3.4 කවුද අහන්න

ඩිජිටල් යුගයේ දී ප්රායෝගිකව නියැදීමේ නියැදි නියැලීම වඩාත් අපහසු වන අතර, අහඹු නියැදි නියැදීම් සඳහා නව අවස්ථා නිර්මාණය කරයි.

නියැදීම් ඉතිහාසයේ තරඟකාරී ප්රවේශයන් දෙකක් පැවතුණි: සම්භාවිතා නියැදි ක්රම සහ අහඹු ලෙස නියැදීමේ ක්රමවේදයන් ඇත. නියැදි දෙකම ප්රවේශයන් දෙකම භාවිතා කර තිබුණද, සම්භාව්යතා නියැදීමට ආධිපත්යය ඇති වී තිබේ. බොහෝ සමාජ පර්යේෂකයන්ට දැඩි විශ්වාසයක් නොලැබීම සඳහා සම්භාවිතා නියැදි බැලීම සඳහා උගන්වනු ලැබේ. කෙසේ වෙතත්, පහත දැක්වෙන පරිදි, ඩිජිටල් යුගයන් විසින් නිර්මාණය කරන ලද වෙනස්කම්, පර්යේෂකයන්ට සම්භාවිතා නියැදි නැවත සලකා බැලීමට කාලය එළඹ ඇති බවය. විශේෂයෙන්ම සම්භාව්යතා නියැදීම්වලදී ප්රායෝගිකව සිදු කිරීමට අසීරු වී ඇති අතර, විශ්වාසනීය නොවන නියැදීම් වේගවත්, ලාභදායී සහ වඩා හොඳය. වඩාත් වේගවත් හා ලාභදායි සමීක්ෂණ පමණක් සීමා වී නැත: ඔවුන් නිතර නිතර සමීක්ෂණ සහ විශාල නියැදි ප්රමාණ වැනි නව අවස්ථා සළසා ඇත. නිදසුනක් වශයෙන්, සම්භාව්ය නොවන ක්රම භාවිතා කිරීමෙන් සමුපකාර කොන්ග්රස්ලියානු මැතිවරණ අධ්යනය (CCES) සම්භාවිතා නියැදීම් භාවිතයෙන් පෙර අධ්යයනවලට වඩා 10 ගුනයකට වැඩි සහභාගීවන්නන්ට හැකියාව ඇත. මෙම වඩා විශාල නියැදිය දේශපාලන පර්යේෂකයන්ට අනු කණ්ඩායම් සහ සමාජ සන්දර්භයන් හරහා ආකල්ප සහ හැසිරීම් පිළිබඳ විචලනයන් අධ්යයනය කිරීමට ඉඩ ලබා දේ. තව ද, මෙම එකතු කළ පරිමාණය ඇස්තෙම්න්තු වල ගුණාත්මකභාවය අඩු වුවද (Ansolabehere and Rivers 2013) .

වර්තමානයේ, සමාජ පර්යේෂණ සඳහා නියැදීමට ප්රධානතම ප්රවේශය වන්නේ සම්භාවිතා නියැදීම් වේ. සම්භාවිතා නියැදීම්වලදී, ඉලක්කගත ජනගහනයේ සියළු සාමාජිකයින් සම්භාවිතාවය නොලැබූ සම්භාවිතාවකින් යුක්ත වන අතර සමීක්ෂණය සිදු කරන සියලු දෙනා සමීක්ෂණයට ප්රතිචාර දක්වයි. මෙම තත්වයන් සපුරාලන විට, ගණිතමය ගණිතමය ප්රතිඵලය අපේක්ෂිත ජනගහනය පිළිබඳ නිගමනය සැකසීම සඳහා නියැදිය භාවිතා කිරීමට පර්යේෂකයා සතු හැකියාව පිලිබඳ විශ්වාසනීය සහතික ලබා දෙයි.

