3.3.1 ကိုယ်စားပြုမှု

ကိုယ်စားပြုမှုသင့်ရဲ့ပစ်မှတ်လူဦးရေရန်သင့်ဖြေဆိုသူမှယူဆချက်များအောင်အကြောင်းပါ။

အပိုကြီးလူဦးရေမှဖြေဆိုသူမှ inferring လာသောအခါဖြစ်ပျက်နိုငျသောအမှားမျိုးကိုနားလည်ရန်အလို့ငှာ, ရဲ့ 1936 အမေရိကန်သမ္မတရွေးကောက်ပွဲရလဒ်ကိုကြိုတင်ခန့်မှန်းဖို့ကြိုးစားခဲ့သောစာပေ Digest မဂ္ဂဇင်းကောက်ရိုးစစ်တမ်းကိုစဉ်းစားကြကုန်အံ့။ ကပိုထက် 75 လွန်ခဲ့သောနှစ်ပေါင်းခဲ့ပေမယ့်, ဒီ debacle နေဆဲယနေ့သုတေသီများသင်ပေးဖို့အရေးပါသောသင်ခန်းစာကရှိပါတယ်။

စာပေ Digest မဂ္ဂဇင်းတစ်ဦးလူကြိုက်များယေဘုယျ-အကျိုးစီးပွားမဂ္ဂဇင်းကြီးနှင့် 1920 ခုနှစ်တွင်စတင်ပြီးသူတို့သမ္မတအိမ်တော်ရွေးကောက်ပွဲများ၏ရလဒ်များခန့်မှန်းဖို့ကောက်ရိုးရွေးကောက်ပွဲပြေးတော့တယ်။ ဤအဟောကိန်းများသူတို့ကလူအများကြီးဖို့မဲပေးပို့မယ်လို့လုပ်, ပြီးတော့ရိုးရိုးပြန်လာသောသောမဲအရေအတွက်ကိုတက် tally စေရန်, စာပေ Digest မဂ္ဂဇင်းစော်ကားသောသူတို့လက်ခံရရှိသောမဲ "။ တွက်ချက်ချိန်ညှိနိုင်, မဘတ်" ခဲ့ကြသည်မဟုတ်ကြောင်းဖော်ပြခဲ့သည်ဒီလုပ်ထုံးလုပ်နည်းမှန်ကန်စွာအနိုင်ရခန့်မှန်း 1936 ခုနှစ်တွင် 1920, 1924, 1928 နှင့် 1932 အတွင်းရွေးကောက်ပွဲ, မဟာစီးပွားပျက်ကပ်၏အလယ်၌, Literary Digest မဂ္ဂဇင်းအဘယ်သူ၏အမည်များအများစုနေထိုင်ပြီးတယ်လီဖုန်းလမ်းညွှန်နှင့်မော်တော်ယာဉ်မှတ်ပုံတင်မှတ်တမ်းများမှလာ 10 သန်းလူတို့အားမဲထွက်ကိုစေလွှတ်။ , ဒီနေရာမှာသူတို့ကသူတို့ရဲ့နည်းစနစ်ဖော်ပြခဲ့ပုံကိုဖွင့်:

