2.5 နိဂုံး

ကြီးမားတဲ့ data တွေကိုနေရာတိုင်း, ဒါပေမဲ့လူမှုရေးသုတေသနအတွက်ကြောင့်နှင့်စူးစမ်းအချက်အလက်များ၏အခြားပုံစံများကို အသုံးပြု. ခက်ခဲသည်။ အကြှနျုပျ၏အတှေ့အကွုံခုနှစ်တွင်သုတေသနအတွက်တစ်ဦးမျှအခမဲ့နေ့လယ်စာအိမ်ခြံမြေတူတစ်ခုခုရှိပါတယ်: သင်သည်ဒေတာစုဆောင်းအလုပ်တွေအများကြီးအတွက်ထားကြဘူးလျှင်, သင်ဖြစ်နိုင်သင့်ရဲ့ဒေတာကိုခွဲခြားစိတ်ဖြာအလုပ်တွေအများကြီး၌ဖြစ်စေစဉ်းစားအတွက်ထားရန်ရှိသည်သွားကြသည် ထိုအချက်အလက်များ၏မေးမြန်းဖို့စိတ်ဝင်စားစရာကောင်းတဲ့မေးခွန်းအတွက်အရာဖြစ်တယ်။ ဤအခနျးထဲမှာအတွေးအခေါ်များအပေါ်အခြေခံပြီး, ငါသည်ကြီးမားသောဒေတာသတင်းရပ်ကွက်လူမှုရေးသုတေသနအတွက်တန်ဖိုးအရှိဆုံးဖြစ်လိမ့်မည်ဟုသုံးအဓိကနည်းလမ်းရှိပါတယ်ထင်:

မျက်မြင်လက်တွေ့ယှဉ်ပြိုင်သီအိုရီခန့်မှန်းချက်အကြား adjudicating ။ အလုပ်၏ဤအမျိုးဥပမာပါဝင် Farber (2015) (နယူးယောက်တက္ကစီယာဉ်မောင်း) နှင့် King, Pan, and Roberts (2013) (တရုတ်အတွက်ဆင်ဆာ)
nowcasting မှတဆင့်ရေးမူဝါဒများအတွက်လူမှုရေးတိုင်းတာခြင်းတိုးတက်လာသည်။ အလုပ်၏ဤအမျိုးဥပမာတစ်ခုဖြစ်ပါတယ် Ginsberg et al. (2009) (ဂူဂဲလ်တုပ်ကွေး Trends) ။
သဘာဝကစမ်းသပ်ချက်များနှင့်ကိုက်ညီခြင်းနှင့်အတူကြောင်းကျိုးဆက်စပ်အကျိုးသက်ရောက်မှုများခန့်မှန်း။ အလုပ်၏ဤအမျိုးဥပမာ။ Mas and Moretti (2009) (productivity အပေါ်သက်တူရွယ်တူအကျိုးသက်ရောက်မှုများ) နှင့် Einav et al. (2015) (ကို eBay မှာလေလံအပေါ်စျေးနှုန်းစတင်ပြီး၏အကျိုးသက်ရောက်မှု) ။

လူမှုရေးသုတေသနအတော်များများအရေးကြီးသောမေးခွန်းများကိုဤသုံးပါးတစ်ဦးအဖြစ်ထုတ်ဖော်ပြောဆိုနိုင်။ သို့သော်လည်းဤချဉ်းကပ်မှုယေဘုယျအားဖြင့်ဒေတာမှအများကြီးရောက်စေဖို့သုတေသီများလိုအပ်သည်။ အဘယျသို့စေသည် Farber (2015) စိတ်ဝင်စားစရာအတိုင်းတာခြင်းများအတွက်သီအိုရီလှုံ့ဆျောမှုဖြစ်ပါတယ်။ ဒီသီအိုရီလှုံ့ဆျောမှု data ကိုပြင်ပကနေလာပါတယ်။ ထို့ကြောင့်, သုတေသနမေးခွန်းများကိုအချို့အမျိုးအစားများတောင်းမှာကောင်းသောနေသောသူတို့အဘို့, ကြီးမားတဲ့ data တွေကိုသတင်းရပ်ကွက်များကအလွန်အသီးကိုသီးစေနိုင်ပါတယ်။

