3.4 யார் கேட்க

டிஜிட்டல் வயது கடினமாக நடைமுறையில் நிகழ்தகவு மாதிரியை உருவாக்குகிறது மற்றும் நிகழ்தகவு மாதிரிக்கான புதிய வாய்ப்புகளை உருவாக்குகிறது.

மாதிரி வரலாற்றில், இரண்டு போட்டியிடும் அணுகுமுறைகள் இருந்தன: நிகழ்தகவு மாதிரி முறை மற்றும் அல்லாத நிகழ்தகவு மாதிரி முறைகள். மாதிரியின் ஆரம்ப நாட்களில் இரண்டு அணுகுமுறைகளும் பயன்படுத்தப்பட்டாலும், நிகழ்தகவு மாதிரிகள் ஆதிக்கம் செலுத்தத் தொடங்கியுள்ளன, பல சமூக ஆய்வாளர்கள் பெரிய சந்தேகத்திற்கு இடமின்றி நிகழ்தகவு மாதிரியைப் பார்ப்பதற்கு கற்பிக்கப்படுகின்றன. இருப்பினும், நான் கீழே விவரிக்கையில், டிஜிட்டல் வயதில் உருவாக்கப்பட்ட மாற்றங்கள் ஆராய்ச்சியாளர்கள் அல்லாத நிகழ்தகவு மாதிரியை மறுபரிசீலனை செய்வதற்கான நேரம் என்று அர்த்தம். குறிப்பாக, நிகழ்தகவு மாதிரி நடைமுறையில் செய்ய கடினமாக உள்ளது, மற்றும் அல்லாத நிகழ்தகவு மாதிரி வேகமாக, மலிவான, மற்றும் சிறந்த வருகிறது. வேகமான மற்றும் மலிவான ஆய்வுகள் தங்களைத் தாங்களே முடித்துக்கொள்வதில்லை: அவை அடிக்கடி அதிகமான ஆய்வுகள் மற்றும் பெரிய மாதிரி அளவுகள் போன்ற புதிய வாய்ப்புகளை வழங்குகிறது. உதாரணமாக, நிகழ்தகவு முறைகளை பயன்படுத்தி முந்தைய ஆய்வுகளில் விட கூட்டுறவு காங்கிரஸின் தேர்தல் ஆய்வு (CCES) தோராயமாக 10 மடங்கு அதிகமான பங்கேற்பாளர்களைக் கொண்டிருக்கிறது. இந்த மிகப்பெரிய மாதிரியானது, துணை ஆராய்ச்சியாளர்கள் மற்றும் சமூக சூழல்களில் உள்ள மனப்பான்மை மற்றும் நடத்தையில் மாறுபாடுகளைப் படிக்க அரசியல் ஆராய்ச்சியாளர்களை உதவுகிறது. மேலும், இந்த கூடுதல் அளவிலான அனைத்து மதிப்பீடுகளின் மதிப்பில் குறைவு இல்லாமல் வந்தது (Ansolabehere and Rivers 2013) .

தற்போது, ​​சமூக ஆராய்ச்சிக்கான மாதிரியான ஆற்றல்மிக்க அணுகுமுறை நிகழ்தகவு மாதிரியாக்கம் ஆகும் . நிகழ்தகவு மாதிரியில், இலக்கு மக்களில் அனைத்து உறுப்பினர்களும் அறியப்பட்ட, nonzero நிகழ்தகவு மாதிரிகள், மற்றும் மாதிரியான அனைத்து மக்களும் ஆய்வுக்கு பதிலளிக்கின்றனர். இந்த நிலைமைகள் பூர்த்தி செய்யப்பட்டவுடன், நேர்த்தியான கணித முடிவுகள், இலக்கான மக்களைப் பற்றிய தகவல்களுக்கு மாதிரியைப் பயன்படுத்த ஆராய்ச்சியாளரின் திறனைப் பற்றி நிரூபிக்கக்கூடிய உத்தரவாதங்களை வழங்குகின்றன.

