2.4.3 Approximating ਪ੍ਰਯੋਗ

ਸਾਨੂੰ ਪ੍ਰਯੋਗ ਹੈ, ਜੋ ਕਿ ਸਾਨੂੰ ਕੀ ਕਰਨਾ ਹੈ, ਨਾ ਹੋ ਸਕਦਾ ਹੈ ਦਾ ਅਨੁਮਾਨ ਕਰ ਸਕਦੇ ਹੋ. ਦੋ ਤਰੀਕੇ ਹਨ ਕਿ ਖਾਸ ਕਰਕੇ ਡਿਜ਼ੀਟਲ ਦੀ ਉਮਰ ਦਾ ਫਾਇਦਾ ਮੇਲ ਅਤੇ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਕਰ ਰਹੇ ਹਨ.

ਕਈ ਮਹੱਤਵਪੂਰਨ ਵਿਗਿਆਨਕ ਅਤੇ ਨੀਤੀ ਸਵਾਲ causal ਹਨ. ਦੀ ਵਿਚਾਰ ਕਰੀਏ, ਉਦਾਹਰਨ ਲਈ, ਹੇਠ ਦਿੱਤੇ ਸਵਾਲ ਦਾ: ਕੀ ਹੈ ਤਨਖਾਹ 'ਤੇ ਨੌਕਰੀ ਦੀ ਸਿਖਲਾਈ ਦੇ ਪ੍ਰੋਗਰਾਮ ਦਾ ਅਸਰ ਹੁੰਦਾ ਹੈ? ਇਕ ਤਰੀਕਾ ਹੈ ਕਿ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਕਰਨ ਲਈ ਇੱਕ ਬੇਤਰਤੀਬੀ ਕੰਟਰੋਲ ਤਜਰਬੇ, ਜਿੱਥੇ ਕਰਮਚਾਰੀ ਲਗਾਤਾਰ ਕਿਸੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਜ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਨਹੀ ਭੇਜਿਆ ਗਿਆ ਦੇ ਨਾਲ ਹੋਵੇਗਾ. ਤਦ, ਖੋਜਕਾਰ ਨੂੰ ਸਿਰਫ਼ ਲੋਕ ਹਨ ਜੋ ਕਿ ਜਿਹੜੇ ਇਸ ਨੂੰ ਕਬੂਲ ਨਾ ਕੀਤਾ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੀਤੀ ਦੀ ਤਨਖਾਹ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਇਹ ਹਿੱਸਾ ਲੈਣ ਲਈ ਸਿਖਲਾਈ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰ ਸਕਦਾ ਹੈ.

randomization: ਸਧਾਰਨ ਤੁਲਨਾ ਨੂੰ ਕੁਝ ਅੱਗੇ ਡਾਟਾ ਵੀ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਵਾਪਰਦਾ ਹੈ ਦੇ ਕਾਰਨ ਠੀਕ ਹੈ. randomization ਬਗੈਰ, ਸਮੱਸਿਆ ਦਾ ਬਹੁਤ ਕੁਝ trickier ਹੈ. ਇਕ ਖੋਜਕਾਰ, ਜੋ ਲੋਕ ਆਪਣੀ ਮਰਜ਼ੀ ਨਾਲ ਜਿਹੜੇ ਸਾਈਨ-ਅੱਪ, ਨਾ ਸੀ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਲਈ ਸਾਈਨ ਅਪ ਦੀ ਤਨਖਾਹ ਦੀ ਤੁਲਨਾ ਕਰੋ ਸਕਦਾ ਹੈ. ਜੋ ਕਿ ਸੰਭਵ ਹੈ ਕਿ ਮੁਕਾਬਲੇ ਦਿਖਾ ਸੀ ਕਿ ਜੋ ਲੋਕ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੋਰ ਕਮਾਈ ਕੀਤੀ ਹੈ, ਪਰ ਇਸ ਦੇ ਕਿੰਨਾ ਕੁ ਸਿਖਲਾਈ ਦੇ ਕਾਰਨ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸ ਦੇ ਕਿੰਨੀ ਕੁ ਹੈ, ਕਿਉਕਿ ਲੋਕ ਸਾਈਨ-ਅਪ ਦੀ ਸਿਖਲਾਈ ਲਈ ਹੈ, ਜੋ ਕਿ ਹੈ ਕਿ ਜਿਹੜੇ ਸਾਈਨ-ਅੱਪ, ਨਾ ਭੁੱਲੋ ਸਿਖਲਾਈ ਲਈ ਤੱਕ ਵੱਖ ਵੱਖ ਹਨ? ਨੂੰ ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਇਸ ਨੂੰ ਲੋਕ ਇਹ ਦੋ ਗਰੁੱਪ ਦੀ ਤਨਖਾਹ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਨਿਰਪੱਖ ਹੈ?

