3.4.2 ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ: ਮੱਧਮਾਨ

ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਨਾਲ, ਵਜ਼ਨ ਮੰਨਿਆ ਨਮੂਨੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕਾਰਨ ਭਟਕਣਾ ਨੂੰ ਖ਼ਤਮ ਕਰ ਸਕਦਾ ਹੈ.

ਉਸੇ ਤਰੀਕੇ ਨਾਲ ਹੈ, ਜੋ ਕਿ ਖੋਜਕਾਰ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਤੱਕ ਜਵਾਬ ਭਾਰ ਵਿੱਚ, ਉਹ ਵੀ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਤੱਕ ਜਵਾਬ ਿਜ਼ਨ ਕਰ ਸਕਦਾ ਹੈ. ਮਿਸਾਲ ਲਈ, ਮੁੱਖ ਸੰਸਦੀ ਸਕੱਤਰ ਨੂੰ ਇੱਕ ਬਦਲ ਦੇ ਤੌਰ ਤੇ, ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਵੈੱਬਸਾਈਟ ਦੇ ਹਜ਼ਾਰ 'ਤੇ ਬੈਨਰ ਵਿਗਿਆਪਨ ਰੱਖਿਆ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਇੱਕ ਸਰਵੇਖਣ ਲਈ ਹਿੱਸਾ ਭਰਤੀ ਕਰਨ. ਕੁਦਰਤੀ, ਤੁਹਾਨੂੰ ਸ਼ੱਕ ਹੈ ਕਿ ਤੁਹਾਡਾ ਨਮੂਨਾ ਦੇ ਸਧਾਰਨ ਮਤਲਬ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਦੀ ਇੱਕ ਚੰਗਾ ਅੰਦਾਜ਼ਾ ਹੋਵੇਗਾ ਹੋਵੇਗਾ. ਤੁਹਾਡਾ ਸੰਦੇਹ ਸੰਭਵ ਹੈ, ਕਿਉਕਿ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਕੁਝ ਲੋਕ ਹੋਰ ਹੋਰ ਵੱਧ ਆਪਣੇ ਸਰਵੇਖਣ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ. ਮਿਸਾਲ ਲਈ, ਉਹ ਲੋਕ ਜੋ ਵੈੱਬ 'ਤੇ ਵਾਰ ਦੀ ਇੱਕ ਬਹੁਤ ਖਰਚ ਨਾ ਕਰਦੇ ਘੱਟ ਆਪਣੇ ਸਰਵੇਖਣ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ.

ਸਾਨੂੰ ਪਿਛਲੇ ਭਾਗ ਵਿਚ ਦੇਖਿਆ ਸੀ, ਪਰ, ਜੇ ਸਾਨੂੰ ਪਤਾ ਹੈ ਨਮੂਨਾ ਚੁਣਿਆ ਤੌਰ ਗਿਆ ਸੀ ਸਾਨੂੰ ਸੰਭਾਵਨਾ ਨਾਲ ਕੀ ਨਮੂਨੇ-ਫਿਰ ਸਾਨੂੰ ਨਮੂਨਾ ਕਾਰਜ ਨੂੰ ਦੇ ਕਾਰਨ ਭਟਕਣਾ ਨੂੰ ਖ਼ਤਮ ਕਰ ਸਕਦਾ ਹੈ. ਬਦਕਿਸਮਤੀ ਨਾਲ, ਜਦ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਨਾਲ ਕੰਮ ਕਰ, ਸਾਨੂੰ ਪਤਾ ਨਾ ਕਰਦੇ ਨੂੰ ਨਮੂਨੇ ਚੁਣਿਆ ਗਿਆ ਸੀ. ਪਰ, ਸਾਨੂੰ ਨਮੂਨੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਬਾਰੇ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਸੇ ਤਰੀਕੇ ਮੱਧਮਾਨ ਲਾਗੂ ਕਰੋ. ਇਹ ਕਲਪਨਾ ਸਹੀ ਹਨ, ਜੇ, ਫਿਰ ਮੱਧਮਾਨ ਨਮੂਨੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕਾਰਨ ਭਟਕਣਾ ਮਿਟਾ ਦੇਵੇਗਾ.

ਮਿਸਾਲ ਲਈ, ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਹਾਡੀ ਬੈਨਰ ਵਿਗਿਆਪਨ ਦੇ ਜਵਾਬ ਵਿਚ, ਤੁਹਾਨੂੰ 100,000 ਜਵਾਬ ਭਰਤੀ. ਪਰ, ਤੁਹਾਨੂੰ ਵਿਸ਼ਵਾਸ ਹੈ, ਨਾ ਭੁੱਲੋ ਕਿ ਇਹ 100,000 ਜਵਾਬ ਅਮਰੀਕੀ ਬਾਲਗ ਦੇ ਇੱਕ ਸਧਾਰਨ ਲਗਾਤਾਰ ਨਮੂਨਾ ਹਨ. ਅਸਲ ਵਿਚ, ਜਦ ਤੁਹਾਨੂੰ ਅਮਰੀਕਾ ਦੇ ਆਬਾਦੀ ਨੂੰ ਆਪਣੇ ਜਵਾਬ ਦੀ ਤੁਲਨਾ ਕਰੋ, ਤੁਹਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਕੁਝ ਰਾਜ (ਉਦਾਹਰਨ ਲਈ, ਨਿਊਯਾਰਕ) ਤੱਕ ਲੋਕ ਕੁਝ ਰਾਜ (ਉਦਾਹਰਨ ਲਈ, ਅਲਾਸਕਾ) ਤੱਕ ਵੱਧ-ਨੁਮਾਇੰਦਗੀ ਅਤੇ ਇਹ ਹੈ ਜੋ ਲੋਕ ਹਨ ਅਧੀਨ-ਨੁਮਾਇੰਦਗੀ ਹਨ. ਇਸ ਲਈ, ਆਪਣੇ ਨਮੂਨੇ ਦੀ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਦਾ ਟੀਚਾ ਆਬਾਦੀ ਵਿਚ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਦੀ ਇੱਕ ਬੁਰਾ ਅਨੁਮਾਨ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ.