இருப்பினும், உண்மையான உலகில், இந்த கணித முடிவுகளின் அடிப்படையில் நிலைமைகள் அரிதாகவே சந்திக்கின்றன. உதாரணமாக, அடிக்கடி கவரேஜ் பிழைகள் மற்றும் nonresponse உள்ளன. இந்த சிக்கல்களால், ஆராய்ச்சியாளர்கள் தங்கள் மாதிரி மக்களிடமிருந்து தங்கள் இலக்கு மக்களிடமிருந்தான நம்பகத்தன்மையைப் பெறுவதற்காக பல்வேறு புள்ளிவிவர மாற்றங்களைப் பயன்படுத்துகின்றனர். இவ்வாறு, கோட்பாட்டில் நிகழ்தகவு மாதிரியை வேறுபடுத்துவது முக்கியம், இது வலுவான கோட்பாட்டு உத்தரவாதங்கள் மற்றும் நடைமுறையில் நிகழ்தகவு மாதிரி , இது போன்ற உத்தரவாதங்களை வழங்குகிறது மற்றும் பல புள்ளிவிவர மாற்றங்களை சார்ந்துள்ளது.

காலப்போக்கில், நிகழ்தகவு மற்றும் நிகழ்தகவு மாதிரியில் நிகழ்தகவு மாதிரியிடையே உள்ள வேறுபாடுகள் அதிகரித்து வருகின்றன. உதாரணமாக, உயர் தரத்திலான, விலையுயர்ந்த ஆய்வுகள் (எண்ணிக்கை 3.5) (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) ஆகியவற்றில் சீரான விகிதங்கள் அதிகரித்து வருகின்றன. வணிக தொலைபேசி கணக்கெடுப்புகளில் அல்லாத விகிதங்கள் அதிகமாக உள்ளன-சில நேரங்களில் 90% (Kohut et al. 2012) . மதிப்பீடுகளின் தரம் அதிகரிப்பது மதிப்பீட்டின் தரத்தை அச்சுறுத்துவதால், ஆராய்ச்சியாளர்கள் அல்லாத பதில்களுக்கு மாற்றுவதற்கு பயன்படுத்தும் புள்ளிவிவர மாதிரிகள் மீது மதிப்பீடு அதிகரிக்கிறது. மேலும், உயர்ந்த பதில்களின் விகிதங்களை பராமரிப்பதற்கு ஆய்வு ஆராய்ச்சியாளர்களால் பெருமளவில் செலவழிக்கப்பட்டாலும், தரத்தில் குறைவு ஏற்பட்டுள்ளது. இந்த இரட்டை போக்கு தரம் குறைவதும், அதிகரித்து வரும் செலவினமும் ஆய்வு ஆராய்ச்சி (National Research Council 2013) அடித்தளத்தை அச்சுறுத்தும் என சிலர் அஞ்சுகின்றனர்.

படம் 3.5: உயர் தர விலையுயர்வு ஆய்வுகள் (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) கூட, மறுபரிசீலனை அதிகரித்து வருகிறது. வணிக தொலைதொடர்பு ஆய்வுகள், சில நேரங்களில் 90 சதவிகிதம் (Kohut et al. 2012) உயர்ந்தவையாக இல்லை. Nonresponse இந்த நீண்ட கால போக்குகள் தரவு சேகரிப்பு மிகவும் விலை மற்றும் மதிப்பீடுகள் குறைவாக நம்பகமான என்று அர்த்தம். BD Meyer, Mok, and Sullivan (2015) , படம் 1 இருந்து மாற்றியமைக்கப்பட்டது.

நிகழ்தகவு மாதிரி வழிமுறைகள் வளரும் சிரமங்களை ஏற்பட்டதுபோல் அதே நேரத்தில், அல்லாத நிகழ்தகவு மாதிரி முறைகள் வியத்தகு முன்னேற்றங்களை வருகிறது. நிகழ்தகவு இல்லாத மாதிரி முறைகளின் வடிவங்கள் பல்வேறு உள்ளன, ஆனால் அவை பொதுவானதாக இருக்கும் ஒன்று, அவை நிகழ்தகவு மாதிரியின் (Baker et al. 2013) கணித கட்டமைப்பில் எளிதில் பொருந்தாது என்பதுதான். வேறு வார்த்தைகளில் கூறுவதானால், நிகழ்தகவு இல்லாத மாதிரி முறைகளில் அனைவருக்கும் ஒரு அறியப்படாத மற்றும் nonzero நிகழ்தகவு சேர்க்கப்படவில்லை. அல்லாத நிகழ்தகவு மாதிரி முறைகள் சமூக ஆராய்ச்சியாளர்களிடையே ஒரு பயங்கரமான நற்பெயரைக் கொண்டுள்ளன, மேலும் அவர்கள் லீரினரி டைஜஸ்ட் மோசடி (முன்னர் விவாதிக்கப்பட்டன) மற்றும் "டெவெய் டிரெய்ட்ஸ் ட்ரூமன்" போன்ற அமெரிக்க ஆராய்ச்சியாளர்களின் மிகவும் வியத்தகு தோல்விகளுடன் தொடர்புடையவை. 1948 ஆம் ஆண்டின் ஜனாதிபதித் தேர்தல்கள் (எண்ணிக்கை 3.6).