කෙසේ වෙතත් සැබෑ ලෝකයේ මෙම ගණිතමය ප්රතිඵලවලට යටින් පවතින කොන්දේසි කලාතුරකින් ඉටු වේ. නිදසුනක් වශයෙන්, ආවරණ දෝෂ සහ නොපෙනීම් බොහෝ විට දක්නට ඇත. මෙම ගැටළු නිසා පර්යේෂකයන් බොහෝ විට ඔවුන්ගේ නියැදි සිට ඔවුන්ගේ ඉලක්කය ජනගහනය දක්වා ඇති බව සොයා ගැනීම සඳහා විවිධ සංඛ්යාන වෙනස්කම් භාවිතා කළ යුතුව ඇත. එබැවින්, ප්රබල න්යායික සහතික කිරීම් ඇති න්යාය තුල සම්භාවිතා නියැදීම් අතර විශ්වසනීයත්වය හා අනිශ්චිත වෙනස් සංඛ්යාතීන් මත රඳා පවතින ප්රායෝගිකව සම්භාව්ය නියැදි නියැදි අතර වෙනස හඳුනා ගැනීම වැදගත්ය.

කාලයාගේ ඇවෑමෙන් සිද්ධාන්ත හා සම්භාවිතා නියැදි නියැදීම් අතර ඇති වෙනස්කම් වැඩිවෙමින් පවතී. නිදසුනක් වශයෙන්, ඉහළ මට්ටමේ, මිල අධික සමීක්ෂණවලදී (සියයට 3.5) (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) නොසැපයීමේ අනුපාතය ක්රමයෙන් ඉහළ ගොස් ඇත. වාණිජ දුරකථන සමීක්ෂණවලදී සියයට 90 ක ප්රතිශතයක් වුවද (Kohut et al. 2012) . මෙම නොසැලකිලිමත්කම ඉහල යන තක්සේරු වල ගුණාත්මක භාවය තර්ජනයට ලක්වේ. ඇස්තමේන්තු වෙනස් කිරීම සඳහා පර්යේෂකයන් භාවිතා කරන සංඛ්යානමය ආකෘතීන් මත රඳා පවතී. තවද, ඉහළ ප්රතිචාර අනුපාත පවත්වා ගැනීම සඳහා පර්ෙය්ෂකයින් විසින් මැන බැලීම මගින්, ගුණාත්මකභාවය ඉහළ යාම ෙමම ගුණාංග අඩු වී ඇත. ගුණාත්මක භාවය අඩුවීම සහ වැඩි පිරිවැය අඩු කිරීම හේතුවෙන් මෙම නිවුන් ප්රවණතාවයන් සමීක්ෂණය පර්යේෂණයට පදනම මත තර්ජනයක් වී ඇතැයි ඇතැම් අය බිය වෙති (National Research Council 2013) .

රූප සටහන 3.5: ඉහළ මට්ටමේ මිල අධික සමීක්ෂණ (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) පවා නොවිසඳීම වඩ වඩාත් නොනැවතී වර්ධනය වී ඇත. වාණිජ දුරකථන සමීක්ෂණ සඳහා 90% (Kohut et al. 2012) 90% (Kohut et al. 2012) තරම් ඉහළ මට්ටමක නොසැලකිය යුතු අනුපාතිකය (Kohut et al. 2012) . මෙම නොගැලපීම්වල දිගුකාලීන ප්රවණතා දත්ත රැස් කිරීම වඩා මිල අධික වන අතර, ඇස්තමේන්තු අඩු විශ්වසනීය ය. BD Meyer, Mok, and Sullivan (2015) , BD Meyer, Mok, and Sullivan (2015) අනුවර්තනය කරන ලදී.

