Presser and Blair (1994) , Presser et al. (2004) နှင့်အခန်း 8 Groves et al. (2009) ။

စစ်တမ်းစရိတ်နှင့်စစ်တမ်းအမှားအယွင်းများအကြား Trade-off ၏ဂန္, စာအုပ်-အရှည်ကုသမှုသည် Groves (2004) ။

• အဘယ်သူသည် (ပုဒ်မ 3.4) မေးရန်

ဂန္ထဝင်စာအုပ်-အရှည်စံဖြစ်နိုင်ခြေနမူနာ၏ကုသမှုနှင့်ခန့်မှန်းချက်များမှာ Lohr (2009) (ပိုနိဒါန်း) နှင့် Särndal, Swensson, and Wretman (2003) (ကိုပိုမိုအဆင့်မြင့်) ။ Post-stratification နှင့်ဆက်စပ်နည်းလမ်းများတစ်ဂန္ထဝင်စာအုပ်-အရှည်ကုသမှုဖြစ်ပါသည် Särndal and Lundström (2005) ။ အချို့သောဒီဂျစ်တယ်ခေတ် setting တွင်, သုတေသီများအတိတ်တွင်မကြာခဏစစ်မှန်တဲ့မဟုတ်ခဲ့သော Non-ဖြေဆိုသူခန့်အတော်လေးနည်းနည်းကိုငါသိ၏။ သုတေသီများသည် non-ဖြေဆိုသူအကြောင်းသတင်းအချက်အလက်တဲ့အခါ Non-တုန့်ပြန်ညှိနှိုင်းမှု၏ကွဲပြားခြားနားသောပုံစံများကိုတတျနိုငျသ (Kalton and Flores-Cervantes 2003; Smith 2011) ။

၏, Xbox လေ့လာမှု Wang et al. (2015) သုတေသီများဆဲလ်အများကြီးဆဲလ်တွေရှိပါတယ်လျှင်ပင်ဆိုလိုသည်ကိုခန့်မှန်းရန်ခွင့်ပြု (တစ်ခါတစ်ရံ "Mister P ကို" ဟုခေါ် MRP) multilevel ဆုတ်ယုတ်နဲ့ post-stratification လို့ခေါ်တဲ့ technique ကိုအသုံးပြုသည်။ ဒီ technique ကိုမှအခန့်မှန်းချက်၏အရည်အသွေးနှင့်ပတ်သက်ပြီးအချို့ဆွေးနွေးငြင်းခုံလည်းမရှိပေမယ့်, ကစူးစမ်းလေ့လာမယ့်အလားအလာဧရိယာတူပုံရသည်။ အဆိုပါ technique ကိုပထမဦးဆုံးအတွက်အသုံးပြုခဲ့သည် Park, Gelman, and Bafumi (2004) နှင့်နောက်ဆက်တွဲအသုံးပြုခြင်းနှင့်ငြင်းခုန်ခဲ့ (Gelman 2007; Lax and Phillips 2009; Pacheco 2011; Buttice and Highton 2013; Toshkov 2015) ။ တစ်ဦးချင်းစီအလေးနှင့်ဆဲလ်အခြေစိုက်အလေးအကြားဆက်သွယ်မှုကိုပိုမိုအဘို့မြင် Gelman (2007) ။

တွက်ဆကို web စစ်တမ်းများမှအခြားချဉ်းကပ်မှုအဘို့အတွေ့ Schonlau et al. (2009) , Valliant and Dever (2011) နှင့် Bethlehem (2010) ။

နမူနာကိုက်ညီခြင်းအားဖြင့်အဆိုပြုခဲ့ပါတယ် Rivers (2007) ။ Bethlehem (2015) နမူနာကိုက်ညီခြင်း၏စွမ်းဆောင်ရည်ကိုအမှန်တကယ်အခြားနမူနာချဉ်းကပ်မှု (ဥပမာ, stratified နမူနာ) နှင့်အခြားညှိနှိုင်းမှုချဉ်းကပ်မှု (ဥပမာ, Post-stratification) ဆင်တူဖြစ်လိမ့်မည်ဟုစောဒကတက်သည်။ အွန်လိုင်းပြားအပေါ်ပိုမိုတွေ့ Callegaro et al. (2014) ။