படம் 3.6: ஜனாதிபதி ஹாரி ட்ரூமன் தனது தோல்வியை தவறாக அறிவித்த செய்தித்தாளின் தலைப்பை வைத்திருந்தார். இந்த தலைப்பு அல்லாத நிகழ்தகவு மாதிரிகள் (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) ஆகியவற்றின் மதிப்பீட்டில் பகுதியாக இருந்தது. 1948 ஆம் ஆண்டில் "டௌய் தோல்வி ட்ரூமன்" நடந்தது என்றாலும், சில ஆராய்ச்சியாளர்கள் சார்பற்ற மாதிரிகள் தரும் மதிப்பீடுகளைப் பற்றி சந்தேகம் கொண்டுள்ளனர். மூல: ஹாரி எஸ். ட்ரூமன் நூலகம் & அருங்காட்சியகம் .

டிஜிட்டல் வயதிற்கு ஏற்றதாக இருக்கும் சார்பற்ற சார்பு மாதிரி ஒரு வடிவம் ஆன்லைன் பேனல்களின் பயன்பாடு ஆகும். ஆன்லைன் பேனல்களைப் பயன்படுத்தும் ஆராய்ச்சியாளர்கள் சில குழு வழங்குபவர்களையே சார்ந்து இருப்பார்கள்-பொதுவாக ஒரு நிறுவனம், அரசாங்கம் அல்லது பல்கலைக்கழகம் - கணக்கெடுப்புகளுக்காக பதிலளிப்பவர்களாக பணியாற்ற ஒப்புக்கொள்கிற பெரிய, பலவிதமான குழுக்களை உருவாக்குவதற்கு. இந்த பேனல் பங்கேற்பாளர்கள் பெரும்பாலும் ஆன்லைன் பேனர் விளம்பரங்கள் போன்ற பல்வேறு தற்காலிக முறைகள் மூலம் ஆட்சேர்ப்பு செய்யப்படுகிறார்கள். பின்னர், ஒரு ஆராய்ச்சியாளர் குழுவினருக்கு வழங்கப்பட்ட பண்புகள் வழங்குவதற்கு தகுதி உடையவர்களின் மாதிரியை அணுக முடியும் (எ.கா., பெரியவர்களின் தேசிய பிரதிநிதி). இந்த ஆன்லைன் பேனல்கள் அல்லாத நிகழ்தகவு முறைகள் என்பதால் அனைவருக்கும் ஒரு அறியப்படாத, nonzero நிகழ்தகவு சேர்க்கப்படவில்லை. நிகழ்தகவு அல்லாத ஆன்லைன் பேனல்கள் ஏற்கனவே சமூக ஆய்வாளர்களால் (எ.கா., CCES) பயன்படுத்தப்பட்டு வருகின்றன என்றாலும், அவர்களிடமிருந்து வரும் மதிப்பீடுகளின் தரம் பற்றி சில விவாதங்கள் இன்னும் உள்ளன (Callegaro et al. 2014) .