ਨਿਰਪੱਖ ਤੁਲਨਾ ਬਾਰੇ ਇਹ ਚਿੰਤਾ ਕੁਝ ਖੋਜਕਾਰ ਵਿਸ਼ਵਾਸ ਕਰਨ ਲਈ ਹੈ, ਜੋ ਕਿ ਅਸੰਭਵ ਹੈ ਇੱਕ ਤਜਰਬੇ ਚੱਲ ਰਹੇ ਬਿਨਾ causal ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਅਗਵਾਈ ਕਰਦਾ ਹੈ. ਇਹ ਦਾਅਵਾ ਵੀ ਦੂਰ ਚਲਾ. ਇਹ ਸੱਚ ਹੈ ਕਿ ਪ੍ਰਯੋਗ causal ਪ੍ਰਭਾਵ ਲਈ ਵੱਡਾ ਸਬੂਤ ਮੁਹੱਈਆ, ਉਥੇ ਹੋਰ ਰਣਨੀਤੀ ਹੈ, ਜੋ ਕਿ ਕੀਮਤੀ causal ਅਨੁਮਾਨ ਮੁਹੱਈਆ ਕਰ ਸਕਦੇ ਹਨ. ਸੋਚ ਹੈ, ਜੋ ਕਿ causal ਅਨੁਮਾਨ (ਪ੍ਰਯੋਗ ਦੇ ਮਾਮਲੇ ਵਿੱਚ) ਕਿਸੇ ਆਸਾਨ ਜ ਅਸੰਭਵ ਹਨ (ਕੇਸ ਵਿਚ ਦੀ ਉਦਾਸੀਨ ਡਾਟਾ ਦੇਖਿਆ) ਦੀ ਬਜਾਏ, ਇਸ ਨੂੰ ਬਿਹਤਰ ਹੈ ਨਿਰੰਤਰਤਾ ਮਜ਼ਬੂਤ ​​ਤੱਕ ਕਮਜ਼ੋਰ (ਚਿੱਤਰ ਦੇ ਨਾਲ-ਨਾਲ ਪਿਆ causal ਅਨੁਮਾਨ ਬਣਾਉਣ ਲਈ ਰਣਨੀਤੀ ਦੇ ਸੋਚਣ ਲਈ 2.4). ਨਿਰੰਤਰਤਾ ਦੇ ਮਜ਼ਬੂਤ ​​ਅੰਤ 'ਤੇ ਕੰਟਰੋਲ ਪ੍ਰਯੋਗ ਬੇਤਰਤੀਬੀ ਰਹੇ ਹਨ. ਪਰ, ਇਹ ਅਕਸਰ ਸਮਾਜਿਕ ਖੋਜ ਵਿਚ ਕੀ ਕਰਨਾ ਹੈ, ਕਿਉਕਿ ਬਹੁਤ ਸਾਰੇ ਇਲਾਜ ਸਰਕਾਰ ਨੂੰ ਜ ਕੰਪਨੀ ਤੱਕ ਸਹਿਯੋਗ ਦੇ ਬੇਮਤਲਬੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਮੁਸ਼ਕਲ ਹਨ; ਕਾਫ਼ੀ ਬਸ ਉੱਥੇ ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਯੋਗ ਹੈ, ਜੋ ਕਿ ਸਾਨੂੰ ਕੀ ਕਰਨਾ ਹੈ, ਨਾ ਕਰ ਸਕਦੇ ਹੋ. ਮੈਨੂੰ ਦੋਨੋ ਤਾਕਤ ਅਤੇ ਬੇਤਰਤੀਬੀ ਕੰਟਰੋਲ ਤਜ਼ਰਬੇ ਦੀ ਕਮਜ਼ੋਰੀ ਦਾ ਅਧਿਆਇ 4 ਦੇ ਸਾਰੇ ਸਮਰਪਿਤ ਕਰੇਗਾ, ਅਤੇ ਮੈਨੂੰ ਬਹਿਸ ਲੱਗੇਗਾ ਕਿ ਕੁਝ ਮਾਮਲੇ ਵਿੱਚ, ਉੱਥੇ ਮਜ਼ਬੂਤ ​​ਨੈਤਿਕ ਕਾਰਨ ਤਜਰਬੇ ਢੰਗ ਨੂੰ observational ਨੂੰ ਤਰਜੀਹ ਕਰਨ ਲਈ ਹੁੰਦੇ ਹਨ.