တခါတရံသုတေသီများဖြစ်နိုင်ခြေနမူနာနှင့် Non-ဖြစ်နိုင်ခြေနမူနာအလားတူအရည်အသွေးခန့်မှန်းချက်လိုက်လျောကြောင်းတွေ့ပြီ (Ansolabehere and Schaffner 2014) , ဒါပေမဲ့တခြားနှိုင်းယှဉ် Non-ဖြစ်နိုင်ခြေနမူနာပိုဆိုးကျင့်သောတွေ့ပြီ (Malhotra and Krosnick 2007; Yeager et al. 2011) ။ ထိုကွဲပြားမှုဘို့တဖြစ်နိုင်သောအကြောင်းပြချက် Non-ဖြစ်နိုင်ခြေနမူနာအချိန်ကျော်တိုးတက်လာကြပြီဖြစ်ပါတယ်။ Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများ၏တစ်ဦးထက်ပိုအဆိုးမြင်ရှုထောဘို့က Non-ဖြစ်နိုင်ခြေနမူနာကောပေါ်မှာ AAPOR Task Force မြင် (Baker et al. 2013) , ငါသည်လည်းအကျဉ်းချုပ်အစီရင်ခံစာအောက်ပါအတိုင်းသောမှတ်ချက်ပြုစာဖတ်ခြင်းအကြံပြုပါသည်။

Non-ဖြစ်နိုင်ခြေနမူနာအတွက်ဘက်လိုက်မှုလျှော့ချရန်တွက်ဆ၏အကျိုးသက်ရောက်မှုအပေါ်တစ်ဦး Meta-ခွဲခြမ်းစိတ်ဖြာဘို့အတွက်ဇယား 2.4 မြင် Tourangeau, Conrad, and Couper (2013) "ကောက်ချက်ချဖို့စာရေးဆရာများဦးဆောင်သောချိန်ညှိအသုံးဝင်သောပေမယ် fallible ပြင်ဆင်ချက်ဖြစ်ဟန်။ ။ ။ "

• (ပုဒ်မ 3.5) မေးမြန်းဖို့ကိုဘယ်လို

Conrad and Schober (2008) အနာဂတ်ကို၏စစ်တမ်းအင်တာဗျူးမျိုးပိုင်ဆိုင်ရရှိဖို့အမည်ရသည့်တည်းဖြတ်အသံအတိုးအကျယ်ကိုထောက်ပံ့ပေးနှင့်ဤအပိုင်းကိုအတွင်း themes များအများအပြားအမှာစကားပြောကြား။ Couper (2011) အလားတူ themes များအမှာစကားနှင့် Schober et al. (2015) သစ်တစ်ခု setting ကို လိုက်. ဖြစ်ကြောင်းဒေတာစုဆောင်းတဲ့နည်းလမ်းတွေအရည်အသွေးမြင့်မားသည့်ဒေတာအတွက်ရလဒ်နိုငျပုံကိုတစ်ဦးကောင်းတဲ့ဥပမာအားကမ်းလှမ်း။

လူမှုရေးသိပ္ပံပညာစစ်တမ်းများအဘို့ကို Facebook app များအသုံးပြုခြင်း၏အခြားစိတ်ဝင်စားစရာဥပမာတွေ့ Bail (2015) ။

သင်တန်းသားများကိုတစ်ခုပျော်စရာနှင့်တန်ဖိုးရှိသောအတှေ့အကွုံစစ်တမ်းများအောင်အပေါ်ပိုပြီးအကွံဉာဏျအဘို့, စက်ချုပ်ဒီဇိုင်း Method ကိုအပေါ်အလုပ်မြင် (Dillman, Smyth, and Christian 2014) ။

Stone et al. (2007) ဂေဟစနစ်ဒင်္အကဲဖြတ်နှင့်ဆက်စပ်နည်းလမ်းများ၏စာအုပ်တစ်အုပ်အရှည်ကုသပေးထားပါတယ်။

• အခြားဒေတာနှင့်ဆက်စပ်စစ်တမ်းများ (ပုဒ်မ 3.6)

Judson (2007) ကဤချဉ်းကပ်မှု၏အချို့သောအားသာချက်များကိုဆွေးနွေးတင်ပြထားသည်များနှင့်အချို့သောဥပမာကမ်းလှမ်း ", သတင်းအချက်အလက်ပေါင်းစည်းမှု" အဖြစ်စစ်တမ်းများနှင့်အုပ်ချုပ်ရေးဒေတာပေါင်းစပ်ပြီးဖြစ်စဉ်ဖော်ပြခဲ့သည်။