සම්භාවිතාව නියැදීම් ක්රම සඳහා දුෂ්කරතා ඇති වර්ධනය වන කර ඇති බව එම අවස්ථාවේ දී, එහි ද සම්භාවිතාව නොවන නියැදීම් ක්රම ආකර්ෂණීය වර්ධනයන් වී ඇත. සම්භාවිතා නියැදි ක්රමයක් නොමැති විවිධාකාර ස්වරූණ ඇත. සාමාන්යයෙන් ඇති පොදු දෙයක් වන්නේ ඒවා සම්භාවිතා නියැදිවල ගණිතමය රාමුව පහසුවෙන් පහසුවෙන් ගැලපෙන (Baker et al. 2013) . වෙනත් වචන වලින් කිවහොත්, සම්භාවිතාව නොවන නියැදීම් ක්රම වලදී, සෑම අයෙකුගේම ඇතුළත් කර ඇති අනන්යතාව සහ අනම්ය සම්භාවිතාවය සම්භාරයක් නැත. -සම්භාවිතාව නොවන නියැදීම් ක්රම සමාජ පර්යේෂකයන් අතර දරුණු කීර්තිය ඇති අතර ඔවුන් එම සාහිත්ය ඩයිජස්ට් අවුල සමීක්ෂණයක් පර්යේෂකයන්, වඩාත් විශ්මයජනක අසාර්ථක සමහර සමග බැඳී ඇත (මීට පෙර සාකච්ඡා) සහ එක්සත් ජනපද ගැන වැරදි අනාවැකිය "ඩේව් ටෲමන්, පරාජයන්" 1948 ජනාධිපතිවරනය (3.6 රූපය).

රූපය 3.6: ජනාධිපති හැරී ටෲමන්ගේ පරාජය ප්රකාශයට පත් කළ පුවත්පතක සිරස්තලයක් දරමින් සිටී. මෙම සිරස්තලය පදනම් වූයේ ඇස්තමේන්තු නොලැබූ සාම්පලවල ඇස්තමේන්තු මතය. (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) . වර්ෂ 1948 දී "ඩේව් ෆ්රීට් ටෲමන්" "ඩුවී ඔෆෙට්ට් ටෲමන්" සිදු වුවද, ඇතැම් පර්යේෂකයන්ට විශ්වාසනීය නොවන සාම්පලවලින් ඇස්තමේන්තු සැකැස්ම පිලිබඳව සංශයවාදී විය. මූලාශ්රය: හැරි එස් ට්රෲමන් පුස්තකාලය හා කෞතුකාගාරය .

ඩිජිටල් යුගයට විශේෂයෙන් ගැලපෙන සම්භාව්ය නියැදි නියැදි එක් ආකාරයක් වන්නේ සබැඳි පැනල් භාවිතා කිරීමයි. සබැඳි පැනල් භාවිතා කරන පර්යේෂකයන්ට සමහර සමීක්ෂණ සපයන්නන්, සාමාන්යයෙන් සමාගමක්, ආන්ඩුවක් හෝ විශ්ව විද්යාලයක් මත පදනම් වේ. සමීක්ෂණ සඳහා ප්රතිචාර දැක්වූවන් සඳහා එකඟ වූ බොහෝ විශාල පිරිසක් සෑදීමට. මෙම පුවරු සහභාගිවන්නන් නිතරම බැනර් දැන්වීම් වැනි විවිධාකාර වූ ක්රම භාවිතයෙන් බඳවා ගනු ලැබේ. එවිට, පර්යේෂකයෙකුට අපේක්ෂිත ලක්ෂණ සහිත ප්රතිචාර දක්වන ලද නියැදීන් සඳහා ප්රවේශ පුවරු සැපයුම්කරුට (උදාහරණයක් ලෙස, වැඩිහිටියන්ගේ ජාතික නියෝජිතයින්ට) ගෙවිය හැකිය. මෙම සබැඳි පුවරු සම්භාව්ය නොවන ක්රමයක් වන නිසා සෑම කෙනෙකුගේම සම්භාවිතාවය නොලැබෙන සම්භාවිතාවයක් නොමැති නිසාය. සමාජ පර්යේෂකයින් විසින් දැනටමත් භාවිතා නොකරන ලද සබැඳි කවුළුව දැනටමත් භාවිතා කර ඇත (උදාහරණ ලෙස සීසීඑස්එස්), ඔවුන්ගෙන් එන තක්සේරු වල ගුණාත්මක භාවය පිළිබඳව තවමත් විවාදයක් පවතී (Callegaro et al. 2014) .

