3.4 कसले सोध्न

सम्भावना नमूनाहरू र गैर-सम्भावना नमूनाहरू कि व्यवहार मा फरक छैन; दुवै अवस्थामा, यो सबै वजन बारेमा।

नमूना अनुसन्धान सर्वेक्षण मौलिक छ। अनुसन्धानकर्ताहरूले लगभग कहिल्यै आफ्नो लक्ष्य जनसंख्या सबैलाई आफ्नो प्रश्न। यस सन्दर्भमा, सर्वेक्षण छैन अद्वितीय छन्। सबैभन्दा अनुसन्धान, एउटा तरिका वा अर्को मा, नमूना पनि समावेश छ। कहिलेकाहीं यो नमूना को शोधकर्ता द्वारा स्पष्ट गरेको छ; अन्य समयमा यो implicitly हुन्छ। उदाहरणका लागि, उनको विश्वविद्यालय मा स्नातक विद्यार्थीहरू मा एक प्रयोगशाला प्रयोग चल्छ कि एक शोधकर्ता पनि एक नमूना लिइएको छ। तसर्थ, नमूना यो पुस्तक नै माथि आउँछ समस्या छ। वास्तवमा, म डाटा को डिजिटल उमेर स्रोतहरू बारेमा सुन्न भनेर भन्दा साधारण चिन्ता को यस चासो कम गम्भीर र धेरै skeptics महसुस भन्दा सूक्ष्म दुवै छ, हामी यो खण्ड मा देख्ने रूपमा छ "तिनीहरूले प्रतिनिधि होइन।"। वास्तवमा, म "representativeness" को सम्पूर्ण अवधारणा सम्भावना र गैर-सम्भावना नमूनाहरू सोचिरहेका लागि उपयोगी छैन भन्ने तर्क हुनेछ। बरु, प्रमुख डाटा संकलन भएको थियो र अनुमान गर्दा त्यो डाटा संग्रह मा कुनै पनि पक्षपात कसरी पूर्ववत गर्न सकिन्छ कसरी सोच्न छ।

हाल, प्रतिनिधित्व गर्न मूख्य सैद्धान्तिक दृष्टिकोण सम्भावना नमूना हो। डाटा एक सम्भावना नमूना विधि पूर्ण कार्यान्वयन गरिएको संग संकलित गर्दा अनुसन्धानकर्ताहरूले तिनीहरूले लक्ष्य जनसंख्या बारेमा unbiased अनुमान गर्न संकलित थिए बाटो मा आधारित डेटा वजन गर्न सक्षम छन्। तर, सिद्ध सम्भावना नमूना मूलतः कहिल्यै वास्तविक संसारमा हुन्छ। त्यहाँ सामान्यतया दुई मुख्य समस्या 1) लक्षित जनसंख्या र फ्रेम जनसंख्या र 2 बीच मतभेद) गैर-प्रतिक्रिया (यी साहित्यिक डाइजेस्ट पोल क्षति कि बिल्कुल समस्या हो) हो। तसर्थ, बरु वास्तवमा संसारमा के को व्यावहारिक मोडेल रूपमा सम्भावना नमूना सोच भन्दा, यो राम्रो सहयोगी, सार मोडेल रूपमा सम्भावना नमूना विचार गर्न, धेरै जस्तै बाटो physicists एक हो कता लामो तल ल्याइने एक frictionless बल सोच्न छ रैंप।

सम्भावना नमूना गर्न वैकल्पिक गैर-सम्भावना नमूना हो। सम्भावना र गैर-सम्भावना नमूना बीच मुख्य फरक सम्भावना जनसंख्या सबैलाई नमूना साथ समावेश को ज्ञात सम्भावना छ भन्ने छ। त्यहाँ वास्तवमा, हो, गैर-सम्भावना नमूना धेरै किसिमहरु, र डाटा संग्रह यी विधिहरू डिजिटल युगमा झन् साधारण हुँदै गइरहेका छन्। तर, गैर-सम्भावना नमूना सामाजिक वैज्ञानिकहरूले र statisticians बीचमा एक भयानक प्रतिष्ठा छ। वास्तवमा, गैर-सम्भावना नमूना सबैभन्दा नाटकीय जस्तै साहित्य डाइजेस्ट fiasco (पहिले छलफल) र 1948 ( "Dewey हराइदिन्छ Truman") अमेरिकी राष्ट्रपति चुनाव बारेमा गलत भविष्यवाणी रूपमा, सर्वेक्षण अनुसन्धानकर्ताहरूले को असफलता केही सम्बन्धित छ (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) ।

तर, समय दुई कारण गैर-सम्भावना नमूना पुनर्विचार गर्न सही छ। पहिलो, रूपमा सम्भावना नमूनाहरू व्यवहार मा गर्न झन् गाह्रो भएका छन्, सम्भावना नमूनाहरू र गैर-सम्भावना नमूनाहरू बीच लाइन धमिल्याउने छ। त्यहाँ गैर-प्रतिक्रिया को उच्च दर (त्यहाँ अब वास्तविक सर्वेक्षणमा हुन्), उत्तरदाताओं लागि समावेशन वास्तविक सम्भावना ज्ञात छैन, र यसरी, सम्भावना नमूनाहरू र गैर-सम्भावना नमूनाहरू छैन धेरै अनुसन्धानकर्ताहरूले विश्वास रूपमा अलग हुँदा। पोस्ट-स्तरीकरण: वास्तवमा, हामी तल हेर्नुहोस् रूपमा, दुवै दृष्टिकोण मूलतः एउटै अनुमान विधि भर पर्छन्। दोस्रो, त्यहाँ संग्रह र गैर-सम्भावना नमूनाहरू विश्लेषण थुप्रै घटनाहरु छन्। तीमध्ये म यसलाई तिनीहरूमाथि विचार गर्न अर्थमा बनाउँछ लाग्छ कि विगतमा समस्या कारण कि विधिहरू देखि पर्याप्त भिन्न छन् "गैर-सम्भावना नमूना 2.0।" हामी किनभने भयो कि त्रुटिहरू को गैर-सम्भावना विधिहरू गर्न अविवेकी अनिच्छा हुँदैन धेरै समय अगाडी।

अर्को, यो तर्क थप ठोस बनाउन क्रममा, म मानक सम्भावना नमूना र भार (धारा 3.4.1) समीक्षा गर्नेछौँ। प्रमुख विचार भनेर कसरी तपाईं आफ्नो डाटा तपाईं अनुमान बनाउन कस्तो प्रभाव पार्नुपर्छ संकलित छ। खासगरी, सबैलाई समावेश एउटै सम्भावना छैन भने, त्यसपछि सबैलाई एउटै वजन हुँदैन। अर्को शब्दमा, आफ्नो नमूना लोकतान्त्रिक छैन भने, त्यसपछि आफ्नो estimations लोकतान्त्रिक हुँदैन। भार समीक्षा गरेपछि, म गैर-सम्भावना नमूना दुई दृष्टिकोण वर्णन छौँ: त्यो इत्तफाक से संकलित डाटा को समस्या (धारा 3.4.2) सामना गर्न भार मा केंद्रित एक, र एक भन्दा बढी डाटा कसरी थप नियन्त्रण राख्न खोज्ने संकलित (धारा 3.4.3)। मुख्य पाठ मा तर्क शब्द र चित्र संग व्याख्या तल गरिनेछ; एक थप गणितीय उपचार चाहनुहुन्छ गर्ने पाठकहरूलाई पनि प्राविधिक परिशिष्ट हेर्नुहोस् गर्नुपर्छ।