သုတေသီများဒစ်ဂျစ်တယ်ခြေရာတွေနှင့်အုပ်ချုပ်ရေးဒေတာကိုသုံးနိုင်သည်ကြောင့်အခြားသောလမ်းသတ်သတ်မှတ်မှတ်ဝိသေသလက္ခဏာများနှင့်အတူလူများအတွက်နမူနာဘောင်ဖြစ်ပါတယ်။ သို့သော်တစ်ဦးနမူနာ frame ကိုအသုံးပြုလိမ့်ဤမှတ်တမ်းများကိုလည်းသီးသန့်တည်ရှိမှုနှင့်ဆက်စပ်သောမေးခွန်းများကိုဖန်တီးနိုင်ပါတယ် access (Beskow, Sandler, and Weinberger 2006) ။

amplified ဈေးများကိုစပ်လျဉ်းဒီချဉ်းကပ်မှုကငါကဖော်ပြခဲ့ပါတယ်ဘယ်လိုမှပေါ်လာလိမ့်မယ်အဖြစ်အသစ်ကမဟုတ်ပါဘူး။ ဒီချဉ်းကပ်မှုစာရင်းဇယား-မော်ဒယ်-based Post-stratification အတွက်သုံးကြီးမားသောဒေသများသို့နက်ရှိုင်းသောဆက်သွယ်မှုများကိုရှိပါတယ် (Little 1993) , ရှိသည်ဟုမှတ်စရာ (Rubin 2004) နဲ့သေးငယ်တဲ့ဧရိယာခန့်မှန်းချက် (Rao and Molina 2015) ။ ဒါဟာအစဆေးဘက်ဆိုင်ရာသုတေသနတွင်အငှား variable များကိုအသုံးပြုခြင်းမှဆက်စပ်သည် (Pepe 1992) ။

ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကိုရယူ ပတ်သက်. ကျင့်ဝတ်ဆိုင်ရာကိစ္စရပ်များကိုအပြင်, amplified မေးဖို့လညျးလူစစ်တမ်းမှာထုတ်ဖေါ်ဖို့ရှေးခယျြမပြုစေခြင်းငှါအထိခိုက်မခံစရိုက်များအခြဖို့အသုံးပြုနိုင် (Kosinski, Stillwell, and Graepel 2013) ။

အတွက်ကုန်ကျစရိတ်နှင့်အချိန်ခန့်မှန်းချက် Blumenstock, Cadamuro, and On (2015) variable ကိုကုန်ကျစရိတ်-တနောက်ထပ်၏ကုန်ကျစရိတ်ပိုမိုရညျညှနျးစစ်တမ်းနှင့်ထိုကဲ့သို့သောခေါ်ဆိုမှုဒေတာသန့်ရှင်းရေးနှင့်စီမံဆောင်ရွက်ဖို့ကုန်ကျစရိတ်အဖြစ် fixed ကုန်ကျစရိတ်မပါဝင်ပါဘူး။ ယေဘုယျအားဖြင့် amplified ဈေးများကိုဖြစ်နိုင်မြင့်မား fixed ကုန်ကျစရိတ်နှင့်ဒစ်ဂျစ်တယ်စမ်းသပ်ချက်ဆင်တူနိမ့် variable ကိုကုန်ကျစရိတ် (အခန်း 4 ကိုကြည့်ပါ) ရှိပါလိမ့်မယ်။ အတွက်အသုံးပြုတဲ့ဒေတာအပေါ်မှာပိုပြီးအသေးစိတျ Blumenstock, Cadamuro, and On (2015) စက္ကူ၌ရှိကြ၏ Blumenstock and Eagle (2010) နှင့် Blumenstock and Eagle (2012) ။ မျိုးစုံ imputuation မှချဉ်းကပ်မှု (Rubin 2004) amplified ဈေးများကိုမှခန့်မှန်းတွက်ချက်မှုအတွက်မသေချာမရေရာဖမ်းယူကိုကူညီလိမ့်မယ်။ သုတေသီများသာစုစုပေါင်းအရေအတွက်ထက်တစ်ဦးချင်းစီ-Level စရိုက်များဂရုစိုက်တောင်း amplified လုပ်နေလျှင်, အတွက်ချဉ်းကပ်မှု King and Lu (2008) နှင့် Hopkins and King (2010) အသုံးဝင်သောဖြစ်နိုင်သည်။ အတွင်းစက်သင်ယူမှုချဉ်းကပ်မှုအကြောင်းကိုပိုမိုများအတွက် Blumenstock, Cadamuro, and On (2015) တွေ့ James et al. (2013) (ပိုနိဒါန်း) သို့မဟုတ် Hastie, Tibshirani, and Friedman (2009) (ကိုပိုမိုအဆင့်မြင့်) ။ နောက်ထပ်လူကြိုက်များစက်သင်ယူမှုကျောင်းစာအုပ်ဖြစ်ပါတယ် Murphy (2012) ။