මෙම විවාදයන් මධ්යයේ වුවද, සමාජ පර්යේෂකයන්ට සම්භාවිතා නියැදි නැවත සලකා බැලීමට කාලය සුදුසු නොවන බව මා සිතනවා. පළමුව, ඩිජිටල් යුගයේ දී, සම්භාව්ය සාම්පල එකතු කිරීම සහ විශ්ලේෂණය පිළිබඳ බොහෝ වර්ධනයන් ඇත. මෙම නවීන ක්රමයන් "අතීතයේ නොගැලපුම් 2.0" ලෙස "අතීතයේ දී ගැටළු ඇති කළ විධික්රමයන්ගෙන් සෑහීමට තරම් වෙනස්ව ඇත." පර්යේෂකයන් සම්භාවිතාම නියැදීන් නැවත සලකා බැලිය යුතු දෙවන හේතුව වනුයේ සම්භාවිතා නියැදීම් නිසා භාවිතය එන්න එන්නම දුෂ්කරය. ප්රතිචාර දැක්වූවන් සඳහා සැබෑ සම්බන්ධතාවයන් දැන නොසිටි අතර, දැන් සත්ය නිරීක්ෂණවලදී ඉහළ ප්රතිචාරයක් නොමැති විට, බොහෝ පර්යේෂකයන් විශ්වාස කරන පරිදි සම්භාවිතා නියැදි හා අනිත්ය නොවන සාම්පල වෙනස් නොවේ.

කලින් සඳහන් කළ පරිදි, බොහෝ සමාජ පර්යේෂකයින් විසින් බොහෝ විශ්මයජනක ලෙස නිරූපනය නොකරන ලද සාම්පල, සමීක්ෂණ සමීක්ෂණයේ මුල් කාලයේ දී වඩාත් අපැහැදිලි අසාර්ථකත්වය සම්බන්ධයෙන් ඔවුන්ගේ භූමිකාව නිසා ඒවායේ භූමිකාව නිසාය. සම්භාවිතාව නොවන සාම්පල සමග අප කෙතරම් දුර ආවේ ඉතා හොඳ උදාහරණයක් වෙයි වැන්ග්, ඩේවිඩ් රොත්ස්චයිල්ඩ්, ෂරාඩ් Goel, සහ ඇන්ඩෲ Gelman විසින් පර්යේෂණය (2015) නිවැරදිව ක සම්භාවිතාව නොවන නියැදි භාවිතා කරමින්, 2012 එක්සත් ජනපද මැතිවරනයේ ප්රතිපල සොයා ගෙන ඇමෙරිකන් Xbox භාවිතා කරන්නන් ඇමෙරිකානුවන්ගේ අනිවාර්ය නොවන අහඹු නියැදියකි. මෙම පර්යේෂකයන් XBox සූදු පද්ධතියෙන් ප්රතිචාර දැක්වූවන් වන අතර, ඔබ අපේක්ෂා කළ පරිදි, Xbox සාම්පලය පිරිමි හා ඇඹරියේ යෞවනයි ඇනූ: වයස අවුරුදු 18 සිට 29 දක්වා වයෝවෘද්ධ අයගෙන් 19% ක්, නමුත් Xbox සාම්පලයෙන් 65% ක් සහ පිරිමි ආසනෙයන් 47% ක්, නමුත් Xbox සාම්පලයේ 93% ක් (ප්රතිශතය 3.7). මෙම ප්රබල ජනගහන ප්රතිවාදීන් නිසා, අමු Xbox දත්ත, මැතිවරණ ප්රතිලාභ පිළිබඳ දුර්වල දර්ශකයක් විය. බැරැක් ඔබාමා ගැන මිට් රොම්නිට බලගතු ජයග්රහණයක් කියා එය අනාවැකි පල කළේය. නැවතත්, අමු, නුසුදුසු නොවන සම්භාවිතා නියැදි වල අන්තරායන් පිලිබඳ තවත් නිදසුනක් වන අතර සාහිත්යමය ඩිජස්ට් ෆයාසෝව අනුස්මරණය කෙරේ.

රූප සටහන 3.7: W. Wang et al. (2015) . ප්රතිචාර දැක්වූවන් XBox සිට බඳවා ගත් නිසා, 2012 මැතිවරනයේ දී චන්දදායකයන්ට සාපේක්ෂව යෞවනයන්ට වඩා වැඩි විය හැකි ය. W. Wang et al. (2015) අනුවර්තනය කරන ලදී W. Wang et al. (2015) , රූප සටහන 1.

