Loading [Contrib]/a11y/accessibility-menu.js

2.4.3 approximating प्रयोगहरू

हामी के गर्न सक्दैन भनेर प्रयोगहरू लगभग गर्न सक्नुहुन्छ। डिजिटल उमेर देखि विशेष गरी लाभ उठाउन दुई दृष्टिकोण मिल्ने छन् र प्राकृतिक प्रयोगहरू।

धेरै महत्त्वपूर्ण वैज्ञानिक र नीति प्रश्नहरू causal छन्। का विचार गरौं, उदाहरणका लागि, निम्न प्रश्न: ज्याला मा एक काम प्रशिक्षण कार्यक्रम को प्रभाव कस्तो छ? यस प्रश्नको जवाफ एउटा तरिका जहाँ कार्यकर्ता अनियमित या त प्रशिक्षण प्राप्त गर्न वा प्रशिक्षण प्राप्त खटाइयो एक यादृच्छिक नियन्त्रण प्रयोग संग हुनेछ। त्यसपछि, अनुसन्धानकर्ताहरूले बस प्राप्त गरे ती गर्न प्रशिक्षण प्राप्त गर्ने मान्छे को ज्याला तुलना गरेर यी सहभागीहरू लागि प्रशिक्षण को प्रभाव अनुमान गर्न सक्छ।

को randomization: सरल तुलना किनभने डाटा पनि संकलित अघि हुन्छ भन्ने कुरा को मान्य छ। randomization बिना, समस्या धेरै trickier छ। एक शोधकर्ता स्वेच्छाले साइन अप गर्ने थिएन ती प्रशिक्षण लागि साइन अप गर्ने मान्छे को ज्याला तुलना गर्न सक्छ। त्यो तुलना शायद प्रशिक्षण प्राप्त गर्ने मान्छे बढी कमाएका देखाउन हुनेछ, तर कारण प्रशिक्षण को छ यो कति र साइन अप प्रशिक्षण लागि भनेर मान्छे साइन अप कि छैन प्रशिक्षण लागि ती फरक छन् किनभने यो कति छ? अर्को शब्दमा, मान्छे को यी दुई समूहका को ज्याला तुलना गर्न यो उचित छ?

निष्पक्ष तुलना बारेमा यो चासो यो एक प्रयोग चलिरहेको बिना causal अनुमान गर्न असम्भव छ भनेर विश्वास गर्न केही अनुसन्धानकर्ताहरूले जान्छ। यो दावी धेरै टाढा जान्छ। यो प्रयोगहरू causal प्रभाव लागि बलियो प्रमाण प्रदान साँचो हुँदा, बहुमूल्य causal अनुमान प्रदान गर्न सक्छन् कि अन्य रणनीति हो। बरु (passively डाटा अवलोकन को मामला मा) भनेर causal अनुमान सजिलो त (प्रयोगहरू को मामला मा) वा असम्भव छ सोच को, यो एक Continuum बलियो देखि weakest (चित्रा साथ झूट causal अनुमान बनाउन लागि रणनीति विचार राम्रो छ 2.4)। को Continuum को बलियो अन्तमा नियन्त्रण प्रयोगहरू बेतरतीब छन्। तर, यी अक्सर किनभने धेरै उपचार सरकारले वा कम्पनीहरूको सहयोग को अव्यावहारिक रकम आवश्यक सामाजिक अनुसन्धान मा के गर्न कठिन छन्; एकदम बस हामी के गर्न सक्दैन भनेर धेरै प्रयोगहरू छन्। म तागत र बेतरतीब नियंत्रित प्रयोगहरू को कमजोरी दुवै गर्न अध्याय 4 को सबै समर्पित हुनेछ, र म केही अवस्थामा, त्यहाँ प्रयोगात्मक विधिहरू गर्न अवलोकनीय रुचि गर्न बलियो नैतिक कारण हो कि तर्क छौँ।

चित्रा 2.4: अनुमानित causal प्रभाव लागि अनुसन्धान रणनीति को Continuum।

चित्रा 2.4: अनुमानित causal प्रभाव लागि अनुसन्धान रणनीति को Continuum।

को Continuum साथ सार्दै, जहाँ अनुसन्धानकर्ताहरूले स्पष्ट बेतरतीब छैन परिस्थिति हो। त्यो छ, अनुसन्धानकर्ताहरूले वास्तवमा एउटा प्रयोग गरिरहेको बिना प्रयोग-जस्तो ज्ञान सिक्न प्रयत्न; स्वाभाविक, यो मुश्किल हुन जा रहेको छ, तर ठूलो डाटा निकै यी परिस्थितिमा causal अनुमान गर्ने हाम्रो क्षमतामा सुधार गर्छ।

कहिलेकाहीँ संसारमा र्यान्डमनेस अनुसन्धानकर्ताहरूले लागि एक प्रयोग जस्तै केहि सिर्जना हुन्छ जहाँ सेटिङहरू छन्। यी डिजाइन प्राकृतिक प्रयोगहरू भनिन्छ, र तिनीहरूले धारा 2.4.3.1 मा विस्तार छलफल गरिनेछ। ठूलो डाटा स्रोतहरु-आफ्नो सधैं-प्रकृति र आफ्नो दुई सुविधाहरू आकार-निकै तिनीहरूले उत्पन्न हुँदा प्राकृतिक प्रयोगहरू सिक्न हाम्रो क्षमतालाई अझ बढाउँछ।

बेतरतीब नियंत्रित प्रयोगहरू देखि टाढा सार्दा, कहिलेकाहीं त्यहाँ छैन भनेर हामी एक प्राकृतिक प्रयोग लगभग गर्न प्रयोग गर्न सक्नुहुन्छ प्रकृति मा पनि एक घटना छ। यी सेटिङहरू, हामी ध्यान दिएर एक प्रयोग लगभग एक प्रयास मा गैर-प्रयोगात्मक डाटा भित्र तुलना निर्माण गर्न सक्नुहुन्छ। यी डिजाइन मिल्दो भनिन्छ, र तिनीहरूले धारा 2.4.3.2 मा विस्तार छलफल गरिनेछ। प्राकृतिक प्रयोगहरू जस्तै, मिलान पनि ठूलो डाटा स्रोतबाट लाभ एक डिजाइन छ। विशेष मा, विशाल आकार-दुवै अवस्थामा संख्या र प्रति जानकारी को प्रकार को मामला मा केस निकै मिल्दो सुविधा। प्राकृतिक प्रयोगहरू र मिलान बीच प्रमुख भिन्नता प्राकृतिक प्रयोगहरू मा शोधकर्ता उपचार तोकिएको र यसलाई अनियमित हुन विश्वास गर्छ थियो जो मार्फत प्रक्रिया थाह छ।

प्राकृतिक प्रयोगहरू र मिलान: प्रयोगहरू गर्न को इच्छा उत्प्रेरित कि निष्पक्ष तुलना को अवधारणा पनि दुई वैकल्पिक दृष्टिकोण underlies। यी दृष्टिकोण तपाईं पहिले नै भन्ने डाटा को भित्र बसेर निष्पक्ष तुलना खोजी द्वारा passively पालन डाटा देखि causal प्रभाव अनुमान गर्न सक्षम हुनेछ।