3.4 ਕੌਣ ਪੁੱਛਣ ਲਈ

ਡਿਜ਼ੀਟਲ ਉਮਰ ਅਭਿਆਸ ਵਿੱਚ ਸੰਭਾਵੀ ਨਮੂਨਾ ਬਣਾ ਰਹੀ ਹੈ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਲਈ ਨਵੇਂ ਮੌਕੇ ਪੈਦਾ ਕਰ ਰਹੀ ਹੈ.

ਨਮੂਨੇ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ, ਦੋ ਪ੍ਰਤੀਯੋਗੀ ਪਹੁੰਚ ਹਨ: ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਢੰਗ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਢੰਗ. ਹਾਲਾਂਕਿ ਨਮੂਨੇ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿਚ ਦੋਨੋਂ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ, ਪਰ ਸੰਭਾਵੀ ਨਮੂਨਾ ਹਾਵੀ ਹੋ ਗਈ ਹੈ, ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਸਮਾਜਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਗੈਰ ਸੰਭਾਵੀ ਨਮੂਨੇ ਨੂੰ ਵੱਡੇ ਸੰਦੇਹਵਾਦ ਦੇ ਨਾਲ ਵੇਖਣਾ ਸਿਖਾਇਆ ਜਾਂਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਜਿਵੇਂ ਕਿ ਮੈਂ ਹੇਠਾਂ ਬਿਆਨ ਕਰਾਂਗਾ, ਡਿਜੀਟਲ ਯੁੱਗ ਦੇ ਬਣੇ ਬਦਲਾਵਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਸਮਾਂ ਹੈ ਖੋਜਕਾਰਾਂ ਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਬਾਰੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨਾ. ਖਾਸ ਕਰਕੇ, ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਨੂੰ ਅਭਿਆਸ ਵਿੱਚ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਰਿਹਾ ਹੈ, ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਤੇਜ਼, ਸਸਤਾ ਅਤੇ ਬਿਹਤਰ ਰਿਹਾ ਹੈ. ਤੇਜ਼ ਅਤੇ ਸਸਤਾ ਸਰਵੇਖਣ ਕੇਵਲ ਆਪਣੇ ਆਪ ਵਿਚ ਹੀ ਖਤਮ ਨਹੀਂ ਹੁੰਦੇ: ਉਹ ਨਵੇਂ ਮੌਕੇ ਜਿਵੇਂ ਵਧੇਰੇ ਆਮ ਸਰਵੇਖਣ ਅਤੇ ਵੱਡੇ ਸਧਾਰਨ ਆਕਾਰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਢੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੋਆਪਰੇਟਿਵ ਕਾਂਗਰੇਸ਼ਨਲ ਇਲੈਕਸ਼ਨ ਸਟੱਡੀ (ਸੀਸੀਈਐਸ) ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਹਿਲਾਂ ਦੇ ਅਧਿਐਨਾਂ ਦੇ ਮੁਕਾਬਲੇ ਲਗਭਗ 10 ਗੁਣਾ ਜ਼ਿਆਦਾ ਹਿੱਸਾ ਲੈਣ ਯੋਗ ਹੁੰਦਾ ਹੈ. ਇਹ ਬਹੁਤ ਵੱਡਾ ਨਮੂਨਾ ਰਾਜਨੀਤਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਉਪ ਸਮੂਹਾਂ ਅਤੇ ਸਮਾਜਿਕ ਪ੍ਰਸੰਗਾਂ ਵਿਚ ਰਵੱਈਏ ਅਤੇ ਵਿਹਾਰ ਵਿਚ ਭਿੰਨਤਾ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਸਮਰੱਥ ਹੈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅੰਦਾਜ਼ੇ ਦੀ (Ansolabehere and Rivers 2013) ਵਿਚ ਇਸ ਵਿਚ ਸ਼ਾਮਿਲ ਕੀਤੇ ਸਾਰੇ ਸਕੇਲਾਂ ਦੀ ਕਮੀ ਨਹੀਂ ਹੋਈ.

ਵਰਤਮਾਨ ਵਿੱਚ, ਸਮਾਜਿਕ ਖੋਜ ਲਈ ਨਮੂਨਾ ਦੇਣ ਲਈ ਪ੍ਰਭਾਵੀ ਪਹੁੰਚ ਸੰਭਾਵੀ ਨਮੂਨਾ ਹੈ . ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਵਿਚ, ਨਿਸ਼ਾਨਾ ਆਬਾਦੀ ਦੇ ਸਾਰੇ ਮੈਂਬਰਾਂ ਕੋਲ ਇਕ ਨਮੂਨਾ ਹੋਣ ਦੀ ਜਾਣੂ ਹੈ, ਜੋ ਨਾਰਮਲ ਹੋਣ ਦੀ ਸੰਭਾਵੀ ਹੈ, ਅਤੇ ਸਾਰੇ ਲੋਕ ਜੋ ਸਰਵੇਖਣ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਨ. ਜਦੋਂ ਇਹ ਸ਼ਰਤਾਂ ਪੂਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਸ਼ਾਨਦਾਰ ਗਣਿਤ ਦੇ ਨਤੀਜੇ ਖੋਜੀ ਦੀ ਗਾਰੰਟੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ ਜਿਸ ਨਾਲ ਖੋਜਕਰਤਾ ਦੀ ਨਮੂਨੇ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਨਿਸ਼ਾਨਾ ਜਨਸੰਖਿਆ ਦੇ ਬਾਰੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ.

ਅਸਲੀ ਦੁਨੀਆਂ ਵਿਚ, ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਗਣਿਤਕ ਨਤੀਜਿਆਂ ਨੂੰ ਅੰਜ਼ਾਮ ਦੇਣ ਵਾਲੀਆਂ ਸ਼ਰਤਾਂ ਬਹੁਤ ਘੱਟ ਮਿਲਦੀਆਂ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਅਕਸਰ ਕਵਰੇਜ ਦੀਆਂ ਗਲਤੀਆਂ ਅਤੇ ਗੈਰ-ਉੱਤਰਦੇਹ ਹੁੰਦੇ ਹਨ. ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕਾਰਨ, ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਨਮੂਨੇ ਤੋਂ ਆਪਣੀ ਨਿਸ਼ਚਿਤ ਜਨਸੰਖਿਆ ਤੱਕ ਅਨੁਮਾਨਤ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਦੇ ਵਿਭਿੰਨ ਅਨੁਪਾਤ ਵਿੱਚ ਨੌਕਰੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ. ਇਸ ਲਈ ਥਿਊਰੀ ਵਿੱਚ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ , ਜਿਸ ਵਿੱਚ ਮਜ਼ਬੂਤ ​​ਸਿਧਾਂਤਿਕ ਗਾਰੰਟੀ ਹੈ, ਅਤੇ ਅਭਿਆਸ ਵਿੱਚ ਸੰਭਾਵਨਾ ਦਾ ਨਮੂਨਾ ਹੈ , ਜੋ ਕਿ ਅਜਿਹੀ ਕੋਈ ਗਾਰੰਟੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਕਰਦਾ ਅਤੇ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਪ੍ਰਬੰਧਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ.