இந்த விவாதங்கள் இருந்தபோதிலும், சமூக ஆய்வாளர்கள் அல்லாத நிகழ்தகவு மாதிரியை மறுபரிசீலனை செய்ய நேரம் சரியானது என்பதற்கு இரண்டு காரணங்கள் உள்ளன என்று நான் நினைக்கிறேன். முதல், டிஜிட்டல் வயது, அல்லாத நிகழ்தகவு மாதிரிகள் சேகரிப்பு மற்றும் பகுப்பாய்வு பல முன்னேற்றங்கள் உள்ளன. இந்த புதிய வழிமுறைகள் கடந்த காலத்தில் சிக்கல்களை ஏற்படுத்திய முறைகளில் இருந்து வித்தியாசமாக உள்ளன, அவை "அல்லாத நிகழ்தகவு மாதிரி 2.0" என்று நினைப்பதை அர்த்தப்படுத்துகிறது என்று நினைக்கிறேன். ஆராய்ச்சியாளர்கள் அல்லாத நிகழ்தகவு மாதிரியை மறுபரிசீலனை செய்ய வேண்டும் என்பதற்கான இரண்டாவது காரணம், ஏனெனில் நிகழ்தகவு மாதிரி நடைமுறை மிகவும் கடினமாக உள்ளது. பதிலளிப்பவர்களில் சேர்ப்பதற்கான உண்மையான சாத்தியக்கூறுகள் இப்போது அறியப்படவில்லை, எனவே, நிகழ்தகவு மாதிரிகள் மற்றும் அல்லாத நிகழ்தகவு மாதிரிகள் பல ஆராய்ச்சியாளர்கள் நம்புபவை அல்ல.

நான் முன்னர் சொன்னது போல, சார்பற்ற மாதிரிகள் பல சமூக ஆய்வாளர்களால் மிகுந்த சந்தேகம் கொண்டவையாகக் கருதப்படுகின்றன, ஏனெனில் சில பகுப்பாய்வு ஆய்வுகளின் ஆரம்ப நாட்களில் மிகுந்த சங்கடமான தோல்வியில் சிலவற்றில் பங்குபெற்றன. நிகழ்தகவு அல்லாத மாதிரிகள் கொண்டு வந்திருக்கக்கூடிய ஒரு தெளிவான உதாரணம், வேய் வாங், டேவிட் ரோத்ஸ்சைல்ட், ஷரத் கோயல் மற்றும் ஆண்ட்ரூ கெல்மன் (2015) ஆகியவற்றால் மேற்கொள்ளப்பட்ட ஆராய்ச்சியாகும். அமெரிக்கன் எக்ஸ்பாக்ஸ் பயனர்கள் - அமெரிக்கர்களின் தீர்மானகரமான nonrandom மாதிரி. ஆய்வாளர்கள் XBox கேமிங் கணினியில் இருந்து பதிலளித்தவர்களாக பணிபுரிந்தனர், மேலும் நீங்கள் எதிர்பார்ப்பதைப் போலவே, எக்ஸ்பாக்ஸ் மாதிரி ஆண் மற்றும் வளைந்த இளம் வயதினர்: 18 முதல் 29 வயதுடையவர்கள் 19% வாக்காளர்களில் ஆனால் எக்ஸ்பாக்ஸ் மாதிரிகளில் 65%, மற்றும் ஆண்கள் வாக்காளர்களில் 47% ஆனால் எக்ஸ்பாக்ஸ் மாதிரியின் 93% (எண்ணிக்கை 3.7). இந்த வலுவான மக்கள்தொகை அடிப்படைகள் காரணமாக, ராக் எக்ஸ்போ தரவு தேர்தல் வருமானம் ஒரு மோசமான சுட்டியாக இருந்தது. இது பராக் ஒபாமா மீது மிட் ரோம்னே ஒரு வலுவான வெற்றி கணித்துள்ளது. மீண்டும், இது மூல, சீரற்ற அல்லாத சார்பற்ற மாதிரியின் ஆபத்துக்களுக்கு இன்னொரு எடுத்துக்காட்டு ஆகும், இது இலக்கிய டைஜஸ்ட் மோசடி நினைவூட்டுவதாக உள்ளது.

படம் 3.7: W. Wang et al. (2015) பதிலளித்தவர்களின் மக்கள் தொகை W. Wang et al. (2015) . பதிலளித்தவர்கள் XBox இல் இருந்து ஆட்சேர்ப்பு செய்யப்பட்டிருந்ததால், அவர்கள் 2012 ஆம் ஆண்டு தேர்தலில் வாக்காளர்களிடம் ஒப்பீட்டளவில் இளைஞராகவும், அதிகமானவர்களாகவும் இருந்தனர். W. Wang et al. (2015) , எண்ணிக்கை 1.