"အစာခြေရဲ့ချောမွေ့-running စက်ခက်ခဲအချက်အလက်များမှ guesswork လျှော့ချဖို့သုံးဆယ်နှစ်ပေါင်း '' အတွေ့အကြုံလျင်မြန်တိကျစွာနှင့်အတူလှုံ့ဆော်ပေး။ ။ ။ ဒီရက်သတ္တပတ် 500 ခြံတစ်ဦးသန်းလိပ်စာများကိုတစ်နေ့၏လေးပုံတပုံထက်ပိုပြီးထွက်ခြစ်။ နေ့တိုင်းမော်တာ-ribboned စတုတ္ထရိပ်သာအထက်မြင့်မြင့်မယ့်ကြီးမြတ်တဲ့အခန်းအတွက်, New York မှာ 400 လုပ်သားများ deftly အဖြေရှင်းသို့လုပ်ကွက်-လေးဆယ်မြို့ခင်းမှပုံနှိပ်ကိစ္စ-လုံလောက်တစ်ဦးသန်းအပိုင်းပိုင်းလျှော [ရှိနေပြီ] ဖုံးလှမျး။ နာရီတိုင်း, အစာခြေ'S ကိုယ်ပိုင်စာတိုက်ခွဲရုံ၌, သုံး chattering စာပို့ခမီတာစက်တွေအဖြူ oblongs တံဆိပ်ခတ်ခြင်းနှင့်တံဆိပ်; ကျွမ်းကျင်စာတိုက်ဝန်ထမ်း mailsacks ပြူးလာပြီးသို့သူတို့ကိုငါလှန်တယ်, ရေတပ် Digest ထရပ်ကားမေးလ်-ရထားထုတ်ဖော်ပြောဆိုဖို့သူတို့ကိုနေတုန်းအရှိန်နဲ့လာနေတဲ့။ ။ ။ Next ကိုရက်သတ္တပတ်ကဤတဆယ်သန်းမှပထမဦးဆုံးအဖြေကိုသုံးဆ-check လုပ်ထားဖြစ်, မှန်ကန်ကြောင်းအတည်ပြု, ငါးကြိမ် Cross-ခွဲခြားနှင့်စုစုပေါင်း, တခုတ်တရမဲအရေအတွက်များ၏အဝင်ဒီရေကိုစတင်ပါလိမ့်မယ်။ ပြီးခဲ့သည့်ကိန်းဂဏန်း totted နှင့်အမှန်ခြစ်ထားပြီးတဲ့အခါမှာအတိတ်အတွေ့အကြုံကတစ်သတ်မှတ်ထားပါလျှင်, ထိုနိုင်ငံ၏ 1 ရာခိုင်နှုန်း၏အစိတ်အပိုင်းအတွင်းမှလေးဆယ်သန်း [မဲဆန္ဒရှင်] ၏အမှန်တကယ်လူကြိုက်များမဲသိရကြလိမ့်မည်။ "(သြဂုတ် 22, 1936)

အရွယ်အစား၏ Digest မဂ္ဂဇင်းရဲ့ fetishization ယနေ့ဆို "ကြီးမားတဲ့ data တွေကို" သုတေသီမှချက်ချင်းမှတ်မိသည်။ ဖြန့်ဝေ 10 သန်းမဲအရေအတွက်၏, အံ့သြဖွယ် 2.4 သန်းမဲပြန်လာသော-ကြောင်းခဲ့ကြသည်ခေတ်သစ်နိုင်ငံရေးအရရွေးကောက်ပွဲထက်အကြမ်းဖျင်းအဆ 1000 ပိုမိုကြီးမားပါတယ်။ ဤသူ 2.4 သန်းဖြေဆိုသူအနေစီရင်ချက်ရှင်းပါတယ်: စာပေ Digest မဂ္ဂဇင်းကိုစိန်ခေါ် Alf Landon လက်ရှိသမ္မတ Franklin Roosevelt ရုစဗဲ့ကိုအနိုင်ယူသွားခဲ့ကွောငျးခန့်မှန်းခဲ့ပါတယ်။ ဒါပေမယ့်တကယ်တော့, အတိအကျကိုဆနျ့ကငျြဘဖြစ်ပျက်ခဲ့သည်။ Roosevelt ရုစဗဲ့ဟာအပြတ်အသတ်အတွက် Landon လုပ်ကြံ။ ဘယ်လိုစာပေ Digest မဂ္ဂဇင်းအများကြီးဒေတာမှားသွားနိုင်မည်နည်း နမူနာ၏ကျွန်တော်တို့ရဲ့ခေတ်သစ်နားလည်မှုကိုစာပေ Digest မဂ္ဂဇင်းရဲ့အမှားများကိုရှင်းရှင်းလင်းလင်းကိုကျွန်တော်တို့ကိုအနာဂတ်၌အလားတူအမှားများကိုအောင်ရှောင်ရှားကူညီပေးသည်။