ਸਮੇਂ ਦੇ ਨਾਲ, ਅਭਿਆਸ ਵਿੱਚ ਥਿਊਰੀ ਅਤੇ ਸੰਭਾਵੀ ਨਮੂਨਿਆਂ ਵਿੱਚ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਵਿੱਚ ਅੰਤਰ ਵਧ ਰਹੇ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਉੱਚ-ਗੁਣਵੱਤਾ, ਮਹਿੰਗੇ ਸਰਵੇਖਣਾਂ (ਅੰਕੜਾ 3.5) (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) ਵਿੱਚ ਵੀ ਨਿਰੰਤਰ ਪ੍ਰਤੀਭਾਸ਼ਾ ਵਧ ਰਹੀ ਹੈ. ਵਪਾਰਕ ਟੈਲੀਫੋਨ ਸਰਵੇਖਣਾਂ ਵਿੱਚ ਗ਼ੈਰ-ਰੋਧਕ ਦਰਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੁੰਦੀਆਂ ਹਨ-ਕਦੇ-ਕਦਾਈਂ 90% (Kohut et al. 2012) ਮੁਕਾਬਲੇ ਵੀ. ਗੈਰ-ਉੱਤਰਪ੍ਰਸਤੀ ਵਿੱਚ ਇਹ ਵਾਧੇ ਅੰਦਾਜ਼ੇ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਅੰਦਾਜ਼ੇ ਅਜਿਹੇ ਅੰਕੜਿਆਂ ਦੇ ਮਾਧਿਅਮ ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ ਜੋ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਗੈਰ-ਉੱਤਰਦੇਹ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਵਰਤਿਆ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਰਵੇਖਣ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਉੱਚ ਪ੍ਰਤੀਕਰਮ ਰੇਟ ਕਾਇਮ ਰੱਖਣ ਲਈ ਵਧਦੀ ਮਹਿੰਗੇ ਯਤਨਾਂ ਦੇ ਬਾਵਜੂਦ ਗੁਣਵੱਤਾ ਵਿੱਚ ਇਹ ਘਟਦੀ ਗਈ ਹੈ. ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਡਰ ਹੈ ਕਿ ਘੱਟਦੀ ਜਾ ਰਹੀ ਗੁਣਾਂ ਅਤੇ ਵਧ ਰਹੀ ਲਾਗਤ ਦੇ ਇਹ ਦੋਨੋਂ ਰੁਝਾਨ ਸਰਵੇਖਣ ਖੋਜ (National Research Council 2013) ਦੀ ਬੁਨਿਆਦ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦੇ ਹਨ.

ਚਿੱਤਰ 3.5: ਉੱਚ-ਮਹਿੰਗੇ ਮਹਿੰਗੇ ਸਰਵੇਖਣਾਂ (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) ਗੈਰ ਪ੍ਰਤੀਕਿਰਿਆ ਲਗਾਤਾਰ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ. ਵਪਾਰਕ ਟੈਲੀਫ਼ੋਨ ਸਰਵੇਖਣਾਂ ਲਈ ਗੈਰ-ਉੱਤਰ ਪ੍ਰਤੀ ਰੇਟ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ, ਕਈ ਵਾਰੀ 90% (Kohut et al. 2012) ਮੁਕਾਬਲੇ ਵੀ ਉੱਚੇ ਹਨ. ਗ਼ੈਰਪ੍ਰਸਪੇਸ ਵਿਚ ਲੰਬੇ ਸਮੇਂ ਦੇ ਰੁਝਾਨਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ ਵਧੇਰੇ ਮਹਿੰਗਾ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਘੱਟ ਭਰੋਸੇਯੋਗ ਹਨ BD Meyer, Mok, and Sullivan (2015) ਤੋਂ ਅੰਕਿਤ, ਨੰਬਰ 1

ਇਸ ਦੇ ਨਾਲ ਹੀ ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਢੰਗਾਂ ਲਈ ਵਧ ਰਹੀ ਸਮੱਸਿਆਵਾਂ ਵੀ ਹਨ, ਗੈਰ-ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਢੰਗਾਂ ਵਿਚ ਵੀ ਦਿਲਚਸਪ ਵਿਕਾਸ ਹੋਇਆ ਹੈ. ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨਿਆਂ ਦੇ ਤਰੀਕੇ ਦੀਆਂ ਕਈ ਕਿਸਮਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਪਰ ਇਕ ਚੀਜ਼ ਜੋ ਉਹਨਾਂ ਦੇ ਵਿੱਚ ਸਾਂਝੀ ਹੁੰਦੀ ਹੈ ਉਹ ਹੈ ਕਿ ਉਹ ਸੰਭਾਵੀ ਨਮੂਨੇ (Baker et al. 2013) ਦੇ ਗਣਿਤ ਦੇ ਢਾਂਚੇ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਫਿੱਟ ਨਹੀਂ ਹੋ ਸਕਦੇ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਲੈਣ ਦੇ ਤਰੀਕਿਆਂ ਵਿਚ ਹਰ ਇਕ ਵਿਚ ਸ਼ਾਮਿਲ ਕਰਨ ਦੀ ਇਕ ਜਾਣੀ ਅਤੇ ਨਾਜ਼ੋਰਓ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੁੰਦੀ ਹੈ. ਗੈਰ-ਸੰਭਾਵੀ ਨਮੂਨਾ ਵਿਧੀਆਂ ਦੇ ਸਮਾਜਿਕ ਖੋਜਕਰਤਾਵਾਂ ਵਿੱਚ ਇੱਕ ਭਾਰੀ ਮਾਣ ਹੈ ਅਤੇ ਉਹ ਸਰਵੇਖਣ ਖੋਜਕਰਤਾਵਾਂ, ਜਿਵੇਂ ਕਿ ਲਿਟਰੇਰੀ ਡਾਈਜੈਸਟ ਫਾਏਸਕਾ (ਪਹਿਲਾਂ ਚਰਚਾ ਕੀਤੇ ਗਏ) ਅਤੇ "ਡੇਵੀ ਡੈਫੈਟਸ ਟਰੂਮੈਨ", ਦੇ ਸਭ ਨਾਟਕੀ ਅਸਫਲਤਾਵਾਂ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ, ਅਮਰੀਕਾ ਬਾਰੇ ਗਲਤ ਅਨੁਮਾਨ 1948 ਦੇ ਰਾਸ਼ਟਰਪਤੀ ਚੋਣ (ਅੰਕੜਾ 3.6).