ကြွယ်ဝပြည့်စုံဈေးများကိုစပ်လျဉ်း Ansolabehere နှင့် Hersh အတွက်ရလဒ်တွေကို (2012) နှစ်ဦး key ကိုခြေလှမ်းများအပေါ် hinge: ဟာတိကျမှန်ကန်တဲ့မာစတာ datafile ထုတ်လုပ်ရန်အများအပြားနေကြတဲ့ဒေတာသတင်းရပ်ကွက်များပေါင်းစပ်ဖို့ Catalist ၏ 1) စွမ်းရည်နှင့် 2) Catalist များ၏စွမ်းရည်ကိုမှစစ်တမ်းကောက်ယူဒေတာလင့်ထားသည်မှ သူ့ရဲ့မာစတာ datafile ။ ထိုကွောငျ့, Ansolabehere နှင့် Hersh ဂရုတစိုက်သည်ဤခြေလှမ်းများ၏အသီးအသီးစစ်ဆေးပါ။

မာစတာ datafile ဖန်တီးရန်, Catalist ပေါင်းစပ်နှင့်အပါအဝင်အများအပြားကွဲပြားခြားနားသောသတင်းရင်းမြစ်များကနေသတင်းအချက်အလက်ဟုဆိုထားသည်: မျိုးစုံကိုမဲပေးမှတ်တမ်းများအသီးအသီးပြည်နယ်မှတစ်ခုအနေနဲ့ပေါ်လာတဲ့, လိပ်စာ Registry ကို၏ပို့စ်ရုံးမှရဲ့အမျိုးသားပြောင်းလဲခြင်းများမှဒေတာများနှင့်အခြားသတ်မှတ်စီးပွားဖြစ်ပံ့ပိုးပေးရာမှဒေတာများ။ ဤအမှုအလုံးစုံသန့်ရှင်းရေးနှင့်ပေါင်းစပ်ဖြစ်ပျက်ပုံကိုအကြောင်းကို gory အသေးစိတ်အချက်အလက်များကိုဤစာစောင်၏အတိုင်းအတာထက်ကျော်လွန်သော်လည်း, ဤလုပ်ငန်းစဉ်မရှိ, ဘယ်လောက်ပဲသတိထား, မူရင်းဒေတာသတင်းရပ်ကွက်များအတွက်အမှားအယွင်းများပြန့်ပွားမည်နှင့်အမှားများကိုမိတ်ဆက်ပေးလိမ့်မည်။ Catalist သူ့ရဲ့ဒေတာအပြောင်းအလဲနဲ့ဆွေးနွေးရန်နှင့်၎င်း၏ကုန်ကြမ်းဒေတာအချို့ကိုပေးဖို့ဆန္ဒရှိခဲ့ပေမယ့်, ကသုတေသီတွေကတစ်ခုလုံးကို Catalist ဒေတာပိုက်လိုင်းပြန်လည်သုံးသပ်ဖို့အတှကျရိုးရှင်းစွာမဖြစ်နိုင်ပေ။ အစား, အသုတေသီများ Catalist ဒေတာဖိုင်အမှားအချို့ကိုအမည်မသိနှင့်ဖြစ်ကောင်း unknowable, ငွေပမာဏခဲ့တဲ့အခွအေနရှိကြ၏။ တစ်ဦးဝေဖန်မဖြေဆိုသူများက misreporting အသုံးပြုပုံထို Catalist မာစတာဒေတာဖိုင်ထဲမှာ CCES နှင့်အမူအကျင့်အပေါ်စစ်တမ်းအစီရင်ခံစာတွေအကြားကြီးမားတဲ့ကွဲပြားခြားနားမှုမာစတာဒေတာဖိုင်ထဲတွင်အမှားများကြောင့်ဖြစ်ရကြောင်းသုံးသပ်ပြောကြားခဲ့ပါတယ်စေခြင်းငှါ, ဤအကြောင်းကြောင့်အလေးအနက်စိုးရိမ်ပူပန်မှုဖြစ်ပါတယ်။