ਇਕ ਤਰੀਕਾ ਹੈ ਭਟਕਣਾ ਹੈ, ਜੋ ਕਿ ਨਮੂਨੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿਚ ਹੋਇਆ ਵਾਪਿਸ ਕਰਨ ਲਈ ਹਰ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਵਜ਼ਨ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ; ਰਾਜ ਦੇ ਲੋਕ ਨੂੰ ਘੱਟ ਵਜ਼ਨ ਹੈ, ਜੋ ਕਿ ਰਾਜ ਹੈ, ਜੋ ਕਿ ਸਧਾਰਨ (ਉਦਾਹਰਨ ਲਈ, ਅਲਾਸਕਾ) ਵਿੱਚ ਅਧੀਨ-ਨੁਮਾਇੰਦਗੀ ਕਰ ਰਹੇ ਹਨ ਤੱਕ ਨਮੂਨਾ (ਉਦਾਹਰਨ ਲਈ, ਨਿਊਯਾਰਕ) ਅਤੇ ਉੱਚ ਵਜ਼ਨ ਲੋਕ ਵਿਚ ਵੱਧ-ਨੁਮਾਇੰਦਗੀ ਕਰ ਰਹੇ ਹਨ. ਖਾਸ ਤੌਰ ਤੇ, ਹਰ ਇੱਕ ਜਵਾਬਦੇਹ ਲਈ ਭਾਰ ਨੂੰ ਅਮਰੀਕਾ ਦੀ ਆਬਾਦੀ ਵਿੱਚ ਆਪਣੇ ਫੈਲੀ ਕਰਨ ਲਈ ਆਪਣੇ ਨਮੂਨਾ ਰਿਸ਼ਤੇਦਾਰ ਵਿੱਚ ਆਪਣੇ ਫੈਲੀ ਨਾਲ ਸਬੰਧਤ ਹੈ. ਇਹ ਮੱਧਮਾਨ ਵਿਧੀ ਪੋਸਟ-stratification ਕਿਹਾ ਗਿਆ ਹੈ, ਅਤੇ ਤੋਲ ਦੇ ਵਿਚਾਰ ਧਾਰਾ 3.4.1 ਵਿੱਚ ਉਦਾਹਰਨ ਦੇ ਤੁਹਾਨੂੰ ਯਾਦ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਜਿੱਥੇ ਰ੍ਹੋਡ Island ਤੱਕ ਜਵਾਬ ਕੈਲੀਫੋਰਨੀਆ ਤੱਕ ਜਵਾਬ ਵੱਧ ਘੱਟ ਭਾਰ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਪੋਸਟ-stratification ਦੀ ਲੋੜ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਗਰੁੱਪ ਵਿੱਚ ਆਪਣੇ ਜਵਾਬ ਪਾ ਲਈ ਹੈ ਅਤੇ ਹਰ ਗਰੁੱਪ ਵਿਚ ਟੀਚੇ ਦਾ ਆਬਾਦੀ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਪਤਾ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਪਤਾ ਹੈ ਕਿ.

ਪਰ ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਦੇ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਦੇ ਮੱਧਮਾਨ ਨੂੰ ਉਸੇ mathematically (ਤਕਨੀਕੀ ਅੰਤਿਕਾ ਦੇਖੋ) ਹੁੰਦੇ ਹਨ, ਉਹ ਵੱਖ-ਵੱਖ ਹਾਲਾਤ ਵਿਚ ਨਾਲ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ. ਖੋਜਕਾਰ ਇਕ ਮੁਕੰਮਲ ਸੰਭਾਵਨਾ ਨਮੂਨਾ (ਭਾਵ, ਕੋਈ ਕਵਰੇਜ ਗਲਤੀ ਹੈ ਅਤੇ ਕੋਈ ਵੀ ਗੈਰ-ਜਵਾਬ) ਹੈ, ਜੇ, ਫਿਰ ਮੱਧਮਾਨ ਸਾਰੇ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਗੁਣ ਲਈ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰੇਗਾ. ਇਹ ਮਜ਼ਬੂਤ ​​ਲਿਖਤੀ ਗਾਰੰਟੀ ਹੈ ਕਿ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਐਡਵੋਕੇਟ ਨੇ ਇਸ ਆਕਰਸ਼ਕ ਲੱਭਣ ਲਈ. ਦੂਜੇ ਪਾਸੇ, ਮੱਧਮਾਨ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਹੀ ਕਰੋ, ਜੇਕਰ ਜਵਾਬ propensities ਹਰ ਗਰੁੱਪ ਵਿਚ ਹਰ ਕਿਸੇ ਲਈ ਇੱਕੋ ਹੀ ਹਨ ਸਾਰੇ ਔਗੁਣ ਲਈ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰੇਗਾ. ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਪੋਸਟ-stratification ਵਰਤ ਜੇਕਰ ਤੁਹਾਨੂੰ ਨ੍ਯੂ ਯਾਰ੍ਕ ਵਿੱਚ ਹਰ ਕੋਈ ਹਿੱਸਾ ਅਤੇ ਅਲਾਸਕਾ ਵਿੱਚ ਹਰ ਹਿੱਸਾ ਲੈਣ ਅਤੇ ਇਸ 'ਤੇ ਦੇ ਉਸੇ ਸੰਭਾਵਨਾ ਹੈ ਦੇ ਇਸੇ ਸੰਭਾਵਨਾ ਹੈ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰੇਗਾ, ਸਾਡੇ ਉਦਾਹਰਨ ਲਈ ਵਾਪਸ ਸੋਚ,. ਇਹ ਧਾਰਨਾ ਇਕੋ-ਜਵਾਬ-propensities-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਕਿਹਾ ਗਿਆ ਹੈ, ਅਤੇ ਇਸ ਨੂੰ ਜਾਣਦਾ ਸੀ ਵਿੱਚ ਇੱਕ ਅਹਿਮ ਭੂਮਿਕਾ ਅਦਾ ਕਰਦਾ ਹੈ, ਜੇ ਪੋਸਟ-stratification ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਨਾਲ ਨਾਲ ਕੰਮ ਕਰੇਗਾ.