කෙසේවෙතත්, වන් සහ සගයන් මෙම ගැටළු පිළිබඳව දැනුවත් වූ අතර ඇස්තමේන්තු සකස් කරන විට ඒවායේ අහඹු නියැදීමේ ක්රියාවලිය අනුගමනය කිරීමට උත්සාහ කළහ. විශේෂයෙන්ම ඔවුන් පශ්චාත්-භේදභිාකරණය භාවිතා කළ අතර, ආවරණ දෝෂ සහ නොගැලපීම් ඇති සම්භාවිතා නියැදි වෙනස් කිරීම සඳහා බහුලව භාවිතා වන තාක්ෂණයකි.

පශ්චාත්-ස්ථූලීකරණයේ මූලික අදහස වනුයේ නියැදියක ඇස්තමේන්තු වැඩිදියුණු කිරීමට උපකාරී වීම සඳහා ඉලක්ක ජනගහනය පිළිබඳ සහායක තොරතුරු භාවිතා කිරීමයි. ඔවුන්ගේ නො-සම්භාවිතා නියැදියේ ඇස්තමේන්තු සැකසීම සඳහා පශ්චාත් විචල්යයන් භාවිතා කරන විට, වෑන්ග් සහ සගයා ජනගහනය විවිධ කන්ඩායම්වලට කපා දැමූ අතර, එක් එක් කණ්ඩායම සඳහා ඔබාමාගේ සහාය ඇස්තමේන්තු කර ඇති අතර, ඉන්පසු සමස්ත තක්සේරුව ඉදිරිපත් කිරීම සඳහා සමූහ ඇස්තමේන්තු මත බර තැබූ සාමාන්යයයක් ගත්තේය. නිදසුනක් වශයෙන්, ජනගහනයෙන් දෙකකට කණ්ඩායම් (පිරිමි හා ගැහැනු) වශයෙන් ජනගහනය බෙදී ගොස් ඇති අතර, ඔබාමාගේ සහාය ඇතිව පිරිමින් සහ ගැහැනුන් අතර ඇස්තමේන්තු කර ඇති අතර පසුව, බර ඉක්මවා සාමාන්ය බර දැරීමෙන් කාන්තාවන් කාන්තාවන්ට ඡන්ද කොට්ඨාසයෙන් 53% ක් සහ 47% ක් පිරිමි. පසුබට වීමෙන් පසු, කණ්ඩායම් අසමත්වීම පිළිබඳ අමතර තොරතුරු ගෙන ඒම මගින් අසමමිතික නියැදියක නිවැරදි කිරීමට උපකාර කරයි.

පශ්චාත්-ස්ථාවරකරණය සඳහා යතුර වන්නේ නිවැරදි කණ්ඩායම් පිහිටුවීමයි. ජනගහනය සමජාතීය කන්ඩායම්වලට විසිරුවා හැරිය හැකි නම්, එක් එක් කාණ්ඩයේ සිටින සෑම දෙනාටම ප්රතිචාර දැක්වීම සමාන ය. එවිට පශ්චාත්-භේදභින්න කිරීම් අපක්ෂපාතී ඇස්තමේන්තු ඉදිරිපත් කරනු ඇත. වෙනත් වචනවලින් කිවහොත්, ලිංගිකත්වය විසින් පශ්චාත්-ශෝචනීය වීම මගින් සෑම පුරුෂයෙකුගේ ප්රතිචාරයේ ගුරුත්වාකමක් ඇත්නම් ස්වාධීන ඇස්තමේන්තු ඉදිරිපත් කරයි. මෙම උපකල්පනය සමජාතීය-ප්රතිචාර-ප්රමුබත්වය-ඇතුළත-කණ්ඩායම් උපකල්පනය ලෙස හැඳින්වේ. මෙම පරිච්ඡේදයේ අවසානයේ ගණිතමය සටහන් තුළ එය ටිකක් විස්තර කරමි.