இருப்பினும், வாங் மற்றும் சக ஊழியர்கள் இந்த பிரச்சினைகள் பற்றி அறிந்திருந்தனர் மற்றும் மதிப்பீடுகளை செய்யும் போது சீரற்ற மாதிரி முறைகளை சரிசெய்ய முயற்சித்தனர். குறிப்பாக, அவர்கள் பிந்தைய ஸ்ட்ராடிஃபிகேஷன் பயன்படுத்தப்பட்டது, ஒரு பரவலானது , பரவலாக கவரேஜ் பிழைகள் மற்றும் மறுபரிசீலனை செய்யக்கூடிய நிகழ்தகவு மாதிரியை சரிசெய்ய பயன்படுத்தப்படுகிறது.

பிந்தைய ஸ்ட்ரேடிஃபிகேஷன் முக்கிய யோசனை மாதிரி இருந்து வரும் மதிப்பீடு மேம்படுத்த உதவும் இலக்கு மக்கள் பற்றி துணை தகவல் பயன்படுத்த உள்ளது. அவர்களது அல்லாத நிகழ்தகவு மாதிரிகளிலிருந்து மதிப்பிடுவதற்கு பிந்தைய அடுக்குமாற்றத்தைப் பயன்படுத்தும்போது, ​​வாங் மற்றும் சக ஊழியர்கள் பல்வேறு குழுக்களாக வெட்டப்பட்டனர், ஒவ்வொரு குழுவிலும் ஒபாமாவிற்கு ஆதரவை மதிப்பிட்டனர், பின்னர் ஒட்டுமொத்த மதிப்பீட்டை உருவாக்க குழு மதிப்பீடுகளின் சராசரி எடுத்தனர். உதாரணமாக, அவர்கள் மக்களை இரு குழுக்களாக (ஆண்கள் மற்றும் பெண்கள்) பிளவுபடுத்தியிருக்கலாம், ஆண்கள் மற்றும் பெண்களுக்கு ஒபாமாவிற்கு ஆதரவை மதிப்பிட்டனர், பின்னர் ஒபாமாவிற்கு ஒட்டுமொத்த ஆதரவு அளிக்கும் வகையில், 53% வாக்காளர்கள் மற்றும் ஆண்கள் 47%. குழுமத்தின் அளவைப் பற்றிய துணை தகவல்களுடன் கூடிய சமச்சீரற்ற மாதிரிக்காக பிந்தைய ஸ்ட்ரேடிஃபிகேஷன் சரியான முறையில் உதவுகிறது.

பிந்தைய ஸ்ட்ரேடிஃபிகேஷன் செய்ய முக்கிய குழுக்கள் அமைக்க வேண்டும். ஒவ்வொரு குழுவிலும் அனைவருக்கும் பிரதிபலிப்பு என்பது ஒரே மாதிரியான குழுக்களாக மாற்றியமைத்தால், பிந்தைய அடுக்குகள் தரமற்ற மதிப்பீடுகளை உருவாக்கும். வேறு வார்த்தைகளில் கூறுவதானால், பாலினம் பிந்தைய நீரிழிவு அனைத்து ஆண்களுக்கு பிரதிபலிப்பு மற்றும் அனைத்து பெண்கள் அதே பதில் முன்கூட்டியே வேண்டும் என்றால் நடுநிலையான மதிப்பீடுகள் உற்பத்தி செய்யும். இந்த அனுமானம் என்பது ஒரே மாதிரியான பிரதிபலிப்பு-நுண்ணறிவு-நுண்ணுயிரிகளின் அனுமானம் என்று அழைக்கப்படுகிறது, மேலும் இந்த அத்தியாயத்தின் முடிவில் கணிதக் குறிப்புகளில் இதை இன்னும் கொஞ்சம் விவரிக்கிறேன்.