ਬਦਕਿਸਮਤੀ ਨਾਲ, ਸਾਡੇ ਉਦਾਹਰਨ ਵਿੱਚ, ਇਕੋ-ਜਵਾਬ-propensities-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਨੂੰ ਸੱਚ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਲੱਗਦਾ ਹੈ. ਜੋ ਕਿ ਹੈ, ਇਸ ਨੂੰ ਸੰਭਾਵਨਾ ਲੱਗਦਾ ਹੈ ਅਲਾਸਕਾ ਵਿੱਚ ਹਰ ਆਪਣੇ ਸਰਵੇਖਣ ਵਿਚ ਹੋਣ ਦੀ ਇੱਕੋ ਹੀ ਸੰਭਾਵਨਾ ਹੈ. ਪਰ, ਉਥੇ ਤਿੰਨ ਮਹੱਤਵਪੂਰਨ ਅੰਕ ਪੋਸਟ-stratification ਬਾਰੇ ਮਨ ਵਿਚ ਰੱਖਣ ਲਈ, ਜਿਸ ਦੇ ਸਾਰੇ ਇਸ ਨੂੰ ਹੋਰ ਹੋਨਹਾਰ ਜਾਪਦਾ ਬਣਾ ਰਹੇ ਹਨ.

ਪਹਿਲੀ, ਇਕੋ-ਜਵਾਬ-propensities-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਗਰੁੱਪ ਵਾਧੇ ਦੀ ਗਿਣਤੀ ਦੇ ਤੌਰ ਤੇ ਹੋਰ ਪ੍ਰਤੀਲਿਪੀ ਬਣਦਾ ਹੈ. ਅਤੇ, ਖੋਜਕਾਰ ਹੁਣੇ ਹੀ ਇੱਕ ਸਿੰਗਲ ਭੂਗੋਲਿਕ ਦਿਸ਼ਾ 'ਤੇ ਆਧਾਰਿਤ ਗਰੁੱਪ ਤੱਕ ਹੀ ਸੀਮਿਤ ਨਾ ਰਹੇ ਹਨ. ਮਿਸਾਲ ਲਈ, ਸਾਨੂੰ ਰਾਜ ਦੇ, ਉਮਰ, ਸੈਕਸ, ਅਤੇ ਸਿੱਖਿਆ ਦੇ ਪੱਧਰ 'ਤੇ ਆਧਾਰਿਤ ਗਰੁੱਪ ਬਣਾ ਸਕਦਾ ਹੈ. ਇਹ ਹੋਰ ਪ੍ਰਤੀਲਿਪੀ ਹੈ, ਜੋ ਕਿ 18-29 ਦੇ ਗਰੁੱਪ ਦੇ ਅੰਦਰ ਇਕੋ ਜਵਾਬ propensities ਲੱਗਦਾ ਹੈ, ਅਲਾਸਕਾ ਵਿਚ ਰਹਿ ਸਾਰੇ ਲੋਕ ਦੇ ਗਰੁੱਪ ਦੇ ਅੰਦਰ ਵੱਧ ਅਲਾਸਕਾ ਵਿਚ ਰਹਿ ਔਰਤ, ਕਾਲਜ ਗ੍ਰੈਜੂਏਟ. ਇਸ ਲਈ, ਪੋਸਟ-stratification ਵਾਧੇ ਲਈ ਵਰਤਿਆ ਗਰੁੱਪ ਦੀ ਗਿਣਤੀ ਦੇ ਤੌਰ ਤੇ, ਕਲਪਨਾ ਇਸ ਨੂੰ ਹੋਰ ਜਾਇਜ਼ ਬਣ ਦਾ ਸਮਰਥਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ. ਇਸ ਗੱਲ ਦੇ ਮੱਦੇਨਜ਼ਰ, ਇਸ ਨੂੰ ਇੱਕ ਖੋਜਕਾਰ ਪੋਸਟ-stratification ਲਈ ਗਰੁੱਪ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਨੂੰ ਬਣਾਉਣ ਲਈ ਚਾਹੁੰਦੇ ਹੋ ਜਾਵੇਗਾ ਵਰਗਾ ਲੱਗਦਾ ਹੈ. ਡਾਟਾ sparsity: ਪਰ, ਗਰੁੱਪ ਵਾਧੇ ਦੀ ਗਿਣਤੀ ਦੇ ਤੌਰ ਤੇ, ਖੋਜਕਾਰ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਸਮੱਸਿਆ ਦਾ ਵਿੱਚ ਚਲਾਉਣ. ਜੇ ਸਿਰਫ ਹਰ ਗਰੁੱਪ ਵਿਚ ਲੋਕ ਦੇ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਹਨ, ਫਿਰ ਅਨੁਮਾਨ ਹੋਰ ਅਨਿਸ਼ਚਿਤ ਹੋ ਜਾਵੇਗਾ, ਅਤੇ ਬਹੁਤ ਕੇਸ ਵਿਚ ਇਕ ਗਰੁੱਪ ਦਾ ਕੋਈ ਜਵਾਬ ਹੈ, ਜੋ ਕਿ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕਿ, ਫਿਰ ਪੋਸਟ-stratification ਪੂਰੀ ਭੰਗ. ਉੱਥੇ homogeneous- ਜਵਾਬ-propensity-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਦੇ plausibility ਅਤੇ ਹਰ ਗਰੁੱਪ ਵਿੱਚ ਵਾਜਬ ਨਮੂਨਾ ਅਕਾਰ ਦੀ ਮੰਗ ਦੇ ਵਿਚਕਾਰ ਇਸ ਕਰਵਾਉਣ ਤਣਾਅ ਦੇ ਬਾਹਰ ਦੋ ਤਰੀਕੇ ਹਨ. ਇਕ ਦੀ ਪਹੁੰਚ ਵਜ਼ਨ ਗਣਨਾ ਲਈ ਇੱਕ ਹੋਰ ਵਧੀਆ ਅੰਕੜਾ ਮਾਡਲ ਨੂੰ ਜਾਣ ਲਈ ਹੈ ਅਤੇ ਹੋਰ ਇੱਕ ਵੱਡੇ, ਹੋਰ ਵੱਖ-ਵੱਖ ਨਮੂਨੇ, ਜੋ ਕਿ ਹਰ ਗਰੁੱਪ ਵਿੱਚ ਵਾਜਬ ਨਮੂਨਾ ਅਕਾਰ ਨੂੰ ਯਕੀਨੀ ਮਦਦ ਕਰਦਾ ਹੈ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਹੁੰਦਾ ਹੈ. ਅਤੇ, ਕਈ ਵਾਰ ਖੋਜਕਾਰ ਦੋਨੋ ਕਰਦੇ ਹਨ, ਦੇ ਰੂਪ ਵਿੱਚ ਮੈਨੂੰ ਹੇਠ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਦਾ ਵਰਣਨ ਹੋਵੋਗੇ.