සැබැවින්ම, සියලු පුරුෂයන් සහ සියලු ගැහැණුන් සඳහා ප්රතිගාමීත්වය සමාන වනු ඇත. කෙසේවෙතත්, සමූහයේ සංඛ්යාව වැඩිවීම නිසා සමජාතීය-ප්රතිචාර-ප්රමුබත්වය-තුල-සමූහ උපකල්පනය වඩාත් විශ්වාසදායී වේ. තරමක් දුරට, ඔබ තවත් කණ්ඩායම් නිර්මාණය කළහොත් ජනතාව සමජාතීය කණ්ඩායම් බවට පත් කිරීමට පහසු වේ. නිදසුනක් වශයෙන්, සෑම කාන්තාවක් එකම ප්රතිචාරයේ ප්රවණතාවයට සමාන බවක් පෙනෙන්නට ඇති බවක් පෙනෙන්නට ඇති නමුත්, වයස අවුරුදු 18-29 අතර වයස්ගත වූ සියලුම ගැහැණු ළමුන් සඳහා කැලිෆෝනියාවේ ජීවත් වන සියලුම කාන්තාවන්ට සමාන ප්රතිරෝධයක් ඇති බව පෙනේ . මෙලෙස, පශ්චාත්-භේදභින්නයේ භාවිතා වන කණ්ඩායම් සංඛ්යාව විශාල වන බැවින්, ක්රමය අනුමත කිරීමට උපකල්පන වඩා සාධාරණ වේ. මෙම කාරණය සැලකිල්ලට ගෙන පර්යේෂකයන් බොහෝ විට පශ්චාත්-භේදභින්න කිරීම සඳහා විශාල කණ්ඩායම් සමූහයක් නිර්මාණය කිරීමට අවශ්ය වේ. කෙසේවෙතත්, කණ්ඩායම් සංඛ්යාව වැඩිවීම නිසා පර්යේෂකයෝ වෙනත් ගැටලුවකට මුහුණ දෙති. දත්ත පරතරය. එක් එක් කණ්ඩායමෙහි සුළු පිරිසක් පමණක් නම්, ඇස්තෙම්න්තු වඩා අවිනිශ්චිත වනු ඇත. තවද ප්රතිචාර දැක්වූවන් කිසිවෙකු නොමැති කණ්ඩායමක් සිටින විට අන්ත අන්තිම අවස්ථාවෙහිදී පසු විපරම් කිරීම සම්පූර්ණයෙන්ම බිඳ වැටේ.

මෙම සමජාතීය ආතතියෙන් සමජාතීය-ප්රතිචාර-නැඹුරුව-ඇතුළත සමූහ උපකල්පනය හා එක් එක් කණ්ඩායමෙහි සාධාරණ නියැදි ප්රමාණ සඳහා ඉල්ලුම අතර ඇති විකල්පයන් දෙකක් තිබේ. පළමුව, පර්යේෂකයන්ට එක් එක් කාණ්ඩයේ සාධාරණ සාම්පල ප්රමාණය තහවුරු කර ගැනීමට විශාල, වඩාත් විවිධාකාර නියැදියක් ලබා ගත හැකිය. දෙවනුව, කණ්ඩායම් තුළ ඇස්තමේන්තු සැකසීම සඳහා වඩා සංකීර්ණ සංඛ්යානමය ආකෘතියක් භාවිතා කළ හැකිය. ඇත්ත වශයෙන්ම, සමහර විට පර්යේෂකයන් දෙදෙනා Xbox වලින් ප්රතිචාරය දක්වමින් වෑන්ග් සහ සගයන් විසින් මැතිවරණය පිළිබඳව අධ්යයනය කළහ.