நிச்சயமாக, இது பிரதிபலிப்பு என்பது அனைத்து ஆண்கள் மற்றும் அனைத்து பெண்களுக்கும் ஒரே மாதிரியாக இருக்கும் என்று தெரிகிறது. எவ்வாறாயினும், குழுக்களின் அதிகரிப்புகளின் எண்ணிக்கையைப் போலவே, ஒரே மாதிரியான-பிரதிபலிப்பு-நுண்ணறிவு-நுண்ணுயிரிகளின் அனுகூலம் மேலும் நம்பத்தகுந்ததாகிறது. நீங்கள் அதிகமான குழுக்களை உருவாக்கிவிட்டால், மக்கள் தொகையை ஒரே குழுவாக வெட்டுவது எளிது. உதாரணமாக, எல்லா பெண்களுக்கும் ஒரே பிரதிபலிப்பு இருக்கிறது என்று நம்பக்கூடியதாக தோன்றலாம், ஆனால் 18-29 வயதிற்குட்பட்ட அனைத்து பெண்களுக்கும் அதே கல்லூரியில் இருந்து பட்டம் பெற்றவர்களுக்கும், கலிபோர்னியாவில் வசிக்கிறவர்களுக்கும் ஒரே பதிலிறுப்பு இருக்கிறது என்று இன்னும் நம்பத்தகுந்ததாக தோன்றலாம். . இதனால், பிந்தைய அடுக்குகளில் பயன்படுத்தப்படும் குழுக்களின் எண்ணிக்கையானது அதிகமானால், இந்த முறையை ஆதரிப்பதற்கு தேவையான அனுமானங்கள் இன்னும் நியாயமானவை. இந்த உண்மையைக் கருத்தில் கொண்டு, ஆராய்ச்சியாளர்கள் பல பிந்தைய பிரிவுகளுக்கு பிந்தைய அடுக்குமாற்றத்திற்காக உருவாக்க விரும்புகின்றனர். இருப்பினும், குழுக்களின் எண்ணிக்கை அதிகரிக்கையில், ஆராய்ச்சியாளர்கள் வேறுபட்ட பிரச்சனைக்குள்ளாகிறார்கள்: தரவு ஸ்பேஸிட்டி. ஒவ்வொரு குழுவிலிருந்தும் ஒரு சிறிய எண்ணிக்கையிலான மக்கள் மட்டுமே இருந்தால், மதிப்பீடுகள் இன்னும் நிச்சயமற்றதாக இருக்கும், மேலும் தீவிரமான விஷயத்தில் எந்த குழுவினரும் எந்த பதிலையும் கொண்டிருக்க மாட்டார்கள், பின்னர் பிந்தைய அடுக்குகள் முழுமையாக உடைந்து விடுகின்றன.

ஒரே மாதிரியான பிரதிபலிப்பு-இணக்கத்தன்மை-உள்ளுணர்வு ஊகங்கள் மற்றும் ஒவ்வொரு குழுவிலிருந்த நியாயமான மாதிரி அளவீடுகளின் தேவை ஆகியவற்றிற்கும் இடையிலான இந்த உள்ளார்ந்த பதட்டத்திலிருந்து இரண்டு வழிகள் உள்ளன. முதலாவதாக, ஆராய்ச்சியாளர்கள் ஒரு பெரிய, இன்னும் மாறுபட்ட மாதிரிகளை சேகரிக்கலாம், இது ஒவ்வொரு குழுவிலும் நியாயமான மாதிரி அளவை உறுதிசெய்ய உதவுகிறது. இரண்டாவதாக, குழுக்களுக்குள் மதிப்பீடு செய்வதற்கு இன்னும் அதிநவீன புள்ளிவிவர மாதிரி பயன்படுத்த முடியும். மற்றும், உண்மையில், சில நேரங்களில் ஆய்வாளர்கள் இருவரும் செய்கிறார்கள், வாங் மற்றும் சகாக்கர்கள் தங்கள் ஆய்வுகளை எக்ஸ்போலாரில் இருந்து பதிலளிப்பவர்களால் செய்தனர்.