ਇੱਕ ਦੂਜਾ ਵਿਚਾਰ ਹੈ ਜਦ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਤੱਕ ਪੋਸਟ-stratification ਨਾਲ ਕੰਮ ਹੈ, ਜੋ ਕਿ ਇਕੋ-ਜਵਾਬ-propensity-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਹੀ ਅਕਸਰ, ਜਦ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ ਹੈ. ਇਸ ਦਾ ਕਾਰਨ ਹੈ ਕਿ ਇਸ ਧਾਰਨਾ ਅਭਿਆਸ ਵਿੱਚ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੀ ਲੋੜ ਹੈ, ਜੋ ਕਿ ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਗੈਰ-ਜਵਾਬ ਹੈ, ਅਤੇ ਨਾ-ਜਵਾਬ ਲਈ ਸਮਾਯੋਜਨ ਲਈ ਸਭ ਆਮ ਢੰਗ ਹੈ ਪੋਸਟ-stratification ਦੇ ਤੌਰ ਉਪਰ ਦੱਸਿਆ ਗਿਆ ਹੈ ਹੈ. ਬੇਸ਼ੱਕ, ਕੇਵਲ, ਕਿਉਕਿ ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਾਰ ਇੱਕ ਨੂੰ ਕੁਝ ਧਾਰਨਾ ਮਤਲਬ ਨਹੀ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਇਸ ਨੂੰ ਵੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਰ. ਪਰ, ਇਸ ਦਾ ਇਹ ਮਤਲਬ ਹੈ ਕਿ ਜਦ ਅਭਿਆਸ ਵਿੱਚ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੀ ਤੁਲਨਾ, ਸਾਨੂੰ ਮਨ ਹੈ, ਜੋ ਕਿ ਦੋਨੋ ਕ੍ਰਮ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਨ ਵਿਚ ਕਲਪਨਾ ਹੈ ਅਤੇ ਸਹਾਇਕ ਜਾਣਕਾਰੀ ਤੇ ਨਿਰਭਰ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ. ਸਭ ਯਥਾਰਥਵਾਦੀ ਸੈਟਿੰਗ ਵਿੱਚ, ਉੱਥੇ ਸਿਰਫ਼ ਇਸ ਦਾ ਕੋਈ ਧਾਰਨਾ-ਮੁਕਤ ਪਹੁੰਚ ਯੋਗਤਾ ਕਰਨਾ ਹੈ.