Ansolabehere နှင့် Hersh data ကိုအရည်အသွေးအစိုးရိမ်ပူပန် addressing နှစ်ခုကွဲပြားခြားနားသောချဉ်းကပ်ကိုယူ။ ပထမဦးစွာသည်, Catalist မာစတာဖိုင်ထဲတွင်မဲပေးမှ Self-ဖော်ပြခဲ့သည်မဲပေးနှိုင်းယှဉ်အပြင်သုတေသီများလည်း Self-ဖော်ပြခဲ့သည်ပါတီ, လူမျိုး, မဲဆန္ဒရှင်မှတ်ပုံတင်အဆင့်အတန်း (ဥပမာ, မှတ်ပုံတင်ထားသောသို့မဟုတ်မှတ်ပုံတင်ပြီးမဟုတ်) နှင့်မဲပေးနည်းလမ်း (ဥပမာ, လူတစ်ဦးအတွက်နှင့်နှိုင်းယှဉ်လျှင်, အဲတော့ အ Catalist databases ကိုတှငျတှေ့ရှိသူတို့အားတန်ဖိုးများမဲ, etc) ။ ဤလေးပါးလူဦးရေဆိုင်ရာ variable တွေကိုအဘို့, သုတေသီမဲပေးဘို့ထက် Catalist မာစတာဖိုင်ထဲတွင်စစ်တမ်းအစီရင်ခံစာနှင့်ဒေတာများအကြားသဘောတူညီချက်များစွာမြင့်မားအဆင့်ဆင့်တွေ့ရှိခဲ့ပါတယ်။ ထို့ကြောင့် Catalist မာစတာဒေတာဖိုင်ကဆင်းရဲသားကိုခြုံငုံအရည်အသွေးမဟုတျကွောငျးအကြံပြုခြင်း, မဲပေးခြင်းထက်အခြားစရိုက်များများအတွက်အရည်အသွေးမြင့်မားသတင်းအချက်အလက်ရှိသည်ဖို့ပုံပေါ်ပါတယ်။ ဒုတိယအချက်မှာအစိတ်အပိုင်းအတွက် Catalist, Ansolabehere နှင့် Hersh မှဒေတာများသုံးပြီးတဲ့တွေ့ရှိချက်ခရိုင်မဲပေးမှတ်တမ်းများအရည်အသွေးသုံးမျိုးကွဲပြားခြားနားသောအစီအမံဖွံ့ဖြိုးပြီး, သူတို့ Over-အစီရင်ခံမဲပေး၏ခန့်မှန်းမှုနှုန်းသည်ဤဒေတာအရည်အသွေးမြင့်အစီအမံများဆိုဖို့မရှိမဖြစ်လိုအပ်တဲ့သက်ဆိုင်တဲ့ခဲ့ကြောင်းတွေ့ရှိရ Over-အစီရင်ခံ၏မြင့်နှုန်းထားများမကြုံစဖူးအနိမ့်ဒေတာကိုအရည်အသွေးနှင့်အတူခုကမောင်းနှင်ခံရကြသည်မဟုတ်ကြောင်းအကြံပြုအပ်ပါသည်။