နောက်ဆုံးအနေနဲ့အစား (ဤအခနျးအပေါ်အာရုံစူးစိုက်ခဲ့သော) သဘောတရားမောင်းနှင်ပင်ကိုယ်မူလသုတေသနလုပ်ငန်းထက်ကျနော်တို့ script ကိုလှန်နှင့်မျက်မြင်လက်တွေ့မောင်းနှင် theorizing ဖန်တီးနိုင်ပါတယ်။ ဒါကပင်ကိုယ်မူလအချက်အလက်များ, ပုံစံများနှင့်ပဟေဠိများသတိထားစုဆောင်းခြင်းအားဖြင့်ကျနော်တို့အသစ်တွေသီအိုရီတည်ဆောက်နိုင်သည်။

ဤသည်အခြားရွေးချယ်စရာ, သီအိုရီမှဒေတာ-ပထမဦးဆုံးချဉ်းကပ်မှုအသစ်မရှိ, အလွန်ပြင်းစွာအားဖြင့်ရှင်းလင်းခဲ့ Glaser and Strauss (1967) grounded သီအိုရီအဘို့မိမိတို့ခေါ်ဆိုခအတူ။ ဒစ်ဂျစ်တယ်ခေတ်တွင်သုတေသနလုပ်ငန်းပတ်လည်သတင်းစာပညာ၏တာအားဖြင့်အခိုင်အမာသိရသည်အဖြစ်ဒီ data-ပထမဦးဆုံးချဉ်းကပ်မှု, သို့သော်, "သီအိုရီ၏အဆုံး" ဆိုလိုပါဘူး (Anderson 2008) ။ အဲဒီအစားဒေတာပတ်ဝန်းကျင်အပြောင်းအလဲများအဖြစ်ကျနော်တို့သီအိုရီနှင့်အချက်အလက်အကြားဆက်ဆံရေးအတွက်တစ်ဦးပြန်လည်ချိန်ညှိခြင်းကိုမျှော်လင့်ရပါမည်။ ဒေတာစုဆောင်းစျေးကြီးရှိရာတစ်ကမ်ဘာပျေါတှငျ, ကသာသီအိုရီအရှိဆုံးအသုံးဝင်သောဖြစ်လိမ့်မည်အကြံပြုသောဒေတာစုဆောင်းဖို့သဘာဝကျပါတယ်။ ဒါပေမယ့်အချက်အလက်များ၏ကြီးမားသောပမာဏပြီးသားအခမဲ့ရရှိနိုင်သည့်နေရာတွင်တစ်ဦးသည်ကမ္ဘာပေါ်တွင်ကြောင့်လည်းဒေတာ-ပထမဦးဆုံးချဉ်းကပ်မှုကြိုးစားရန်သဘာဝကျပါတယ် (Goldberg 2015) ။

ငါသည်ဤအခနျးမှာပြသသကဲ့သို့, သုတေသီများကလူကိုကြည့်ခြင်းဖြင့်အများကြီးသင်ယူနိုင်ပါတယ်။ နောက်လာမည့်သုံးခန်း၌ငါသည်ကြှနျုပျတို့ဒေတာစုဆောင်းလိုက်လျောညီထွေဖြစ်အောင်လျှင်ပိုပြီးနှင့်ကွဲပြားခြားနားသောအရာတို့ကိုသင်ယူ, သူတို့ကိုမေးခွန်းများကို (အခန်း 3) တောင်းစမ်းသပ်ချက် (အခန်း 4) ပြေးနှင့်ပင်သူတို့ကိုနှငျ့ပတျသကျသောအားဖြင့်ပိုပြီးတိုက်ရိုက်လူတို့နှင့်အတူဆက်ဆံနိုင်ပုံကိုဖော်ပြရန်လိမ့်မယ် တိုက်ရိုက်သုတေသနလုပ်ငန်းစဉ်နှင့် (အခန်း 5) ၌တည်၏။