ਚਿੱਤਰ 2.4: ਅੰਦਾਜ਼ਨ causal ਪ੍ਰਭਾਵ ਲਈ ਖੋਜ ਰਣਨੀਤੀ ਦੇ ਨਿਰੰਤਰਤਾ.

ਨਿਰੰਤਰਤਾ ਨਾਲ ਭੇਜਣ, ਉਥੇ ਹਾਲਾਤ, ਜਿੱਥੇ ਖੋਜਕਾਰ ਸਪਸ਼ਟ ਬੇਤਰਤੀਬੀ ਨਹੀ ਹੈ. ਜੋ ਕਿ ਹੈ, ਖੋਜਕਾਰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਤਜਰਬੇ ਕਰ ਬਿਨਾ ਤਜਰਬੇ-ਵਰਗੇ ਗਿਆਨ ਨੂੰ ਸਿੱਖਣ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ; ਕੁਦਰਤੀ ਹੈ, ਇਸ ਛਲ ਹੋਣ ਲਈ ਜਾ ਰਿਹਾ ਹੈ, ਪਰ ਵੱਡੇ ਡਾਟਾ ਬਹੁਤ ਇਹ ਹਾਲਾਤ ਵਿਚ causal ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਸਾਡੀ ਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ.

ਕਈ ਵਾਰ ਉੱਥੇ ਸੈਟਿੰਗ, ਜਿੱਥੇ ਸੰਸਾਰ ਵਿੱਚ randomness ਖੋਜਕਾਰ ਲਈ ਇੱਕ ਤਜਰਬੇ ਵਰਗਾ ਕੋਈ ਚੀਜ਼ ਨੂੰ ਬਣਾਉਣ ਲਈ ਹੁੰਦਾ ਹੈ ਕਰਦੇ ਹਨ. ਇਹ ਡਿਜ਼ਾਈਨ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਕਹਿੰਦੇ ਹਨ, ਅਤੇ ਉਹ ਹਿੱਸਾ 2.4.3.1 ਵਿੱਚ ਵਿਸਥਾਰ ਵਿੱਚ ਵਿਚਾਰ ਕੀਤਾ ਜਾਵੇਗਾ. ਵੱਡੇ ਡਾਟਾ ਸਰੋਤ-ਆਪਣੇ ਹਮੇਸ਼ਾ-ਤੇ ਕੁਦਰਤ ਅਤੇ ਆਪਣੇ ਦੇ ਦੋ ਫੀਚਰ ਦਾ ਆਕਾਰ-ਬਹੁਤ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਤੱਕ ਸਿੱਖਣ ਲਈ ਜਦ ਉਹ ਹੁੰਦੀ ਹੈ ਸਾਡੀ ਕਾਬਲੀਅਤ ਸੁਧਰਦੀ ਹੈ.