နမူနာ ပတ်သက်. ရှင်းလင်းစွာစဉ်းစားလူ (ပုံ 3.1) ၏လေးမတူညီတဲ့အုပ်စုတွေစဉ်းစားရန်ကျွန်တော်တို့ကိုလိုအပ်ပါတယ်။ လူမျိုး၏ပထမအုပ်စုပစ်မှတ်လူဦးရေသည် ဖြစ်. , ဒီသုတေသနအတိုး၏လူဦးရေအဖြစ်သတ်မှတ်ပါတယ်သောအုပ်စုတစုဖြစ်ပါတယ်။ စာပေ Digest မဂ္ဂဇင်း၏ဖြစ်ရပ်အတွက်ပစ်မှတ်လူဦးရေ 1936 သမ္မတရွေးကောက်ပွဲမဲပေးသူခဲ့သည်။ ပစ်မှတ်လူဦးရေအပေါ်ဆုံးဖြတ်ခြင်းပြီးနောက်တစ်သုတေသီလာမည့်နမူနာအတှကျအသုံးပွုနိုငျသောလူများ၏စာရင်းကိုဖွံ့ဖြိုးတိုးတက်ဖို့လိုအပ်ပါတယ်။ ဒီစာရင်းဟာနမူနာဘောင်ဟုခေါ်သည်နှင့်နမူနာဘောင်ပေါ်မှာလူဦးရေသည် frame ကိုလူဦးရေဟုခေါ်သည်။ စာပေ Digest မဂ္ဂဇင်း၏ဖြစ်ရပ်အတွက် frame ကိုလူဦးရေအဘယ်သူ၏အမည်များကိုတယ်လီဖုန်းလမ်းညွှန်နှင့်မော်တော်ယာဉ်မှတ်ပုံတင်မှတ်တမ်းများမှအများစုနေထိုင်ပြီးလာ 10 သန်းကလူဖြစ်ခဲ့သည်။ အကောင်းဆုံးကတော့ပစ်မှတ်လူဦးရေနှင့် frame ကိုလူဦးရေနဲ့အတူတူပဲဖြစ်လိမ့်မယ်, ဒါပေမယ့်အလေ့အကျင့်၌ဤမကြာခဏအမှုမဟုတ်ပါဘူး။ ပစ်မှတ်လူဦးရေနှင့်ဘောင်လူဦးရေအကြားကွာခြားချက်များလွှမ်းခြုံအမှားဟုခေါ်ကြသည်။ လွှမ်းခြုံအမှားပြဿနာတွေအာမခံချက်ကိုယ်တိုင်ကအသုံးပြုပုံပါဘူး။ သို့သော် အကယ်. frame ကိုလူဦးရေမှာလူလွှမ်းခြုံဘက်လိုက်မှုရှိလိမ့်မည်လူမဟုတ် frame ကိုလူဦးရေမှာနေတဲ့စနစ်တကျကွဲပြားခြားနားပါသည်။ လွှမ်းခြုံအမှားအနျ Literary Digest မဂ္ဂဇင်းစစ်တမ်းနှင့်အတူအဓိကအပြစ်အနာအဆာ၏ပထမဦးဆုံးဖြစ်ခဲ့သည်။ သူတို့ကအဲဒီနည်းပညာကနှစ်ဦးစလုံး Alf Landon (ပြန်လည်သိမ်းဆည်းထောကျပံ့ဖို့ပိုဖွယ်ရှိခဲ့ကြသူအချမ်းသာအမေရိကန်တွေ Over-ကိုယ်စားပြုကြောင်းမဲပေးသူ-သူတို့ရဲ့ပစ်မှတ်လူဦးရေ-ပေမယ်ခဲ့သူတို့တယ်လီဖုန်းလမ်းညွှန်နှင့်မော်တော်ယာဉ်မှတ်ပုံတင်မှအများစုနေထိုင်ပြီးတစ်နမူနာဘောင်ကိုတည်ဆောက်, သတင်းရင်းမြစ်နှင့် ပတ်သက်. လေ့လာသင်ယူရန်လိုခငျြ ယနေ့ဘုံနေသော, အချိန်နှင့်) ကိုအမေရိကန်မဟာစီးပွားပျက်ကပ်၏အလယ်၌ပါသောအတော်လေးသစ်ကိုရကြ၏။