ਅੰਤ ਵਿੱਚ, ਤੁਹਾਡੇ ਵਿੱਚ ਇਸ ਬਾਰੇ ਇੱਕ ਅੰਦਾਜ਼ੇ ਪਰਵਾਹ ਹੈ, ਜੇ ਸਾਡੇ ਉਦਾਹਰਨ ਬੇਰੁਜ਼ਗਾਰੀ ਖਾਸ-ਵਿੱਚ ਦੀ ਦਰ-ਫਿਰ ਤੁਹਾਨੂੰ ਇੱਕ ਹਾਲਤ ਇਕੋ-ਜਵਾਬ-propensity-ਦੇ ਅੰਦਰ-ਗਰੁੱਪ ਧਾਰਨਾ ਵੱਧ ਕਮਜ਼ੋਰ ਦੀ ਲੋੜ ਹੈ. ਖਾਸ ਕਰ ਕੇ, ਤੁਹਾਨੂੰ, ਜੋ ਕਿ ਹਰ ਕਿਸੇ ਨੂੰ ਵੀ ਉਸੇ ਜਵਾਬ propensity ਹੈ ਮੰਨ ਲਈ, ਤੁਹਾਨੂੰ ਸਿਰਫ ਮੰਨ ਲਈ ਹਰ ਗਰੁੱਪ ਦੇ ਅੰਦਰ ਜਵਾਬ propensity ਅਤੇ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਵਿੱਚ ਕੋਈ ਸਬੰਧ ਹੁੰਦਾ ਹੈ, ਜੋ ਕਿ ਲੋੜ ਹੈ ਲੋੜ ਨਹ ਹੈ. ਬੇਸ਼ੱਕ, ਇਹ ਵੀ ਇਸ ਨੂੰ ਕਮਜ਼ੋਰ ਹਾਲਤ ਕੁਝ ਹਾਲਾਤ ਵਿੱਚ ਰੱਖਣ ਨਾ ਕਰੇਗਾ. ਮਿਸਾਲ ਲਈ, ਅਮਰੀਕਨ, ਜੋ ਕਿ ਵਲੰਟੀਅਰ ਕੰਮ ਕਰਦੇ ਹਨ ਦੇ ਅਨੁਪਾਤ ਅੰਦਾਜ਼ਾ ਕਲਪਨਾ. ਜੋ ਲੋਕ ਵਲੰਟੀਅਰ ਕੰਮ ਕਰਦੇ ਹੋਰ ਇਕ ਸਰਵੇਖਣ ਵਿਚ ਹੋਣ ਦਾ ਸਹਿਮਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਜੇ, ਫਿਰ ਖੋਜਕਾਰ ਕਰੇਗਾ ਯੋਜਨਾਬੱਧ ਵੱਧ-ਅੰਦਾਜ਼ਾ ਵਾਲੰਟੀਅਰ ਦੀ ਮਾਤਰਾ ਨੂੰ ਵੀ, ਜੇ, ਉਹ ਪੋਸਟ-stratification ਸੁਧਾਰ ਦੇ ਨਤੀਜੇ ਦੇ ਹੈ, ਜੋ ਕਿ ਕੇ empirically ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕੀ, Abraham, Helms, and Presser (2009) .

ਹੋਣ ਦੇ ਨਾਤੇ ਮੈਨੂੰ ਪਿਛਲੇ ਨੇ ਕਿਹਾ, 'ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਮਹਾਨ ਸ਼ੱਕ ਦੇ ਨਾਲ ਸਮਾਜਿਕ ਵਿਗਿਆਨੀ ਕੇ, ਸਰਵੇਖਣ ਖੋਜ ਦੇ ਮੁਢਲੇ ਦਿਨ ਵਿਚ ਸਭ ਸ਼ਰਮਨਾਕ ਅਸਫਲਤਾ ਦੇ ਕੁਝ ਵਿੱਚ ਆਪਣੀ ਭੂਮਿਕਾ ਦੇ ਕਾਰਨ ਸਮਝਿਆ ਕਰ ਰਹੇ ਹਨ ਹਿੱਸਾ ਹੈ. ਨੂੰ ਹੁਣ ਤੱਕ ਸਾਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਨਾਲ ਆਇਆ ਹੈ ਦਾ ਇੱਕ ਸਾਫ ਮਿਸਾਲ ਹੈ, ਜੋ ਕਿ ਠੀਕ ਅਮਰੀਕੀ Xbox ਉਪਭੋਗੀ ਨੂੰ ਦੇ ਇੱਕ ਨਾ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਵਰਤ 2012 ਨੂੰ ਅਮਰੀਕਾ ਦੇ ਚੋਣ ਦੇ ਨਤੀਜੇ ਬਰਾਮਦ ਵੇਈ Wang, ਦਾਊਦ Rothschild, ਸ਼ਰਦ ਗੋਇਲ, ਅਤੇ ਅੰਦ੍ਰਿਯਾਸ Gelman ਦੀ ਖੋਜ ਹੈ ਯਾਨੀ ਅਮਰੀਕੀ ਦੇ ਬਿਲਕੁਲ ਗੈਰ-ਬੇਤਰਤੀਬ ਨਮੂਨਾ (Wang et al. 2015) . ਖੋਜਕਾਰ Xbox ਖੇਡ ਸਿਸਟਮ ਜਵਾਬ ਭਰਤੀ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦਾ ਹੈ, Xbox ਨਮੂਨਾ ਮਰਦ ਤਿਰਛਾ ਅਤੇ ਨੌਜਵਾਨ ਤਿਰਛਾ: 18 - 29 ਸਾਲ ਦੀ ਉਮਰ ਹਲਕੇ ਦੇ 19% ਹੈ, ਪਰ Xbox ਨਮੂਨੇ ਦੇ 65% ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਲੋਕ 47% ਨੂੰ ਬਣਾਉਣ ਵੋਟਰ ਅਤੇ Xbox ਨਮੂਨਾ (ਚਿੱਤਰ 3.4) ਦੇ 93% ਦੇ. ਇਸ ਕਰਕੇ ਇਹ ਮਜ਼ਬੂਤ ​​ਜਨ ੳੱੁਪਰ, ਕੱਚਾ Xbox ਡਾਟਾ ਚੋਣ ਰਿਟਰਨ ਦੇ ਇੱਕ ਗਰੀਬ ਸੂਚਕ ਸੀ. ਇਹ ਬਰਾਕ ਓਬਾਮਾ 'ਤੇ ਮਿਟ ਰੋਮਨੀ ਦੇ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਜਿੱਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ. ਫਿਰ, ਇਸ ਨੂੰ ਕੱਚਾ, ਓਪੇਕ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਖ਼ਤਰੇ ਦੀ ਇਕ ਹੋਰ ਮਿਸਾਲ ਹੈ ਅਤੇ ਸਾਹਿਤਕ ਡਾਇਜੈਸਟ fiasco ਦੇ ਨਾਲ ਵਧੀ ਹੈ.