ਨੂੰ ਹੋਰ ਬੇਤਰਤੀਬੀ ਕੰਟਰੋਲ ਪ੍ਰਯੋਗ ਦੂਰ ਭੇਜਣ, ਕਈ ਵਾਰ ਕੁਦਰਤ ਹੈ ਕਿ ਸਾਨੂੰ ਇੱਕ ਕੁਦਰਤੀ ਤਜਰਬੇ ਦਾ ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹੋ ਵਿੱਚ ਵੀ ਇੱਕ ਘਟਨਾ ਨਹੀ ਹੈ. ਇਹ ਸੈਟਿੰਗ ਵਿੱਚ, ਸਾਨੂੰ ਧਿਆਨ ਨਾਲ ਇੱਕ ਤਜਰਬੇ ਦਾ ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਇੱਕ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਗੈਰ-ਤਜਰਬੇ ਡਾਟਾ ਦੇ ਅੰਦਰ ਤੁਲਨਾ ਬਣ ਸਕਦੇ ਹੋ. ਇਹ ਡਿਜ਼ਾਈਨ ਮੇਲ ਕਹਿੰਦੇ ਹਨ, ਅਤੇ ਉਹ ਹਿੱਸਾ 2.4.3.2 ਵਿੱਚ ਵਿਸਥਾਰ ਵਿੱਚ ਵਿਚਾਰ ਕੀਤਾ ਜਾਵੇਗਾ. ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਪਸੰਦ ਹੈ, ਮੇਲ ਇੱਕ ਡਿਜ਼ਾਇਨ ਹੈ, ਜੋ ਕਿ ਇਹ ਵੀ ਵੱਡਾ ਡਾਟਾ ਸਰੋਤ ਤੱਕ ਲਾਭ ਹੁੰਦਾ ਹੈ. ਖਾਸ ਕਰਕੇ, ਵੱਡੇ ਆਕਾਰ ਨੂੰ-ਦੋਨੋ ਅਤੇ ਮਾਮਲੇ ਦੀ ਗਿਣਤੀ ਪ੍ਰਤੀ ਜਾਣਕਾਰੀ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ 'ਕੇਸ-ਬਹੁਤ ਮੇਲ ਦੀ ਸਹੂਲਤ. ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਅਤੇ ਮੇਲ ਵਿਚਕਾਰ ਕੁੰਜੀ ਫਰਕ ਹੈ, ਜੋ ਕਿ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਵਿਚ ਖੋਜਕਾਰ ਕਾਰਜ ਨੂੰ, ਜਿਸ ਦੁਆਰਾ ਇਲਾਜ ਦਿੱਤਾ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਲਗਾਤਾਰ ਹੋਣ ਦਾ ਵਿਸ਼ਵਾਸ ਕਰਦਾ ਸੀ, ਜਾਣਦਾ ਹੈ.

ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਅਤੇ ਮੇਲ: ਨਿਰਪੱਖ ਤੁਲਨਾ ਹੈ, ਜੋ ਕਿ ਇੱਛਾ ਪ੍ਰੇਰਿਤ ਪ੍ਰਯੋਗ ਨੂੰ ਕੀ ਕਰਨ ਦੀ ਦੀ ਧਾਰਨਾ ਨੂੰ ਵੀ ਦੋ ਹੋਰ ਤਰੀਕੇ ਸਮਝਾਉਣਾ. ਇਹ ਤਰੀਕੇ ਨਿਰਪੱਖ ਡਾਟਾ ਤੁਹਾਨੂੰ ਹੀ ਹੈ, ਜੋ ਕਿ ਦੇ ਅੰਦਰ ਬੈਠੇ ਤੁਲਨਾ ਖੋਜ ਕੇ ਉਦਾਸੀਨ ਦੇਖਿਆ ਡਾਟਾ ਤੱਕ causal ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਯੋਗ ਕਰੇਗਾ.