ਚਿੱਤਰ 3.6: ਰਾਸ਼ਟਰਪਤੀ ਹੈਰੀ ਟਰੂਮਨ ਇੱਕ ਅਖ਼ਬਾਰ ਦੀ ਸੁਰਖੀ ਰੱਖਣ ਵਾਲੇ ਹਨ ਜਿਸ ਨੇ ਆਪਣੀ ਹਾਰ ਦੀ ਗਲਤ ਘੋਸ਼ਣਾ ਕੀਤੀ ਸੀ. ਇਹ ਸੁਰਖੀ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) ਤੋਂ ਅਨੁਮਾਨਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ. ਭਾਵੇਂ ਕਿ 1948 ਵਿਚ "ਡੇਵੀ ਡੈਫਿਟ ਟਰੂਮੈਨ" ਦਾ ਸੰਪੂਰਨ ਹੋਇਆ, ਇਹ ਅਜੇ ਵੀ ਇਸੇ ਕਾਰਨ ਕਰਕੇ ਹੈ ਕਿ ਕੁਝ ਖੋਜੀ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਅਨੁਮਾਨਾਂ ਬਾਰੇ ਸ਼ੰਕਾਵਾਦੀ ਹਨ. ਸਰੋਤ: ਹੈਰੀ ਐਸ. ਟਰੂਮਨ ਲਾਇਬਰੇਰੀ ਅਤੇ ਅਜਾਇਬ ਘਰ

ਇੱਕ ਗੈਰ-ਸੰਭਾਵੀ ਸੈਂਪਲਿੰਗ ਦਾ ਇੱਕ ਰੂਪ ਜੋ ਕਿ ਡਿਜੀਟਲ ਉਮਰ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਅਨੁਕੂਲ ਹੈ, ਇਹ ਔਨਲਾਈਨ ਪੈਨਲਾਂ ਦੀ ਵਰਤੋਂ ਹੈ ਆਨਲਾਇਨ ਪੈਨਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਕੁਝ ਪੈਨਲ ਪ੍ਰਦਾਤਾ-ਆਮ ਤੌਰ 'ਤੇ ਇਕ ਕੰਪਨੀ, ਸਰਕਾਰ ਜਾਂ ਯੂਨੀਵਰਸਿਟੀ' ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ- ਸਰਵੇਖਣਾਂ ਲਈ ਜਵਾਬਦੇਹ ਦੇ ਤੌਰ 'ਤੇ ਸੇਵਾ ਕਰਨ ਲਈ ਸਹਿਮਤ ਹੋਏ ਲੋਕਾਂ ਦੇ ਵੱਡੇ ਸਮੂਹ ਨੂੰ ਬਣਾਉਣ ਲਈ. ਇਹ ਪੈਨਲ ਦੇ ਸਹਿਭਾਗੀਆਂ ਨੂੰ ਅਕਸਰ ਵੱਖ ਵੱਖ ਤਰ੍ਹਾਂ ਦੇ ਅਡਵੋਕ ਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਔਨਲਾਈਨ ਬੈਨਰ ਇਸ਼ਤਿਹਾਰਾਂ ਦੀ ਭਰਤੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਫਿਰ, ਇੱਕ ਖੋਜਕਾਰ ਪੈਨਲ ਪ੍ਰਦਾਤਾ ਨੂੰ ਲੋੜੀਂਦੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਉਦਾਹਰਨ ਲਈ, ਬਾਲਗਾਂ ਦੇ ਕੌਮੀ ਪੱਧਰ 'ਤੇ ਪ੍ਰਤਿਨਿਧ) ਦੇ ਜਵਾਬਾਂ ਵਾਲੇ ਨਮੂਨੇ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ ਭੁਗਤਾਨ ਕਰ ਸਕਦਾ ਹੈ. ਇਹ ਆਨਲਾਇਨ ਪੈਨਲਾਂ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਢੰਗ ਹਨ, ਕਿਉਂਕਿ ਹਰ ਕੋਈ ਜਾਣੂ ਨਹੀਂ ਹੈ, ਨਾਜਾਇਜ਼ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ. ਹਾਲਾਂਕਿ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਔਨਲਾਈਨ ਪੈਨਲ ਪਹਿਲਾਂ ਹੀ ਸਮਾਜਿਕ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ, ਸੀਸੀਈਐਸ), ਅਜੇ ਵੀ ਉਹਨਾਂ ਅਨੁਮਾਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਬਾਰੇ ਕੁਝ ਬਹਿਸ ਅਜੇ ਵੀ ਹੈ (Callegaro et al. 2014) .