ਚਿੱਤਰ 3.4 ਵਿਚ: ਉੱਤਰਦਾਤਾ ਦੀ ਜਨਸੰਖਿਆ Wang et al. (2015) . ਇਸ ਕਰਕੇ ਜਵਾਬ Xbox ਤੱਕ ਭਰਤੀ ਕੀਤਾ ਗਿਆ ਸੀ, ਉਹ ਹੋਰ ਨੌਜਵਾਨ ਅਤੇ ਹੋਰ ਮਰਦ, 2012 ਨੂੰ ਚੋਣ ਵਿਚ ਵੋਟਰ ਨੂੰ ਰਿਸ਼ਤੇਦਾਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਸੀ.

ਪਰ, Wang ਅਤੇ ਸਾਥੀ ਇਹ ਸਮੱਸਿਆ ਦਾ ਪਤਾ ਸੀ ਅਤੇ ਨਮੂਨੇ ਕਾਰਜ ਲਈ ਠੀਕ ਕਰਨ ਲਈ ਜਵਾਬ ਿਜ਼ਨ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ. ਖਾਸ ਕਰਕੇ, ਉਹ ਪੋਸਟ-stratification ਮੈਨੂੰ ਬਾਰੇ ਤੁਹਾਨੂੰ ਦੱਸਿਆ ਦੀ ਇੱਕ ਹੋਰ ਵਧੀਆ ਫਾਰਮ ਵਰਤਿਆ. ਇਹ ਹੈ, ਕਿਉਕਿ ਇਹ ਪੋਸਟ-stratification ਬਾਰੇ ਸਹਿਜ ਬਣਾਉਦਾ ਆਪਣੇ ਪਹੁੰਚ ਬਾਰੇ ਇੱਕ ਬਿੱਟ ਹੋਰ ਸਿੱਖਣ ਦੀ ਕੀਮਤ ਹੈ, ਅਤੇ ਖਾਸ ਵਰਜਨ Wang ਅਤੇ ਸਾਥੀ ਵਰਤਿਆ ਮੱਧਮਾਨ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਲਈ ਸਭ ਦਿਲਚਸਪ ਤਰੀਕੇ ਦੇ ਇੱਕ ਹੈ.

ਹਿੱਸਾ 3.4.1 ਵਿੱਚ ਬੇਰੁਜ਼ਗਾਰੀ ਦਾ ਅਨੁਮਾਨ ਬਾਰੇ ਸਾਡੇ ਲਈ ਸਧਾਰਨ ਉਦਾਹਰਨ ਵਿੱਚ, ਸਾਨੂੰ ਘਰ ਦੇ ਰਾਜ ਦੇ 'ਤੇ ਆਧਾਰਿਤ ਗਰੁੱਪ ਵਿੱਚ ਆਬਾਦੀ ਵੰਡਿਆ. ਇਸ ਦੇ ਉਲਟ, Wang ਅਤੇ ਸਾਥੀ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ 176.256 ਗਰੁੱਪ ਵਿੱਚ ਵਿੱਚ ਆਬਾਦੀ ਵੰਡਿਆ: ਲਿੰਗ (2 ਵਰਗ), ਦੌੜ (4), ਉਮਰ (4), ਸਿੱਖਿਆ (4), ਰਾਜ (51 ਵਰਗ), ਪਾਰਟੀ ਦੇ ID (3 ਵਰਗ), ਵਿਚਾਰਧਾਰਾ (3 ਵਰਗ) ਅਤੇ 2008 ਵੋਟ (3 ਵਰਗ). ਹੋਰ ਗਰੁੱਪ ਦੇ ਨਾਲ, ਖੋਜਕਾਰ ਨੂੰ ਆਸ ਹੈ ਕਿ ਇਹ ਵਧਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਜੋ ਕਿ ਹਰ ਗਰੁੱਪ ਦੇ ਅੰਦਰ, ਜਵਾਬ propensity ਓਬਾਮਾ ਲਈ ਸਹਿਯੋਗ ਦੇ ਨਾਲ uncorrelated ਸੀ ਹੋਣਾ ਸੀ. ਅੱਗੇ, ਇਸ ਦੀ ਬਜਾਇ, ਵਿਅਕਤੀਗਤ ਪੱਧਰ ਦੇ ਵਜ਼ਨ ਦੇ ਨਿਰਮਾਣ ਦੇ ਤੌਰ ਤੇ ਸਾਨੂੰ ਆਪਣੇ ਉਦਾਹਰਣ ਵਿੱਚ ਕੀਤਾ ਸੀ ਵੱਧ, Wang ਅਤੇ ਸਾਥੀ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਹਰ ਗਰੁੱਪ ਹੈ, ਜੋ ਕਿ ਓਬਾਮਾ ਦੇ ਲਈ ਵੋਟ ਕਰਨਗੇ ਵਿਚ ਲੋਕ ਦੇ ਅਨੁਪਾਤ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਵਰਤਿਆ. ਅੰਤ ਵਿੱਚ, ਉਹ ਹਰ ਗਰੁੱਪ ਦਾ ਪਤਾ ਅਕਾਰ ਨਾਲ ਸਹਿਯੋਗ ਦੀ ਇਹ ਗਰੁੱਪ ਨੂੰ ਅਨੁਮਾਨ ਮਿਲਾ ਸਹਿਯੋਗ ਨੂੰ ਦੀ ਅੰਦਾਜ਼ਨ ਸਮੁੱਚੇ ਪੱਧਰ ਤਿਆਰ ਕਰਨ ਲਈ. ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਉਹ ਵੱਖ ਵੱਖ ਗਰੁੱਪ ਵਿੱਚ ਆਬਾਦੀ ਹੋਵੋ ਕੱਟਿਆ, ਓਬਾਮਾ ਲਈ ਸਹਿਯੋਗ ਦਾ ਅੰਦਾਜ਼ਾ ਹਰ ਗਰੁੱਪ ਵਿੱਚ, ਅਤੇ ਫਿਰ ਸਮੁੱਚੀ ਅੰਦਾਜ਼ਾ ਪੈਦਾ ਕਰਨ ਲਈ ਗਰੁੱਪ ਨੂੰ ਅਨੁਮਾਨ ਦੇ ਇੱਕ ਮੱਧਮਾਨ ਔਸਤ ਲਿਆ.