ဒီမာစတာမဲပေးဖိုင်ရဲ့ဖန်ဆင်းခြင်းပေးအလားအလာအမှားအယွင်းများ၏ဒုတိယအရင်းအမြစ်ကစစ်တမ်းမှတ်တမ်းများချိတ်ဆက်နေသည်။ ဒီချိတ်ဆက်မှားယွင်းစွာပြုမိလျှင်ဥပမာ, Over-ခန့်မှန်းချက်ဖော်ပြခဲ့သည်နှင့်အတည်ပြုမဲပေးအပြုအမူအကြားကွာခြားချက်တစ်ခုဆီသို့ဦးတည်နိုင် (Neter, Maynes, and Ramanathan 1965) ။ ခပ်သိမ်းသောပုဂ္ဂိုလ်နှစ်ဦးစလုံးဒေတာသတင်းရပ်ကွက်၌ပါသောတည်ငြိမ်တဲ့, ထူးခြားတဲ့အမှတ်အသားခဲ့လျှင်, ချိတ်ဆက်သေးအဖွဲပါလိမ့်မည်။ အမေရိကန်နှင့်အများဆုံးအခြားနိုင်ငံများတွင်, သို့သော်, အဘယ်သူမျှမစကွဝဠာအမှတ်အသားလည်းရှိ၏။ ထို့ပြင်ရှိခဲ့လျှင်ပင်ထိုကဲ့သို့သောအမှတ်အသားကလူဖြစ်နိုင်သုတေသီများလေ့လာဖို့ကပေးချီတုံချတုံဖြစ်လိမ့်မယ်! အမည်, ကျား, မ, ကလေးမွေးဖွားနှစ်နှင့်, အိမ်လိပ်စာ: ထို့ကြောင့် Catalist ဤကိစ္စတွင်အတွက်, မစုံလငျဖေါ်ထုတ်သုံးပြီးအသီးအသီးတုံ့ပြန်အကြောင်းသတင်းအချက်အလက်လေးဖဲ့ချိတ်ဆက်လုပ်ဖို့ခဲ့ရသည်။ ဥပမာအားဖြင့်, Catalist အ CCES အတွက် Homie J ကို Simpson လျှင်ဆုံးဖြတ်ခဲ့ရတယ်မိမိတို့သခင်ဒေတာဖိုင်ထဲမှာဟိုးမားဂျေး Simpson ကဲ့သို့တူညီသောလူတစ်ဦးဖြစ်ခဲ့သည်။ အလေ့အကျင့်၌, ကိုက်ညီတဲ့သုတေသီများအတွက်ပိုဆိုးတာကရန်, ခက်ခဲပြီးရှုပ်ထွေးမှုလုပ်ငန်းစဉ်သည်,, Catalist ၎င်း၏ကိုက်ညီတဲ့ technique ကိုစီးပွားဖြစ်ဖြစ်ဆင်ခြင်၏။

အကိုက်ညီခြင်း algorithms မှန်ကန်ကြောင်းသက်သေပြနိုင်ဖို့အတွက်သူတို့နှစ်ဦးစိန်ခေါ်မှုများအပေါ်မှီခိုခဲ့ရသည်။ အ MITRE ကော်ပိုရေးရှင်း: ပထမဦးဆုံး Catalist လွတ်လပ်တဲ့, Third-party အားဖြင့် run သောကိုက်ညီခြင်းပြိုင်ဆိုင်မှုပါဝင်ခဲ့။ MITRE နှစ်ဦးလိုက်ဖက်ခံရဖို့ဆူညံဒေတာဖိုင်များ, နှင့်ကွဲပြားခြားနားသင်း MITRE ဖို့အကောင်းဆုံးကိုက်ညီတဲ့ပြန်သွားဖို့ယှဉ်ပြိုင်အားလုံးသင်တန်းသားများကိုထောက်ပံ့ပေး။ MITRE ကိုယ်တိုင်ကသူတို့အသင်းတွေဂိုးသွင်းနိုင်ခဲ့ကြတယ်မှန်ကန်သောကိုက်ညီတဲ့သိထားလို့ပါပဲ။ ဝင်ရောက်ယှဉ်ပြိုင်သော 40 ကုမ္ပဏီများ, Catalist ဒုတိယဌာန၌လာ၏။ စီးပွားဖြစ်နည်းပညာ၏လွတ်လပ်သော, Third-party အကဲဖြတ်ဒီလိုမျိုးအတော်လေးရှားပါးခြင်းနှင့်ယုံကြည်နိုင်လောက်အောင်တန်ဖိုးရှိတဲ့ဖြစ်၏ ဒါကြောင့်ကျွန်တော်တို့ကို Catalist ရဲ့ကိုက်ညီတဲ့လုပ်ထုံးလုပ်နည်းပြည်နယ်-of-the-အနုပညာမှာမရှိမဖြစ်လိုအပ်တဲ့ဖြစ်ကြောင်းယုံကြည်ကိုးစားပေးသင့်ပါတယ်။ ဒါပေမဲ့လုံလောက်တဲ့ပြည်နယ်-of-the-အနုပညာကောငျးသလဲ ဒီကိုက်ညီတဲ့ယှဉ်ပြိုင်ဖို့အပြင်, Ansolabehere နှင့် Hersh Catalist ဘို့မိမိတို့ကိုယ်ပိုင်ကိုက်ညီတဲ့စိန်ခေါ်မှုဖန်တီးခဲ့သည်။ အစောပိုင်းကစီမံကိန်းကို မှစ. , Ansolabehere နှင့် Hersh ဖလော်ရီဒါကနေမဲဆန္ဒရှင်မှတ်တမ်းများကောက်ယူခဲ့သည်။ သူတို့က Catalist မှ redacted သူတို့၏လယ်အချို့နှင့်အတူဤသူမှတ်တမ်းများအချို့ကိုထောက်ပံ့ပေးပြီးတော့သူတို့ရဲ့အမှန်တကယ်တန်ဖိုးများကိုဤလယ်ကွင်း၏ Catalist ရဲ့အစီရင်ခံစာများနှင့်နှိုင်းယှဉ်။ ကံကောင်းထောက်မစွာ, Catalist ရဲ့အစီရင်ခံစာများ Catalist မိမိတို့သခင်ဒေတာဖိုင်ပေါ်သို့တစ်စိတ်တစ်ပိုင်းမဲဆန္ဒရှင်မှတ်တမ်းများကိုက်ညီနိုင်ကြောင်းညွှန်ပြခြင်း, ခေါင်တန်ဖိုးများနီးစပ်ခဲ့ကြသည်။ ထိုသူနှစ်ဦးစိန်ခေါ်မှုများ, third-party နှင့် Ansolabehere နှင့် Hersh အားဖြင့်တဦးတည်းအားဖြင့်တဦးတည်း, ကျွန်တော်တို့ကိုအကျွန်ုပ်တို့သည်သူတို့အတိအကျကိုအကောငျအထညျဖျောကိုယျ့ကိုယျကိုပြန်လည်သုံးသပ်မနိုင်ပင်သော်လည်းအ Catalist ကိုက်ညီတဲ့ algorithms တွင်ပိုမိုယုံကြည်စိတ်ချမှု, ပေးပါ။