ਇਨ੍ਹਾਂ ਬਹਿਸਾਂ ਦੇ ਬਾਵਜੂਦ, ਮੈਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਦੋ ਕਾਰਨ ਹਨ ਕਿ ਸਮਾਜਕ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਗੈਰ-ਸੰਭਾਵਨਾ ਸੈਂਪਲਿੰਗ 'ਤੇ ਦੁਬਾਰਾ ਵਿਚਾਰ ਕਰਨ ਦਾ ਸਮਾਂ ਸਹੀ ਹੈ. ਪਹਿਲੀ, ਡਿਜੀਟਲ ਦੀ ਉਮਰ ਵਿਚ, ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਸੰਗ੍ਰਿਹ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਚ ਬਹੁਤ ਸਾਰੇ ਵਿਕਾਸ ਹੋਏ ਹਨ. ਇਹ ਨਵੇਂ ਤਰੀਕੇ ਢੰਗਾਂ ਤੋਂ ਕਾਫੀ ਵੱਖ ਹਨ ਜੋ ਮੈਨੂੰ ਅਤੀਤ ਵਿਚ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕਾਰਨ ਸਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਮੈਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ "ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ 2.0" ਵਜੋਂ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ. ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਗੈਰ-ਸੰਭਾਵੀ ਨਮੂਨੇ ਬਾਰੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਦਾ ਦੂਜਾ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਅਭਿਆਸ ਬਹੁਤ ਜਿਆਦਾ ਮੁਸ਼ਕਲ ਹੋ ਗਿਆ ਹੈ ਜਦੋਂ ਗੈਰ-ਜਵਾਬਦੇਹ ਦੀਆਂ ਉੱਚੀਆਂ ਕੀਮਤਾਂ ਹੁੰਦੀਆਂ ਹਨ - ਜਿਵੇਂ ਕਿ ਅਸਲ ਸਰਵੇਖਣ ਵਿੱਚ ਹੁਣ- ਉੱਤਰਦਾਤਾਵਾਂ ਲਈ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਅਸਲ ਸੰਭਾਵੀ ਜਾਣਕਾਰੀ ਨਹੀਂ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ, ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨਿਆਂ ਵੱਖਰੇ ਨਹੀਂ ਹਨ ਜਿਵੇਂ ਕਿ ਕਈ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਵਿਸ਼ਵਾਸ ਹੈ.

ਜਿਵੇਂ ਕਿ ਮੈਂ ਪਹਿਲਾਂ ਕਿਹਾ ਸੀ, ਸਰਵੇਖਣ ਖੋਜ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ ਕੁਝ ਸ਼ਰਮਨਾਕ ਅਸਫਲਤਾਵਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਭੂਮਿਕਾ ਦੇ ਕਾਰਨ ਕਈ ਸਮਾਜਿਕ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਬਹੁਤ ਸ਼ੱਕ ਹੈ. ਵੇਰੀ ਵੈਂਗ, ਡੇਵਿਡ ਰੌਥਚਿਲਡ, ਸ਼ਰਦ ਗੋਇਲ ਅਤੇ ਐਂਡਰਿਊ ਗੈਲਮੈਨ (2015) ਦੁਆਰਾ ਖੋਜ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਅਸੀਂ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਕਿੰਨੇ ਦੂਰ ਆਏ ਹਾਂ, ਜਿਸ ਨੇ 2012 ਦੀਆਂ ਯੂਐਸ ਚੋਣਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੀ ਵਰਤੋਂ ਨਾਲ ਠੀਕ ਕੀਤਾ ਹੈ. ਅਮੈਰੀਕਨ ਐਕਸਬਾਕਸ ਉਪਭੋਗਤਾ- ਅਮਰੀਕਨਾਂ ਦਾ ਨਿਸ਼ਾਨਾ ਨਿਰਪੱਖ ਨਮੂਨਾ. ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਐਕਸਬੌਕਸ ਗੇਮਿੰਗ ਪ੍ਰਣਾਲੀ ਤੋਂ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਭਰਤੀ ਕੀਤੀ, ਅਤੇ ਜਿਵੇਂ ਤੁਸੀਂ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹੋ, Xbox ਦਾ ਨਮੂਨਾ ਨਰ ਅਤੇ ਸਕੁਏਰ ਨੌਜਵਾਨਾਂ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ: 18 ਤੋਂ 29 ਸਾਲ ਦੇ ਬੱਚੇ 19% ਵੋਟਰ ਬਣਾਉਂਦੇ ਹਨ ਪਰ 65% ਐਪਸ ਦੇ ਨਮੂਨੇ ਅਤੇ ਪੁਰਸ਼ 47% ਵੋਟਰ ਬਣਾਉਂਦੇ ਹਨ ਪਰ ਐਕਸਬਾਕਸ ਨਮੂਨੇ ਦੇ 93% (ਅੰਕੜਾ 3.7). ਇਹਨਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਜਨਸੰਖਿਅਕ ਪਿਛੋਕੜ ਦੇ ਕਾਰਨ, ਕੱਚੇ ਐਕਸ਼ਚੇਜ਼ ਡੇਟਾ ਚੋਣ ਰਿਟਰਨ ਦਾ ਇੱਕ ਮਾੜਾ ਸੂਚਕ ਸੀ. ਇਸ ਨੇ ਬਰਾਕ ਓਬਾਮਾ ਉੱਤੇ ਮੀਟ ਰੋਮਨੀ ਲਈ ਮਜ਼ਬੂਤ ​​ਜਿੱਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ. ਦੁਬਾਰਾ ਫਿਰ, ਇਹ ਕੱਚਾ, ਅਨਜੋਟਜਡ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਖ਼ਤਰਿਆਂ ਦਾ ਇਕ ਹੋਰ ਉਦਾਹਰਨ ਹੈ ਅਤੇ ਲਿਟਰੇਰੀ ਡਾਈਜੈਸਟ ਫਾਏਸਕੋ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ.

ਚਿੱਤਰ 3.7: W. Wang et al. (2015) ਵਿਚ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਜਨਸੰਖਿਆ W. Wang et al. (2015) ਕਿਉਂਕਿ ਉੱਤਰਦਾਤਾ ਨੂੰ ਐਕਸਬੌਕਸ ਤੋਂ ਭਰਤੀ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਸ ਲਈ 2012 ਦੀਆਂ ਚੋਣਾਂ ਵਿੱਚ ਵੋਟਰਾਂ ਦੇ ਮੁਕਾਬਲੇ, ਉਨ੍ਹਾਂ ਦੇ ਬੱਚੇ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਸੀ ਅਤੇ ਮਰਦ ਹੋਣ ਦੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਸੀ. W. Wang et al. (2015) ਤੋਂ ਸੰਤੁਸ਼ਟ W. Wang et al. (2015) , ਨੰਬਰ 1

ਹਾਲਾਂਕਿ, ਵੈਂਗ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਜਾਣੂ ਸਨ ਅਤੇ ਅੰਦਾਜ਼ੇ ਬਣਾਉਣ ਸਮੇਂ ਉਨ੍ਹਾਂ ਦੀ ਗੈਰ-ਬੇਤਰਤੀਬ ਨਮੂਨਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਅਡਜੱਸਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਸੀ ਖਾਸ ਤੌਰ ਤੇ, ਉਹ ਪੋਸਟ-ਸਟਰਿਟਿਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਨ, ਇਕ ਤਕਨੀਕ ਜੋ ਸੰਭਾਵੀਤਾ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਵੀ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿਚ ਕਵਰੇਜ ਦੀਆਂ ਗ਼ਲਤੀਆਂ ਅਤੇ ਗੈਰ-ਜਵਾਬ ਹੁੰਦੇ ਹਨ.