அவர்கள் கணினி-நிர்வகிக்கப்பட்ட நேர்காணல்கள் (பிரிவு 3.5 இல் கணினி நிர்வாக நேர்காணல்களைப் பற்றி அதிகம் பேசுவதைப் பயன்படுத்தி) அல்லாத நிகழ்தகவு மாதிரி முறையைப் பயன்படுத்துவதால், வாங் மற்றும் சகாக்கள் மிகவும் குறைவான தரவு சேகரிப்புகளைக் கொண்டிருந்தனர், இது 345,858 தனிப்பட்ட பங்கேற்பாளர்களிடம் இருந்து தகவல் சேகரிக்க உதவியது , தேர்தல் வாக்குப்பதிவின் தரத்தில் ஒரு பெரிய எண். இந்த மாதிரிய மாதிரி அளவு அவர்களுக்கு பெரும் எண்ணிக்கையிலான பிந்தைய அடுக்குமாற்ற குழுக்களை உருவாக்க உதவியது. பிந்தைய அடுக்குகள் பொதுவாக நூற்றுக்கணக்கான குழுக்களாக வெட்டப்படுவதை உட்படுத்துகிறது, வாங் மற்றும் சகாக்கள் பாலினம் (2 பிரிவுகள்), இனம் (4 பிரிவுகள்), வயது (4 பிரிவுகள்), கல்வி (4 பிரிவுகள்), மாநிலத்தால் வரையறுக்கப்பட்ட 176,256 குழுக்கள் (51 பிரிவுகள்), கட்சி அடையாள எண் (3 பிரிவுகள்), சித்தாந்தம் (3 பிரிவுகள்), மற்றும் 2008 வாக்கு (3 பிரிவுகள்). வேறு வார்த்தைகளில் கூறுவதானால், குறைந்த விலை தரவு சேகரிப்பு மூலம் செயல்படுத்தப்பட்ட அவர்களின் பெரிய மாதிரி அளவு, அவர்கள் மதிப்பீட்டு செயல்பாட்டில் இன்னும் நம்பத்தகுந்த ஊகத்தை உருவாக்க உதவியது.

345,858 தனிப்பட்ட பங்கேற்பாளர்களாலும் கூட, பல குழுக்கள் இருந்தன, அவற்றில் வாங் மற்றும் சக ஊழியர்கள் கிட்டத்தட்ட எந்தவொரு பிரதிபலிப்பும் இல்லை. எனவே, அவர்கள் ஒவ்வொரு குழுவிலும் ஆதரவை மதிப்பிடுவதற்கு பலநிலை மறுபார்வை என்ற ஒரு நுட்பத்தை பயன்படுத்தினர். முக்கியமாக, ஒரு குறிப்பிட்ட குழுவிற்குள் ஒபாமாவிற்கு ஆதரவை மதிப்பிடுவதற்கு, பலநிலை ஒத்துழைப்பு பல நெருக்கமான தொடர்புடைய குழுக்களிடமிருந்து தகவல் சேகரிக்கப்பட்டது. உதாரணமாக, 18 மற்றும் 29 வயதிற்குட்பட்ட பெண் ஹிஸ்பானியர்களிடையே ஒபாமாவிற்கு ஆதரவை மதிப்பிடுவதைக் கற்பனை கற்பனை கற்பனை செய்து பாருங்கள், அவர்கள் ஜனநாயகக் கட்சிக்காரர்களாக உள்ள சுயநிர்ணய உரிமை பெற்றவர்களாக உள்ளனர், யார் மிதவாதிகள் என அடையாளம் காட்டுகிறார்கள், யார் 2008 ல் ஒபாமாவிற்கு வாக்களித்தனர். , மிகவும் குறிப்பிட்ட குழு, மற்றும் இந்த பண்புகளை மாதிரி யாரும் இல்லை என்று சாத்தியம். எனவே, இந்த குழுவைப் பற்றிய மதிப்பீடுகளை செய்வதற்கு, பலவிதமான பின்னடைவு ஒரு ஒத்த புள்ளியியல் மாதிரியைப் பயன்படுத்துகிறது, இது ஒத்த குழுக்களில் உள்ள மக்களிடமிருந்து கணக்கிடப்படுகிறது.

இதனால், வாங் மற்றும் சக ஊழியர்கள் பலமுறை ஒத்துழைப்பு மற்றும் பிந்தைய அடுக்குமாடிகளை ஒருங்கிணைத்து ஒரு அணுகுமுறையைப் பயன்படுத்தினர், எனவே அவர்கள் தங்களது மூலோபாயத்தை பலதரப்பட்ட பின்விளைவுகளை பிந்தைய அடுக்குமாற்றத்துடன் அல்லது மிகவும் அன்பாக "திரு. P. "XBox அல்லாத நிகழ்தகவு மாதிரி இருந்து மதிப்பீடு செய்ய வாங் மற்றும் சக பயன்படுத்தப்படும் திரு P. பயன்படுத்தப்படும் போது, ​​அவர்கள் 2012 தேர்தலில் ஒபாமா பெற்ற ஒட்டுமொத்த ஆதரவை நெருக்கமாக மதிப்பீடுகள் உற்பத்தி (எண்ணிக்கை 3.8). உண்மையில், அவர்களது மதிப்பீடுகள் பாரம்பரிய பொது கருத்துக்கணிப்புகளின் மொத்த எண்ணிக்கையை விட மிகவும் துல்லியமாக இருந்தன. எனவே, இந்த வழக்கில், புள்ளிவிவர மாற்றங்கள்- குறிப்பாக திரு. பி - சார்பற்ற தரவுகளில் உள்ள சார்புகளை திருத்தும் ஒரு நல்ல வேலையை செய்வதாக தோன்றுகிறது; நீங்கள் சரிசெய்யப்படாத Xbox தரவிலிருந்து மதிப்பீட்டைப் பார்க்கும் போது தெளிவாகத் தெரிந்திருக்கும் சார்புகள்.