မဲပေးမှန်ကန်ကြောင်းသက်သေပြဖို့အများကြီးယခင်ကြိုးစားမှုရှိခဲ့သည်။ ကစာပေကိုခြုံငုံသုံးသပ်တွေ့ Belli et al. (1999) , Berent, Krosnick, and Lupia (2011) , Ansolabehere and Hersh (2012) နှင့် Hanmer, Banks, and White (2014) ။

ဒါဟာအမှု၌သုတေသီများ Catalist မှအချက်အလက်များ၏အရည်အသွေးအားဖြင့်အားပေးအားမြှောက်ခဲ့ကြပေမဲ့, စီးပွားဖြစ်စျေးသည်များ၏အခြားအကဲဖြတ်လျော့နည်းစိတ်အားထက်သန်ခဲ့ကြကြောင်းသတိပြုပါရန်အရေးကြီးပါသည်။ : သုတေသီများက (Acxiom, Experian နဲ့ InfoUSA ကိုယ်တိုင်ကအတူတကွသုံးပံ့ပိုးပေးရာမှ data တွေကိုပေါင်းစည်းထားတဲ့) Marketing ကိုစနစ်များ Group မှစားသုံးသူ-file ကိုမှလာတဲ့အခါစစ်တမ်းတစ်ခုကနေဒေတာကိုအရည်အသွေးညံ့ဖျင်းတွေ့ပြီ (Pasek et al. 2014) ။ ဒါကတစ်နည်းအတွက်ပျောက်ဆုံးဒေတာကိုစနစ်တကျခဲ့ (ထိုဒေတာဖိုင်သုတေသီများမှန်ကန်သောဖြစ်လိမ့်မည်ဟုမျှော်လင့်ကြောင်းစစ်တမ်းတုံ့ပြန်မှုမတိုက်ဆိုင်ခဲ့ပါ, မေးခွန်းတွေကတစ်ဦးကြီးများအရေအတွက်နဲ့ပျောက်ဆုံးဒေတာကိုပုံစံများအတွက် datafile ပျောက်ဆုံးခဲ့ data ကိုဖော်ပြခဲ့သည်စစ်တမ်းတန်ဖိုးအပြန်အလှန်ပတ်သက်ဆက်နွယ်နေခဲ့ပါတယ်ခဲ့သည် ), ကျပန်းမထားဘူး။