ਪੋਸਟ-ਸਟਰ੍ਰਿਟੀਸ਼ਨ ਦਾ ਮੁੱਖ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਨਮੂਨੇ ਦੀ ਆਬਾਦੀ ਨੂੰ ਸੁਧਾਰਨ ਵਿਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਟੀਚੇ ਦੀ ਜਨਸੰਖਿਆ ਬਾਰੇ ਸਹਾਇਕ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇ. ਵਾਂਗ ਅਤੇ ਸਹਿਕਰਮ ਨੇ ਆਬਾਦੀ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਮੂਹਾਂ ਵਿਚ ਕੱਟ ਕੇ ਹਰੇਕ ਗਰੁੱਪ ਵਿਚ ਓਬਾਮਾ ਲਈ ਸਮਰਥਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਅਤੇ ਸਮੁੱਚੇ ਤੌਰ ' ਉਦਾਹਰਨ ਲਈ, ਉਹ ਆਬਾਦੀ ਨੂੰ ਦੋ ਸਮੂਹਾਂ (ਮਰਦ ਅਤੇ ਔਰਤਾਂ) ਵਿੱਚ ਵੰਡ ਸਕਦੇ ਸਨ, ਨੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਕਿ ਓਬਾਮਾ ਲਈ ਪੁਰਸ਼ ਅਤੇ ਇਸਤਰੀਆਂ ਵਿੱਚ ਸਮਰਥਨ ਹੈ, ਅਤੇ ਉਸ ਤੱਥ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਓਬਾਮਾ ਨੂੰ ਓਸਾਮਾ ਲਈ ਸਮੁੱਚੇ ਤੌਰ ' 53% ਵੋਟਰਾਂ ਅਤੇ 47% ਮਰਦ ਹਨ. ਸਮੂਹਾਂ ਦੇ ਅਕਾਰ ਬਾਰੇ ਸਹਾਇਕ ਜਾਣਕਾਰੀ ਲਿਆ ਕੇ, ਲਗਭਗ ਤਰੱਕੀ ਤੋਂ ਬਾਅਦ, ਅਸੰਤੁਲਿਤ ਨਮੂਨੇ ਲਈ ਸਹੀ ਕਰਨ ਵਿਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ.

ਪੋਸਟ-ਸਟਰ੍ਰਿਟੀਸ਼ਨ ਦੀ ਕੁੰਜੀ ਨੂੰ ਸਹੀ ਗਰੁੱਪ ਬਣਾਉਣਾ ਹੈ ਜੇ ਤੁਸੀਂ ਆਬਾਦੀ ਨੂੰ ਇਕੋ ਜਿਹੇ ਸਮੂਹਾਂ ਵਿਚ ਵੱਢ ਸੁੱਟੇ ਹੋ ਜਿਵੇਂ ਕਿ ਹਰੇਕ ਗਰੁੱਪ ਵਿਚ ਪ੍ਰਤੀਕਰਮ ਪ੍ਰਗਟਾਵੇ ਇਕੋ ਜਿਹੇ ਹੁੰਦੇ ਹਨ, ਫੇਰ ਉਸਤੋਂ ਬਾਅਦ ਤਾਣੇ-ਬਾਣੇ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਪੇਸ਼ ਕਰਨਗੇ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਲਿੰਗ ਦੇ ਤਾਣੇ-ਬਾਣੇ ਵਿਚ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਲਗਾਏ ਜਾਣਗੇ ਜੇ ਸਾਰੇ ਮਰਦਾਂ ਵਿਚ ਪ੍ਰਤਿਕ੍ਰਿਆ ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਔਰਤਾਂ ਕੋਲ ਇੱਕੋ ਜਿਹੀ ਪ੍ਰਤੀਕਰਮ ਪ੍ਰਪੱਕਤਾ ਹੈ. ਇਸ ਧਾਰਨਾ ਨੂੰ ਸਮੋਣ-ਜਵਾਬ-ਪ੍ਰੇਰਕ-ਪ੍ਰਤਿਕਿਰਿਆਵਾਂ-ਅੰਦਰੂਨੀ ਸਮੂਹਾਂ ਦੀ ਧਾਰਨਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਮੈਂ ਇਸ ਅਧਿਆਇ ਦੇ ਅਖੀਰ ਵਿਚ ਗਣਿਤਕ ਨੋਟਾਂ ਵਿਚ ਇਸ ਨੂੰ ਥੋੜਾ ਹੋਰ ਬਿਆਨ ਕਰਦਾ ਹਾਂ.