ਇਸ ਲਈ, ਆਪਣੇ ਪਹੁੰਚ ਵਿੱਚ ਵੱਡੀ ਚੁਣੌਤੀ ਇਹ 176.256 ਗਰੁੱਪ ਦੇ ਹਰ ਵਿਚ ਓਬਾਮਾ ਲਈ ਸਹਿਯੋਗ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਹੈ. ਪਰ ਆਪਣੇ ਪੈਨਲ ਵਿੱਚ 345.858 ਵਿਲੱਖਣ ਹਿੱਸਾ ਲੈਣ, ਚੋਣ ਪੋਲਿੰਗ ਦੇ ਮਿਆਰ ਦੇ ਕੇ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਸੀ, ਉੱਥੇ ਬਹੁਤ ਸਾਰੇ, ਬਹੁਤ ਸਾਰੇ ਗਰੁੱਪ, ਜਿਸ ਦੇ ਲਈ Wang ਅਤੇ ਸਾਥੀ ਲਗਭਗ ਕੋਈ ਜਵਾਬ ਸੀ. ਇਸ ਲਈ, ਹਰ ਇੱਕ ਗਰੁੱਪ ਨੂੰ ਉਹ ਇੱਕ ਤਕਨੀਕ ਨੂੰ ਵਰਤਿਆ ਪੋਸਟ-stratification ਨਾਲ ਬਹੁ ਰੈਗਰੈਸ਼ਨ ਕਹਿੰਦੇ ਹਨ, ਜੋ ਕਿ ਖੋਜਕਾਰ ਪਿਆਰ ਅਸਲ ਸ੍ਰੀ ਪੀ ਨੂੰ ਕਾਲ ਕਰੋ, ਇੱਕ ਖਾਸ ਗਰੁੱਪ ਵਿੱਚ ਓਬਾਮਾ ਲਈ ਸਹਿਯੋਗ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ, ਸ੍ਰੀ ਪੀ ਪੂਲ ਬਹੁਤ ਸਾਰੇ ਜਾਣਕਾਰੀ ਵਿਚ ਸਹਿਯੋਗ ਨੂੰ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਧਿਆਨ ਨਾਲ ਸਬੰਧਤ ਗਰੁੱਪ. ਉਦਾਹਰਨ ਲਈ,, 18-29 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਵਿਚਕਾਰ, ਔਰਤ ਲਾਤਿਨ ਓਬਾਮਾ ਲਈ ਸਹਿਯੋਗ ਦਾ ਅਨੁਮਾਨ ਦੀ ਚੁਣੌਤੀ 'ਤੇ ਵਿਚਾਰ, ਜੋ ਕਾਲਜ ਗ੍ਰੈਜੂਏਟ, ਜੋ ਰਜਿਸਟਰਡ ਹਨ ਡੈਮੋਕਰੇਟ, ਮਾਡਰੇਟ ਤੌਰ ਜੋ ਸਵੈ-ਦੀ ਪਛਾਣ ਹਨ, ਅਤੇ ਇਹ 2008 ਵਿੱਚ ਓਬਾਮਾ ਦੇ ਲਈ, ਜੋ ਵੋਟ ਇੱਕ ਬਹੁਤ ਹੀ, ਬਹੁਤ ਹੀ ਖਾਸ ਗਰੁੱਪ ਹੈ, ਅਤੇ ਇਸ ਨੂੰ ਇਹ ਗੁਣ ਦੇ ਨਾਲ ਨਮੂਨਾ ਵਿਚ ਕੋਈ ਹੈ, ਜੋ ਕਿ ਸੰਭਵ ਹੈ. ਇਸ ਲਈ, ਇਸ ਸਮੂਹ ਬਾਰੇ ਅਨੁਮਾਨ ਕਰਨ ਲਈ, ਸ਼੍ਰੀ ਪੀ ਪੂਲ ਇਕੱਠੇ ਬਹੁਤ ਹੀ ਇਸੇ ਗਰੁੱਪ ਵਿਚ ਲੋਕ ਅੰਦਾਜ਼ਾ.

ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਰਣਨੀਤੀ ਦਾ ਇਸਤੇਮਾਲ ਕਰਕੇ, Wang ਅਤੇ ਸਾਥੀ Xbox ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਵਰਤਣ ਲਈ ਬਹੁਤ ਹੀ ਧਿਆਨ ਨਾਲ ਸਮੁੱਚੇ ਸਹਿਯੋਗ ਨੂੰ ਹੈ, ਜੋ ਕਿ ਓਬਾਮਾ 2012 ਦੇ ਚੋਣ ਵਿਚ ਮਿਲੀ ਹੈ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਦੇ ਯੋਗ ਸਨ (ਚਿੱਤਰ 3.5). ਅਸਲ ਵਿਚ ਆਪਣੇ ਅੰਦਾਜ਼ੇ ਪਬਲਿਕ ਓਪੀਨੀਅਨ ਪੋਲ ਦੇ ਸਾਮੂਹਿਕ ਵੱਧ ਹੋਰ ਸਹੀ ਸਨ. ਇਸ ਲਈ, ਇਸ ਕੇਸ ਵਿਚ, ਮੱਧਮਾਨ-ਖਾਸ ਸ੍ਰੀ ਇੱਕ ਚੰਗਾ ਗੈਰ-ਸੰਭਾਵਨਾ ਡਾਟਾ ਵਿਚ ੳੱੁਪਰ ਠੀਕ ਕੰਮ ਕਰਨ ਲਈ ਪੀ-ਲੱਗਦਾ ਹੈ; ੳੱੁਪਰ ਹੈ, ਜੋ ਕਿ ਉਪਲੱਬਧ ਹਨ, ਜਦ ਕਿ ਤੁਹਾਨੂੰ ਓਪੇਕ Xbox ਡਾਟਾ ਤੱਕ ਅੰਦਾਜ਼ੇ 'ਤੇ ਵੇਖਣ.