පරිගණක භාවිතයෙන් පවත්වන ලද සම්මුඛ පරීක්ෂණ සහිතව ගණනය කරන ලද සම්භාව්ය නියැදීම් ක්රමයක් භාවිතා කිරීම නිසා (3.5 කොටසෙහි පරිගණක පරිපාලනය කරන ලද සම්මුඛ සාකච්ඡා වැඩි වැඩියෙන් සාකච්ඡා කරනු ඇත), වෑන් සහ සගයන් ඉතා මිල අධික දත්ත එක්රැස් කිරීමක් තිබූ අතර, ඒවායින් අනන්ය සහභාගීකරුවන් 345,858 මැතිවරන ප්රමිතීන්ගේ ප්රමිතීන් විශාල සංඛ්යාවක්. මෙම දැවැන්ත නියැදි ප්රමාණය මගින් ඔවුන් පසු පශ්චාත්-නූතන කණ්ඩායම් පිහිටුවීමට සමත් විය. ජනගහනයෙන් සිය ගණනක් කන්ඩායම්වලට ජනගහනය කප්පාදු කිරීම, සාමාන්යයෙන් වන් සහ සගයන් ජනගහනය විසින් ස්ත්රී පුරුෂ භාවය අනුව වර්ග කර ඇති කාණ්ඩ ගණන 176,256 දක්වා බෙදී ඇත (වර්ග දෙකකි), වර්ගය (වර්ග 4), වයස (වර්ග 4), අධ්යාපනය (වර්ග 4) (කාණ්ඩ 51), පක්ෂ ID (කාණ්ඩ 3), දෘෂ්ටිවාදය (වර්ග 3) සහ 2008 ඡන්දය (කාණ්ඩ 3). වෙනත් වචනවලින් කියතොත්, අඩු වියදමකින් දත්ත රැස් කිරීම මගින් සක්රියව තිබූ ඔවුන්ගේ විශාල නියැදි ප්රමාණය, ඒවායේ තක්සේරු ක්රියාවලියේ වඩාත් ප්රායෝගික උපකල්පනයක් බවට පත් කිරීමට ඔවුන්ට හැකි විය.

කෙසේ වෙතත්, සුවිශේෂී සහභාගීවන්නන් 345,858 ක් වුවද, වන් සහ සගයන්ගෙන් කිසිවෙකු ප්රතිචාර දැක්වූයේ නැත. එමනිසා, ඔවුන් එක් එක් කණ්ඩායමේ සහාය තක්සේරු කිරීම සඳහා බහු ශ්රේණියේ රේඩියසිස් යනුවෙන් හැඳින්වුණු තාක්ෂණයක් භාවිතා කළහ. විශේෂයෙන්ම කිසියම් නිශ්චිත කණ්ඩායමක් තුළ ඔබාමාගේ සහාය තක්සේරු කිරීම සඳහා, බහු මට්ටමේ පසුබෑමක් බොහෝ සමීපව සම්බන්ධ කන්ඩායම්වල තොරතුරු රැස්කර තිබේ. නිදසුනක් වශයෙන් 2008 වසරේදී ඔබාමා වෙනුවෙන් ඡන්දය දුන් අය වන ඩිමොක්රටික් පාක්ෂිකයින් ලියාපදිංචි වී සිටින වයස අවුරුදු 18 ත් 29 ත් අතර කාන්තාවන් වන හිස්පැනික්වරුන් අතර ඔබාමාගේ සහාය අපේක්ෂා කර ගැනීමට උත්සාහ කරන්න. , ඉතා සුවිශේෂී කාණ්ඩයක් වන අතර, මෙම ලක්ෂණ සහිත නියැදියක කිසිවෙකු නොමැත. එබැවින්, මෙම කණ්ඩායමේ ඇස්තමේන්තු සැකසීම සඳහා බහු මට්ටමේ පසුබෑමක් ඉතා සමාන කණ්ඩායම්වල සිටින පුද්ගලයින්ගෙන් ඇස්තමේන්තු කිරීම සඳහා සංඛ්යානමය ආකෘතියක් භාවිතා කරයි.

මේ අනුව වෑන් සහ සගයන් විසින් බහු ශ්රේණියේ පසුබෑම හා පසු විපර්යාසයන් ඒකාබද්ධ කරන ලද ප්රවේශයක් භාවිතා කළහ. එබැවින් ඔවුන් තම උපාය මාර්ගයන් බහු ශ්රේණියේ පසුබෑමක් ලෙස පශ්චාත්-ස්ථාවරකරණය හෝ වඩාත් ආදරයෙන් ප්රකාශ කළහ. පී. "වොං සහ සගයන් විසින් Mr. P. විසින් XBox නොවන සම්භාවිතා නියැදියේ සිට ඇස්තමේන්තු සකස් කිරීම සඳහා, 2012 දී ඡන්ද විමසීමේ දී ඔබාමා ලබා ගත් සමස්ත ආධාරය පිලිබඳව ඇස්තමේන්තු කර ඇත්තේ ඇස්තමේන්තු (3.8) ය. සාම්ප්රදායික මහජන මත විමසුම්වල එකතුවට වඩා ඔවුන්ගේ ඇස්තමේන්තු වඩාත් නිවැරදි ය. මේ අනුව, මෙම අවස්ථාවේදී, සංඛ්යාත්මක වෙනස් කිරීම් - විශේෂයෙන්ම පී. පී. - සොරකම් නොවන සම්භාවිතාවන් නිවැරදි කිරීම නිවැරදි කිරීම සඳහා හොඳ රැකියාවක් පෙනේ. නුසුදුසු Xbox දත්ත වලින් ඇස්තමේන්තු දෙස බලන විට පැහැදිලිව පෙනෙන පක්ෂි.