ਬੇਸ਼ੱਕ, ਇਹ ਸੰਭਾਵਨਾ ਜਾਪਦਾ ਹੈ ਕਿ ਸਾਰੇ ਪੁਰਸ਼ਾਂ ਅਤੇ ਸਾਰੀਆਂ ਔਰਤਾਂ ਲਈ ਪ੍ਰਤੀਕਰਮ ਪ੍ਰਗਟਾਵਾਂ ਇਕੋ ਜਿਹੀਆਂ ਹੋਣਗੀਆਂ. ਹਾਲਾਂਕਿ, ਇਕੋ-ਪ੍ਰਤੀਕਰਮ-ਪ੍ਰਤਿਕਿਰਿਆਵਾਂ-ਅੰਦਰੂਨੀ ਧਿਰਾਂ ਦੀ ਧਾਰਨਾ ਵਧੇਰੇ ਪ੍ਰਭਾਵੀ ਬਣ ਜਾਂਦੀ ਹੈ ਕਿਉਂਕਿ ਸਮੂਹਾਂ ਦੀ ਗਿਣਤੀ ਵੱਧ ਜਾਂਦੀ ਹੈ. ਲਗਭਗ, ਜੇਕਰ ਤੁਸੀਂ ਹੋਰ ਸਮੂਹ ਬਣਾਉਂਦੇ ਹੋ ਤਾਂ ਆਬਾਦੀ ਨੂੰ ਇਕੋ ਜਿਹੇ ਸਮੂਹਾਂ ਵਿੱਚ ਬਦਲਣਾ ਸੌਖਾ ਹੋ ਜਾਂਦਾ ਹੈ. ਮਿਸਾਲ ਦੇ ਤੌਰ ਤੇ, ਸ਼ਾਇਦ ਇਹ ਜਾਪਦਾ ਹੋਵੇ ਕਿ ਸਾਰੇ ਔਰਤਾਂ ਦੀ ਇੱਕੋ ਜਿਹੀ ਪ੍ਰਤੀਕਰਮ ਹੈ, ਪਰ ਇਹ ਸ਼ਾਇਦ ਵਧੇਰੇ ਤਰਸਯੋਗ ਲਗਦਾ ਹੈ ਕਿ 18-29 ਸਾਲ ਦੀ ਉਮਰ ਦੀਆਂ ਸਾਰੀਆਂ ਔਰਤਾਂ ਲਈ ਉਹੀ ਪ੍ਰਤੀਕਿਰਿਆ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਕਾਲਜ ਤੋਂ ਗ੍ਰੈਜੂਏਟ ਹਨ ਅਤੇ ਕੈਲੀਫੋਰਨੀਆ ਵਿਚ ਰਹਿ ਰਹੇ ਹਨ. . ਇਸ ਤਰ੍ਹਾਂ, ਜਿਵੇਂ ਕਿ ਪੋਸਟ-ਸਟਰ੍ਰਿਫਿਕਸ਼ਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਸਮੂਹਾਂ ਦੀ ਗਿਣਤੀ ਵੱਧ ਹੁੰਦੀ ਹੈ, ਇਹ ਢੰਗਾਂ ਨੂੰ ਸਮਰਥਨ ਦੇਣ ਲਈ ਲੋੜੀਂਦੀਆਂ ਧਾਰਨਾਵਾਂ ਜਿਆਦਾ ਜਾਇਜ਼ ਹੁੰਦੀਆਂ ਹਨ. ਇਸ ਤੱਥ ਦੇ ਮੱਦੇਨਜ਼ਰ, ਖੋਜਕਰਤਾ ਅਕਸਰ ਪੋਸਟ-ਸਟਰ੍ਰਿਟੀਸ਼ਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਸਮੂਹ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ. ਪਰ, ਜਿਵੇਂ ਕਿ ਸਮੂਹਾਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਜਾਂਦੀ ਹੈ, ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸਮੱਸਿਆ ਹੈ: ਡਾਟਾ ਸਪਾਰਸੀਟੀ. ਜੇ ਹਰ ਸਮੂਹ ਵਿਚ ਸਿਰਫ਼ ਥੋੜ੍ਹੇ ਜਿਹੇ ਲੋਕ ਹੀ ਹਨ, ਤਾਂ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵਧੇਰੇ ਅਨਿਸ਼ਚਿਤ ਹੋਵੇਗਾ, ਅਤੇ ਅਤਿਅੰਤ ਮਾਮਲੇ ਵਿਚ ਜਿੱਥੇ ਇਕ ਸਮੂਹ ਹੁੰਦਾ ਹੈ ਜਿਸਦਾ ਕੋਈ ਉੱਤਰਦਾਤਾ ਨਹੀਂ ਹੈ, ਫਿਰ ਪੋਸਟ-ਸਟਰਿਟਫੀਜੇਸ਼ਨ ਪੂਰੀ ਤਰ੍ਹਾਂ ਭੰਗ ਹੋ ਜਾਂਦੀ ਹੈ.

ਸਮਾਨ-ਜਵਾਬ-ਪ੍ਰਭਾਵੀ-ਅੰਦਰ-ਗਰੁੱਪਾਂ ਦੀ ਧਾਰਨਾ ਅਤੇ ਹਰ ਸਮੂਹ ਵਿਚ ਵਾਜਬ ਨਮੂਨਾ ਮਿਸ਼ਰਣਾਂ ਦੀ ਮੰਗ ਦੇ ਵਿਚਕਾਰ ਇਸ ਅੰਦਰਲੇ ਤਣਾਅ ਤੋਂ ਦੋ ਤਰੀਕੇ ਹਨ. ਪਹਿਲਾਂ, ਖੋਜਕਰਤਾ ਇੱਕ ਵੱਡੇ, ਹੋਰ ਵਿਭਿੰਨ ਨਮੂਨੇ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਹਰੇਕ ਸਮੂਹ ਵਿੱਚ ਵਾਜਬ ਨਮੂਨਾ ਮਿਸ਼ਰਣ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ. ਦੂਜਾ, ਉਹ ਸਮੂਹਾਂ ਦੇ ਅੰਦਰ ਅੰਦਾਜ਼ੇ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ ਵਧੀਆ ਅੰਕੜਾ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ. ਅਤੇ ਅਸਲ ਵਿੱਚ, ਕਈ ਵਾਰੀ ਖੋਜਕਾਰ ਦੋਨੋ ਕਰਦੇ ਹਨ, ਕਿਉਂਕਿ ਵੈਂਗ ਅਤੇ ਸਹਿਯੋਗੀਆਂ ਨੇ ਐਕਸਬਾਕਸ ਤੋਂ ਉੱਤਰਦਾਤਾਵਾਂ ਦਾ ਇਸਤੇਮਾਲ ਕਰਦੇ ਹੋਏ ਚੋਣ ਦੇ ਆਪਣੇ ਅਧਿਐਨ ਨਾਲ ਕੀਤਾ.