စစ်တမ်းများနှင့်အုပ်ချုပ်ရေးဒေတာများအကြားစံချိန်ချိတ်ဆက်အပေါ်ပိုမိုတွေ့ Sakshaug and Kreuter (2012) နှင့် Schnell (2013) ။ ယေဘုယျအားဖြင့်စံချိန်ချိတ်ဆက်အပေါ်ပိုမိုတွေ့ Dunn (1946) နှင့် Fellegi and Sunter (1969) (သမိုင်းဆိုင်ရာ) နှင့် Larsen and Winkler (2014) (ခေတ်သစ်) ။ ဗမာတွင်ပုံစံတူချဉ်းကပ်မှုကိုလည်းထောက်လှမ်းပွား, ထိုကဲ့သို့သောဒေတာ deduplication, ဥပမာအားဖြင့်ဖော်ထုတ်ခြင်း, နာမည်ကိုက်ညီခြင်းအဖြစ်အမည်များအောက်မှာကွန်ပျူတာသိပ္ပံမှာဖွံ့ဖြိုးပြီးနှင့်စံချိန်ထောက်လှမ်းပွားခဲ့ကြ (Elmagarmid, Ipeirotis, and Verykios 2007) ။ ပုဂ္ဂိုလ်ရေးအရသတင်းအချက်အလက်ဖော်ထုတ်၏ထုတ်လွှင့်မလိုအပ်ပါဘူးသောစံချိန်ချိတ်ဆက်ဖို့ချဉ်းကပ်မှုထိန်းသိမ်းစောင့်ရှောက် privacy ကိုလည်းရှိပါတယ် (Schnell 2013) ။ Facebook ကမှာသုတေသီများက probabilisticsly မဲပေးအပြုအမူ၎င်းတို့၏မှတ်တမ်းများလင့်ထားသည်ရန်လုပ်ထုံးလုပ်နည်းဖွံ့ဖြိုးပြီး (Jones et al. 2013) ; ဒီချိတ်ဆက်ငါအခန်း 4 မှာအကြောင်းကိုသင်ပြောပြလိမ့်မယ်ကြောင်းစမ်းသပ်မှုတစ်ခုအကဲဖြတ်ရန်ပြုခဲ့ (Bond et al. 2012) ။

အစိုးရအုပ်ချုပ်ရေးမှတ်တမ်းများမှအကြီးစားလူမှုရေးစစ်တမ်းဆက်သွယ်ထားသောနောက်ထပ်ဥပမာကျန်းမာရေးနှင့်အငြိမ်းစားစစ်တမ်းနှင့်လူမှုလုံခြုံရေးအုပ်ချုပ်ရေးမှလာ။ ခွင့်ပြုချက်လုပ်ထုံးလုပ်နည်းနှင့် ပတ်သက်. သတင်းအချက်အလက်များအပါအဝင်ကြောင်းလေ့လာမှုအပေါ်ပိုမိုတွေ့ Olson (1996) နှင့် Olson (1999) ။

မာစတာ datafile-The Catalist အချို့သောအမျိုးသားရေးအစိုးရများ၏စာရင်းအင်းရုံးများအတွက်ဘုံန်ထမ်း-ကြောင်းလုပ်ငန်းစဉ်သို့အုပ်ချုပ်ရေးမှတ်တမ်းများအများအပြားသတင်းရပ်ကွက်များပေါင်းစပ်ပြီး၏လုပ်ငန်းစဉ်သည်။ စာရင်းအင်းဆွီဒင်နိုင်ငံကနေနှစ်ဦးသုတေသီများခေါင်းစဉ်အပေါ်တစ်ဦးအသေးစိတျစာအုပ်ရေးထားပြီ (Wallgren and Wallgren 2007) ။ ယူနိုက်တက်စတိတ် (Olmstead ကောင်တီ, မင်နီဆိုတာ; Mayo Clinic ဆေးခန်း၏နေအိမ်) မှာတစ်ခုတည်းခရိုင်၌ဤချဉ်းကပ်မှု၏ပုံသက်သေကိုတွေ့ Sauver et al. (2011) ။ အုပ်ချုပ်ရေးမှတ်တမ်းများတွင်ပေါ်လာနိုင်သည်ကိုအမှားအယွင်းများအပေါ်ပိုမိုတွေ့ Groen (2012) ။