ကိုယ်စားပြုမှုအမှားများ: 3.1 ပုံ။

frame ကိုလူဦးရေ defining ပြီးနောက်နောက်တစ်ဆင့်နမူနာလူဦးရေကိုရွေးဖို့တစ်သုတေသီအဘို့ဖြစ်၏ ထိုသုတေသနပညာရှင်ကိုအင်တာဗျူးဖို့ကြိုးစားလိမ့်မည်ဟုလူဖြစ်ကြ၏။ နမူနာ frame ကိုလူဦးရေထက်ကွဲပြားခြားနားသောဝိသေသလက္ခဏာများရှိပြီးလျှင်, ကျွန်ုပ်တို့နမူနာအမှားမိတ်ဆက်ပေးနိုငျသညျ။ ဤသည်များသောအားဖြင့်ခန့်မှန်းတွက်ချက်မှုအတူကြောင့်အမှား၏အနားသတ်အတွက် quantified အမှားမျိုးဖြစ်ပါတယ်။ ထိုစာပေ Digest မဂ္ဂဇင်း fiasco ၏ဖြစ်ရပ်အတွက်, အမှန်တကယ်မရှိနမူနာရှိ၏ သူတို့ frame ကိုလူဦးရေအတွက်လူတိုင်းကိုဆက်သွယ်ဖို့ကြိုးစားခဲ့တယ်။ အဘယ်သူမျှမနမူနာအမှားရှိ၏သော်လည်းအမှားဆဲသိသာရှိ၏။ ဤသည်ပုံမှန်အားဖြင့်စစ်တမ်းများမှခန့်မှန်းချက်နှင့်အတူဖော်ပြခဲ့သည်ဖြစ်ကြောင်းအမှားအယွင်းများ၏ margin တွေများသောအားဖြင့် misleadingly သေးငယ်တဲ့ဖြစ်ကြောင်းကိုရှငျး; သူတို့အမှားအပေါငျးတို့သသတင်းရပ်ကွက်များမပါဝင်ပါဘူး။

နောက်ဆုံးအနေနဲ့တစ်သုတေသီနမူနာလူဦးရေအတွက်လူတိုင်းကိုအင်တာဗျူးရန်ကြိုးစားသည်။ အောင်မြင်စွာတွေ့ဆုံမေးမြန်းသောသူတို့ကလူဖြေဆိုသူဟုခေါ်ကြသည်။ အကောင်းဆုံးကတော့, နမူနာလူဦးရေနှင့်ဖြေဆိုသူအတိအကျတူညီလိမ့်မည်, သို့သော်အလေ့အကျင့်ရှိ Non-တုန့်ပြန်လည်းရှိ၏။ ဒါကနမူနာရွေးချယ်ကြသူလူပါဝင်ဆောင်ရွက်ရန်ငြင်းဆန်သည်။ တုံ့ပွနျသူကိုလူမတုံ့ပွနျဘူးသောသူတို့အထဲကနေကွဲပြားခြားနားလျှင်, Non-တုန့်ပြန်ဘက်လိုက်မှုရှိစေနိုင်ပါတယ်။ non-တုန့်ပြန်ဘက်လိုက်မှုအနျ Literary Digest မဂ္ဂဇင်းစစ်တမ်းနှင့်အတူဒုတိယအဓိကပြဿနာဖြစ်ခဲ့သည်။ တစ်မဲကိုလက်ခံရရှိသူကလူအများ၏သာလျှင် 24% တုန့်ပြန်, ထိုသို့ Landon ထောက်ခံသူတွေကိုတုံ့ပြန်ရန်ပိုခဲ့ကြကြောင်းထွက်လှည့်။