ਕਿਉਂਕਿ ਉਹ ਕੰਪਿਊਟਰ-ਦੁਆਰਾ ਚਲਾਏ ਇੰਟਰਵਿਊ ਦੇ ਨਾਲ ਗੈਰ-ਸੰਭਾਵੀ ਨਮੂਨੇ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਸੀ (ਮੈਂ ਭਾਗ 3.5 ਵਿੱਚ ਕੰਪਿਊਟਰ-ਦੁਆਰਾ ਵਿਭਾਜਿਤ ਮੁਲਾਕਾਤਾਂ ਬਾਰੇ ਹੋਰ ਗੱਲ ਕਰਾਂਗਾ), ਵੈਂਗ ਅਤੇ ਉਸਦੇ ਸਾਥੀਆਂ ਕੋਲ ਬਹੁਤ ਘੱਟ ਖਰਚੇ ਦਾ ਸੰਗ੍ਰਹਿ ਸੀ, ਜਿਸ ਕਰਕੇ ਉਹਨਾਂ ਨੂੰ 345,858 ਵਿਲੱਖਣ ਪ੍ਰਤੀਭਾਗੀਆਂ , ਚੋਣ ਪੋਲਿੰਗ ਦੇ ਮਿਆਰ ਦੁਆਰਾ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ. ਇਸ ਵੱਡੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵੱਡੀ ਪੱਧਰ 'ਤੇ ਪੋਸਟ-ਸਟਰ੍ਰਿਟੀਸ਼ਨ ਗਰੁੱਪ ਬਣਾਉਣ ਲਈ ਸਮਰੱਥ ਬਣਾਇਆ. ਹਾਲਾਂਕਿ ਪੋਸਟ-ਸਟਰਿਟਿਸ਼ਨ ਵਿੱਚ ਜਨਸੰਖਿਆ ਨੂੰ ਸੈਂਕੜੇ ਗਰੁੱਪਾਂ ਵਿੱਚ ਵੱਢਣਾ ਸ਼ਾਮਲ ਹੈ, ਵੈਂਗ ਅਤੇ ਉਸਦੇ ਸਾਥੀਆਂ ਨੇ ਲਿੰਗ (2 ਵਰਗਾਂ), ਨਸਲ (4 ਵਰਗਾਂ), ਉਮਰ (4 ਵਰਗ), ਸਿੱਖਿਆ (4 ਵਰਗ), ਰਾਜ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ 176,256 ਸਮੂਹਾਂ ਨੂੰ ਵੰਡ ਦਿੱਤਾ ਹੈ. (51 ਸ਼੍ਰੇਣੀਆਂ), ਪਾਰਟੀ ਆਈਡੀ (3 ਵਰਗ), ਵਿਚਾਰਧਾਰਾ (3 ਵਰਗ) ਅਤੇ 2008 ਵੋਟ (3 ਵਰਗ) ਸ਼ਾਮਲ ਹਨ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਉਹਨਾਂ ਦਾ ਵੱਡਾ ਨਮੂਨਾ ਦਾ ਆਕਾਰ, ਜੋ ਕਿ ਘੱਟ ਲਾਗਤ ਵਾਲੇ ਡੈਟਾ ਇਕੱਠਾ ਕਰਕੇ ਯੋਗ ਕੀਤਾ ਗਿਆ ਸੀ, ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਅਨੁਮਾਨ ਪ੍ਰਕਿਰਿਆ ਵਿਚ ਵਧੇਰੇ ਸੰਭਾਵਿਤ ਧਾਰਨਾ ਬਣਾਉਣ ਲਈ ਸਮਰੱਥ ਬਣਾਇਆ.

ਇੱਥੋਂ ਤਕ ਕਿ 345,858 ਵਿਲੱਖਣ ਭਾਗੀਦਾਰਾਂ ਦੇ ਨਾਲ, ਅਜੇ ਵੀ ਬਹੁਤ ਸਾਰੇ, ਬਹੁਤ ਸਾਰੇ ਸਮੂਹ ਸਨ ਜਿਨ੍ਹਾਂ ਦੇ ਲਈ ਵੈਂਗ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਵਿੱਚ ਲਗਭਗ ਕੋਈ ਉੱਤਰਦਾਤਾ ਨਹੀਂ ਸੀ. ਇਸ ਲਈ, ਉਹਨਾਂ ਨੇ ਹਰੇਕ ਸਮੂਹ ਵਿੱਚ ਸਮਰਥਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਮਲਟੀਪਲ ਡਿਗਰੀ ਵਜੋਂ ਇੱਕ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ. ਖਾਸ ਤੌਰ ਤੇ, ਕਿਸੇ ਖਾਸ ਸਮੂਹ ਦੇ ਅੰਦਰ ਓਬਾਮਾ ਲਈ ਸਮਰਥਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਬਹੁਤ ਸਾਰੇ ਨਜ਼ਦੀਕੀ ਸਬੰਧਿਤ ਸਮੂਹਾਂ ਤੋਂ ਮਲਟੀਲਿਵਲ ਪੁਨਰਗਠਨ ਇਕੱਤਰ ਕੀਤੀ ਜਾਣਕਾਰੀ ਉਦਾਹਰਨ ਲਈ, 18 ਤੋਂ 29 ਸਾਲ ਦੇ ਵਿਚਕਾਰ ਮੈਡੀ ਹਾਇਪੈਨਿਕਸ ਵਿਚ ਓਬਾਮਾ ਲਈ ਸਮਰਥਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਜੋ ਕਾਲਜ ਗਰੈਜੂਏਟ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੇ ਡੈਮੋਕ੍ਰੇਟਸ ਰਜਿਸਟਰਡ ਕੀਤੇ ਹਨ, ਜਿਹੜੇ ਆਪਣੇ ਆਪ ਨੂੰ ਸੰਜਮ ਨਾਲ ਪਛਾਣਦੇ ਹਨ ਅਤੇ 2008 ਵਿਚ ਓਬਾਮਾ ਲਈ ਵੋਟ ਕਿਸਨੇ ਵੋਟ ਦਿੱਤੇ. , ਬਹੁਤ ਹੀ ਖ਼ਾਸ ਸਮੂਹ, ਅਤੇ ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਨਮੂਨੇ ਵਿੱਚ ਕੋਈ ਨਹੀਂ ਹੈ ਇਸ ਲਈ, ਇਸ ਗਰੁੱਪ ਬਾਰੇ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਮਲਟੀਵਲਵਲ ਰਿਗਰਸ਼ਨ ਇੱਕ ਸਮੂਹਿਕ ਮਾਡਲ ਦੀ ਵਰਤੋ ਕਰਦਾ ਹੈ ਜੋ ਇਕੱਠਿਆਂ ਇਕੱਠਿਆਂ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਬਹੁਤ ਸਾਰੇ ਸਮਾਨ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ.