படம் 3.8: W. Wang et al. (2015) . Unjustjusted XBox மாதிரி தவறான மதிப்பீடுகள் உற்பத்தி. ஆனால், எடையிடப்பட்ட XBox மாதிரி சராசரியாக நிகழ்தகவு அடிப்படையிலான தொலைபேசி ஆய்வைக் காட்டிலும் மிகவும் துல்லியமானதாக இருந்தது. W. Wang et al. (2015) , புள்ளிவிவரங்கள் 2 மற்றும் 3.

வாங் மற்றும் சக ஊழியர்களின் ஆய்வுகளில் இருந்து இரண்டு முக்கிய பாடங்களைக் காணலாம். முதல், unjustjust அல்லாத அல்லாத நிகழ்தகவு மாதிரிகள் மோசமான மதிப்பீடுகள் வழிவகுக்கும்; இது பல ஆராய்ச்சியாளர்கள் முன் கேள்விப்பட்ட ஒரு பாடம். இரண்டாவது பாடம், இருப்பினும், நிகழ்தகவு அல்லாத மாதிரிகள், ஒழுங்காக பகுப்பாய்வு செய்யப்பட்டால், உண்மையில் நல்ல மதிப்பீடுகளை உருவாக்கலாம்; அல்லாத நிகழ்தகவு மாதிரிகள் தானாக இலக்கிய டைஜஸ்ட் மோசடி போன்ற ஏதாவது வழிவகுக்க வேண்டும்.

முன்னோக்கி செல்லும், ஒரு நிகழ்தகவு மாதிரி அணுகுமுறை மற்றும் ஒரு அல்லாத நிகழ்தகவு மாதிரி அணுகுமுறை ஆகியவற்றைப் பயன்படுத்தி நீங்கள் முடிவு செய்ய முயற்சித்தால், நீங்கள் கடினமான தெரிவை எதிர்கொள்கிறீர்கள். சில நேரங்களில் ஆய்வாளர்கள் ஒரு விரைவான மற்றும் கடுமையான விதி தேவை (எ.கா., எப்போதும் நிகழ்தகவு மாதிரி முறைகளைப் பயன்படுத்துதல்), ஆனால் இதுபோன்ற விதிகளை வழங்குவது மிகவும் கடினம். ஆராய்ச்சியாளர்கள் நடைமுறையில் நிகழ்தகவு மாதிரி வழிமுறைகளுக்கு இடையே கடினமான தேர்வை எதிர்கொள்கிறார்கள்-இது அதிக விலை மற்றும் விலையுயர்ந்த தத்துவார்த்த முடிவுகளிலிருந்து தங்களைப் பயன்படுத்துவதை நியாயப்படுத்தும் மற்றும் நிகழ்தகவு அளவிலான மாதிரி முறைகளை-இது மலிவான மற்றும் வேகமானவை, ஆனால் குறைவான பழக்கமான மற்றும் இன்னும் மாறுபட்டவை. இருப்பினும், தெளிவான ஒரு விஷயம், நீங்கள் நிகழ்தகவு அல்லாத மாதிரிகள் அல்லது நிராகரிக்கப்படாத பெரிய தரவு ஆதாரங்களுடன் (பாடம் 2-ஐப் பற்றி நினைத்துப் பார்க்க வேண்டும்) கட்டாயப்படுத்தினால், பிந்தைய அடுக்குமாற்றத்தைப் பயன்படுத்தி மதிப்பிட்ட மதிப்பீடுகள் நம்புவதற்கு வலுவான காரணம் இருக்கிறது தொடர்புடைய நுட்பங்கள் சரிசெய்யப்படாத, மூல மதிப்பீட்டை விட சிறப்பாக இருக்கும்.