Figure 3.8: W. Wang et al. (2015) . නුසුදුසු XBox නියැදිය අසම්පූර්ණ ඇස්තමේන්තු ඉදිරිපත් කරයි. එහෙත්, බර තැබූ XBox සාම්පලය සාමාන්යයෙන් සම්භාවිතාව පදනම් කරගත් දුරකථන සමීක්ෂණවලට වඩා නිරවද්යතාවයක් ඇති බවට ගණන් බලා ඇත. W. Wang et al. (2015) අනුවර්තනය කරන ලදී W. Wang et al. (2015) , රූප 2 සහ 3.

වෑන්ග් සහ සගයන් අධ්යයනය කිරීමෙන් ප්රධාන පාඩම් දෙකක් තිබේ. පළමුව, නුසුදුසු නොවන සම්භාවිතා සාම්පල නරක ඇස්තමේන්තු වලට තුඩු දිය හැකිය; බොහෝ පර්යේෂකයන්ට මීට පෙර අසා ඇති පාඩම මෙයයි. කෙසේ වෙතත්, දෙවන පාඩම, නිසි ලෙස විශ්ලේෂණය කළ විට, සම්භාවිතා නියැදි සාම්පල හොඳ ගණනය කිරීමක් කළ හැකි බව; සාම්ප්රදායික නොවන සාම්පල සාම්ප්රදායික නොවන සාම්ප්රදායික ෆයිසැකෝ වැනි යමක් ස්වයංක්රීයව සිදු නොවේ.

ඔබ ඉදිරියට යන විට, ඔබ සම්භාවිතා නියැදීම් ප්රවේශය භාවිතා කිරීම සහ ඔබ සම්භාවිතා නියැදි ප්රවේශය භාවිතා කිරීම අතර ඔබ තීරණය කිරීමට උත්සාහ කරනවා නම් ඔබ අමාරු තේරීමක් මුහුණට මුහුණ. සමහර අවස්ථාවලදී පර්යේෂකයන්ට ක්ෂණික හා තද පාලනයක් අවශ්ය වේ (නිදසුනක් වශයෙන්, සෑම විටම සම්භාවිතා නියැදි ක්රමද භාවිතා කළ හැක), නමුත් එවැනි නීතියක් ලබා ගැනීමට අපහසු වේ. ලාභදායි නියැදීමේ ක්රමෝපායන් අතර පර්යේෂකයන්ට වඩ වඩාත් ලාභදායී වන අතර වඩා ලාභදායී හා වඩා සුන්දර හා වඩා සුන්දර වන අතර ඒවා භාවිතා කිරීම හා ඒවායේ විශ්වසනීය නොවන නියැදීම් ක්රම සාධාරණීකරණය කරන න්යායික ප්රතිඵල වලින් ඈත් වී ඇත. කෙසේ වෙතත්, පැහැදිලිව පෙනෙන එක් කාරණයක් නම්, ඔබ නිරවද්යතාවයෙන් යුත් සාම්පල හෝ නොවිසඳුනු විශාල දත්ත මූලාශ්ර සමඟ වැඩ කිරීමට බල කළහොත් (දෙවන පරිච්ඡේදයට සිතා බලන්න) පසුව පශ්චාත්-විචලනය සහ ආශ්රිත තාක්ෂණ උපකරණයන් නොගැලපෙන, අමු ඇස්තමේන්තු වලට වඩා හොඳ වේ.