ਇਸ ਤਰ੍ਹਾਂ, ਵੈਂਗ ਅਤੇ ਉਸਦੇ ਸਾਥੀਆਂ ਨੇ ਇੱਕ ਅਜਿਹੀ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜੋ ਮਲਟੀਪਲ ਪੁਨਰਗ੍ਰੇਸ਼ਨ ਅਤੇ ਪੋਸਟ-ਸਟਰੈਕਟੀਫਿਕੇਸ਼ਨ ਨੂੰ ਜੋੜਦੀ ਸੀ, ਇਸ ਲਈ ਉਹਨਾਂ ਨੇ ਆਪਣੀ ਰਣਨੀਤੀ ਮਲਟੀਲਿਵਲ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਪੋਸਟ-ਸਟਰ੍ਰਿਫਿਕਸ਼ਨ ਨਾਲ ਜਾਂ ਹੋਰ ਜਿਆਦਾ ਪਿਆਰ ਨਾਲ ਕਿਹਾ "ਮਿਸਟਰ. ਪੀ. "ਜਦੋਂ ਵੈਂਗ ਅਤੇ ਉਸਦੇ ਸਾਥੀਆਂ ਨੇ ਪੀ ਐੱਫ ਐਕਸ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਤੋਂ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਸ਼੍ਰੀ ਪੀ. ਪੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਤਾਂ ਉਹਨਾਂ ਨੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਕਿ ਓਬਾਮਾ ਨੂੰ 2012 ਦੇ ਚੋਣ (ਚਿੱਤਰ 3.8) ਅਸਲ ਵਿਚ ਉਨ੍ਹਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਰਵਾਇਤੀ ਜਨਮਤ ਰਾਇਸ ਪੋਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਸੀ. ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਕੇਸ ਵਿਚ, ਅੰਕੜਿਆਂ ਦੇ ਐਡਜਸਟਮੈਂਟ-ਖਾਸ ਤੌਰ ਤੇ ਮਿਸਟਰ ਪੀ .- ਗੈਰ-ਸੰਭਾਵਨਾ ਡੇਟਾ ਵਿਚ ਪੱਖਪਾਤ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਇੱਕ ਚੰਗੀ ਨੌਕਰੀ ਕਰਦੇ ਜਾਪਦੇ ਹਨ; ਬੁਰਾਈਆਂ ਜੋ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਜਦੋਂ ਤੁਸੀਂ ਅਨਜੋਟੇਡ Xbox ਡੇਟਾ ਤੋਂ ਅੰਦਾਜ਼ੇ ਨੂੰ ਦੇਖੋਗੇ.

ਚਿੱਤਰ 3.8: W. Wang et al. (2015) ਤੋਂ ਅਨੁਮਾਨ W. Wang et al. (2015) ਅਨਜੋਟੇਜ਼ਡ XBox ਨਮੂਨ ਗਲਤ ਅਗਾਊਂ ਪੇਸ਼ ਕੀਤਾ ਪਰ, ਭਾਰ ਕੀਤੇ ਐਕਸਬੌਕਸ ਨਮੂਨੇ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ ਕਿ ਸੰਭਾਵੀ ਆਧਾਰਿਤ ਟੈਲੀਫ਼ੋਨ ਸਰਵੇਖਣਾਂ ਦੀ ਔਸਤ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਸਨ. W. Wang et al. (2015) ਤੋਂ ਸੰਤੁਸ਼ਟ W. Wang et al. (2015) , ਅੰਕ 2 ਅਤੇ 3.

ਵੰਗ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਦੇ ਅਧਿਐਨ ਤੋਂ ਦੋ ਮੁੱਖ ਸਬਕ ਹਨ. ਪਹਿਲਾਂ, ਅਨਜੋਧਿਤ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਮਾੜੇ ਅੰਦਾਜ਼ੇ ਵੱਲ ਖੜ ਸਕਦੇ ਹਨ; ਇਹ ਉਹ ਸਬਕ ਹੈ ਜੋ ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪਹਿਲਾਂ ਸੁਣਿਆ ਹੈ. ਦੂਜੀ ਸਬਕ, ਹਾਲਾਂਕਿ, ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਹਨ, ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਵਧੀਆ ਅਨੁਮਾਨ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ; ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਆਟੋਮੈਟਿਕਲੀ ਲਿਟਰੇਰੀ ਡਾਈਜੈਸਟ ਫਾਏਸਕੋ ਵਰਗੀ ਕੋਈ ਚੀਜ਼ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ.

ਅਗਾਂਹ ਜਾ ਰਿਹਾ ਹੈ, ਜੇ ਤੁਸੀਂ ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੀ ਪਹੁੰਚ ਅਤੇ ਗੈਰ-ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਿਚ ਫੈਸਲਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ ਤਾਂ ਤੁਹਾਨੂੰ ਮੁਸ਼ਕਲ ਵਿਕਲਪ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ. ਕਈ ਵਾਰ ਖੋਜਕਰਤਾ ਇੱਕ ਤੇਜ਼ ਅਤੇ ਸਖਤ ਨਿਯਮ ਚਾਹੁੰਦੇ ਹਨ (ਜਿਵੇਂ, ਹਮੇਸ਼ਾਂ ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਢੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ), ਪਰ ਅਜਿਹੇ ਨਿਯਮ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨਾ ਵੱਧਦੀ ਔਖਾ ਹੈ. ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਅਭਿਆਸ ਵਿਚ ਸੰਭਾਵੀ ਨਮੂਨੇ ਦੇ ਢੰਗਾਂ ਵਿਚ ਇਕ ਮੁਸ਼ਕਲ ਚੋਣ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ-ਜੋ ਕਿ ਸਿਧਾਂਤਕ ਨਤੀਜੇ ਤੋਂ ਬਹੁਤ ਮਹਿੰਗੇ ਅਤੇ ਦੂਰ ਹਨ ਜੋ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਂਦੇ ਹਨ-ਜੋ ਸਸਤਾ ਅਤੇ ਤੇਜ਼ ਹਨ, ਪਰ ਘੱਟ ਜਾਣੂ ਅਤੇ ਹੋਰ ਵਿਵਿਧ ਹਨ. ਇਕ ਗੱਲ ਜੋ ਸਪੱਸ਼ਟ ਹੋਵੇ, ਇਹ ਹੈ ਕਿ ਜੇ ਤੁਹਾਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਜਾਂ ਗੈਰ-ਪ੍ਰਤੀਨਿਧੀਆਂ ਦੇ ਵੱਡੇ ਡੇਟਾ ਸ੍ਰੋਤਾਂ (ਅਧਿਆਇ 2 ਤੇ ਵਾਪਸ ਜਾਣ) ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਵਿਸ਼ਵਾਸ ਕਰਨ ਦਾ ਇਕ ਮਜ਼ਬੂਤ ​​ਕਾਰਨ ਹੈ ਕਿ ਅਨੁਮਾਨਾਂ ਨੂੰ ਪੋਸਟ-ਸਟਰ੍ਰਿਫਿਕੇਸ਼ਨ ਅਤੇ ਸੰਬੰਧਿਤ ਤਕਨੀਕ ਬੇਰੋਕ ਹੋਏ, ਕੱਚਾ ਅੰਦਾਜ਼ੇ ਨਾਲੋਂ ਬਿਹਤਰ ਹੋਣਗੇ