ပဲကိုယ်စားပြုမှု၏အတွေးအခေါ်များမိတ်ဆက်ဥပမာတစ်ခုဖြစ်ခြင်းတဘက်, စာပေ Digest မဂ္ဂဇင်းစစ်တမ်းလူတွေကိုသိမ်းကျုံးနမူနာ၏အန္တရာယ်များနှင့် ပတ်သက်. သုတေသီတွေကပြသတိပေးခြင်း, တစ်ဦးအဖန်ဖန်-ထပ်ခါတလဲလဲဥပမာအနကျအဓိပ်ပါယျဖြစ်ပါတယ်။ ကံမကောင်းစွာပဲ, ငါသည်များစွာသောလူကဒီဇာတ်လမ်းကိုကနေဆွဲသောသငျခနျးစာကိုမှားတစျခုဖွစျသညျကိုစဉ်းစားပါ။ ဇာတ်လမ်း၏အအသုံးအများဆုံးကငျြ့ဝတျသုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာမှတစုံတခုကို (သင်တန်းသားများကိုရွေးချယ်ခြင်းသည်အတင်းကြပ်ဖြစ်နိုင်ခြေ-based စည်းမျဉ်းစည်းကမ်းတွေမပါဘဲဆိုလိုသည်မှာနမူနာ) လေ့လာသင်ယူမနိုငျသောကွောငျ့ဖွစျသညျ။ ဒါပေမယ့်ကျွန်မနောက်ပိုင်းတွင်ဤအခနျးတှငျကိုပြသပါလိမ့်မယ်သကဲ့သို့, အတော်လေးမှန်မဟုတ်ပါဘူး။ အဲဒီအစား, ငါသည်ဤဇာတ်လမ်းနှစ်ခုကိုယ်ကျင့်တရားကိုတကယ်ရှိပါတယ်ထင်; သူတို့က 1936 ပထမဦးစွာရှိကြ၏အဖြစ်ယနေ့အဖြစ်စစ်မှန်တဲ့ဖြစ်ကြောင်းကိုယ်ကျင့်တရား, haphazardly စုဆောင်းအချက်အလက်များ၏ပမာဏကြီးမားတဲ့ကောင်းတစ်ဦးခန့်မှန်းချက်ကိုအာမခံမည်မဟုတ်။ ဒုတိယအချက်မှာသုတေသီများသူတို့ကမှခန့်မှန်းတွက်ချက်မှုလုပ်နေပါတယ်တဲ့အခါသူတို့ရဲ့ဒေတာစုဆောင်းခဲ့ပုံများအတွက်အကောင့်ဖို့လိုပါတယ်။ ထိုစာပေ Digest မဂ္ဂဇင်းစစ်တမ်းအတွက်ဒေတာစုဆောင်း process ကိုစနစ်တကျအချို့သောဖြေဆိုသူဆီသို့ skewed ကြောင့်တစ်နည်းအတွက်, သုတေသီများအချို့သောဖြေဆိုသူပိုပြီးအခြားသူများထက်ကအလေးတစ်ဦးထက်ပိုရှုပ်ထွေးတဲ့ခန့်မှန်းချက် process ကိုသုံးစွဲဖို့လိုပါတယ်။ နောက်ပိုင်းတွင်ဤအခနျးတှငျ, သင်တို့ကိုငါမဟုတ်တဲ့ဖြစ်နိုင်ခြေနမူနာအတူပိုကောင်းခန့်မှန်းစေပါရန်သင့်အားဖွင့်နိုင်သည်ထိုကဲ့သို့သောတွက်ဆလုပ်ထုံးလုပ်နည်း-Post-stratification-တကိုပြသပါလိမ့်မယ်။