ਚਿੱਤਰ 3.5: ਤੱਕ ਅਨੁਮਾਨ Wang et al. (2015) . ਓਪੇਕ Xbox ਨਮੂਨਾ ਗਲਤ ਅੰਦਾਜ਼ੇ ਪੈਦਾ. ਪਰ, ਮੱਧਮਾਨ Xbox ਨਮੂਨੇ ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ ਸੰਭਾਵਨਾ-ਅਧਾਰਿਤ ਟੈਲੀਫੋਨ ਸਰਵੇਖਣ ਦੀ ਔਸਤ ਵੱਧ ਹੋਰ ਸਹੀ ਸਨ ਪੈਦਾ.

ਉੱਥੇ Wang ਅਤੇ ਸਾਥੀ ਦੇ ਅਧਿਐਨ ਦੇ ਦੋ ਮੁੱਖ ਸਬਕ ਹਨ. ਪਹਿਲੀ, ਓਪੇਕ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਮੰਦਾ ਅਨੁਮਾਨ ਨੂੰ ਲੈ ਕੇ ਕਰ ਸਕਦੇ ਹੋ; ਇਸ ਨੂੰ ਇੱਕ ਸਬਕ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਾਰ ਨੂੰ ਸੁਣਿਆ ਹੈ. ਪਰ, ਦੂਜਾ ਸਬਕ ਹੈ, ਜੋ ਕਿ ਨਾ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ, ਜਦ ਨੂੰ ਠੀਕ ਭਾਰ, ਅਸਲ ਵਿੱਚ ਕਾਫ਼ੀ ਚੰਗਾ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ. ਅਸਲ ਵਿਚ, ਆਪਣੇ ਅਨੁਮਾਨ pollster.com, ਹੋਰ ਰਵਾਇਤੀ ਚੋਣ ਚੋਣ ਦਾ ਸੁਮੇਲ ਤੱਕ ਅੰਦਾਜ਼ੇ ਵੱਧ ਹੋਰ ਸਹੀ ਸਨ.

ਅੰਤ ਵਿੱਚ, ਉੱਥੇ ਸਾਨੂੰ ਕੀ ਇਸ ਨੂੰ ਇੱਕ ਖਾਸ ਅਧਿਐਨ ਸਿੱਖ ਸਕਦੇ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕਮੀ ਹਨ. ਬਸ, ਕਿਉਕਿ ਪੋਸਟ-stratification ਇਸ ਖਾਸ ਮਾਮਲੇ 'ਚ ਨਾਲ ਨਾਲ ਕੰਮ ਕੀਤਾ, ਉਥੇ ਕੋਈ ਗਰੰਟੀ ਹੈ, ਜੋ ਕਿ ਇਸ ਨੂੰ ਹੋਰ ਮਾਮਲੇ ਵਿੱਚ ਨਾਲ ਨਾਲ ਕੰਮ ਕਰੇਗਾ ਹੈ. ਅਸਲ ਵਿਚ, ਚੋਣ ਕਰਕੇ ਪੋਲਸਟਰ ਲਗਭਗ 100 ਸਾਲ ਲਈ ਚੋਣ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਸ਼ਾਇਦ ਸੌਖਾ ਸੈਟਿੰਗ ਦੇ ਇੱਕ ਹਨ, ਉਥੇ ਰੈਗੂਲਰ ਫੀਡਬੈਕ (ਸਾਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਚੋਣ ਜਿੱਤ), ਅਤੇ ਪਾਰਟੀ ਦੇ ਪਛਾਣ ਹੈ ਅਤੇ ਆਬਾਦੀ ਗੁਣ ਵੋਟਿੰਗ ਦੇ ਮੁਕਾਬਲਤਨ ਅਨੁਮਾਨਯੋਗ ਹਨ. ਇਸ ਮੌਕੇ 'ਤੇ, ਸਾਨੂੰ ਠੋਸ ਥਿਊਰੀ ਅਤੇ ਜਦ ਪਤਾ ਕਰਨ ਦੀ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦਾ ਮੱਧਮਾਨ ਸੁਧਾਰ ਨੂੰ ਕਾਫੀ ਸਹੀ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰੇਗਾ ਅਨੁਭਵੀ ਤਜਰਬਾ ਹੈ ਕਮੀ ਹੈ. ਇਕ ਗੱਲ ਇਹ ਹੈ ਕਿ ਸਾਫ ਹੁੰਦਾ ਹੈ, ਪਰ, ਜੇਕਰ ਤੁਹਾਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਰਹੇ ਹਨ ਹੈ, ਫਿਰ ਉਥੇ ਵਿਸ਼ਵਾਸ ਕਰਨ ਲਈ ਹੈ, ਜੋ ਕਿ ਰੌਸ਼ਨੀ ਦੇ ਅਨੁਮਾਨ ਗੈਰ-ਐਡਜਸਟ ਅਨੁਮਾਨ ਵੱਧ ਬਿਹਤਰ ਹੋ ਜਾਵੇਗਾ ਮਜ਼ਬੂਤ ​​ਕਾਰਨ ਹੈ.