3.4 ఎవరు గోవా

ప్రాబబిలిటీ నమూనాలను మరియు కాని సంభావ్యత నమూనాల ఆచరణలో వివిధ కాదు; రెండు సందర్భాలలో, ఇది అన్ని బరువులు గురించి.

సాంప్లింగ్ పరిశోధనా అధ్యయనానికి మూలాధారంగా ఉంటుంది. పరిశోధకులు దాదాపు వారి లక్ష్యం జనాభాలో అందరికీ ప్రశ్నలడగమని ఎప్పుడూ. ఈ విషయంలో, సర్వేలు మాత్రమే ప్రత్యేకించబడినవి కావు. చాలావరకు పరిశోధన, ఒక మార్గం లేదా మరొక లో, నమూనా ఉంటుంది. కొన్నిసార్లు ఈ శాంప్లింగ్ పరిశోధకుడి నడిపేవారిని జరుగుతుంది; ఇతర సమయాల్లో అది పరిపూర్ణంగా జరుగుతుంది. ఉదాహరణకు, తన విశ్వవిద్యాలయం అండర్ గ్రాడ్యుయేట్ విద్యార్థుల మీద ప్రయోగశాల ప్రయోగం అమలు చేసే పరిశోధకుడు కూడా ఒక నమూనా తీసుకున్నారు. అందువలన, నమూనా ఈ పుస్తకం అంతా వస్తుంది ఒక సమస్య. నిజానికి, నేను డేటా యొక్క డిజిటల్ వయస్సు మూలాల గురించి వినడానికి చాలా సాధారణ ఆందోళనలు ఒకటి మేము ఈ సెక్షన్ చూస్తారు వంటి, ఈ ఆందోళన తక్కువ తీవ్రమైన మరియు అనేక సంశయవాదులు గ్రహించడం కంటే ఎక్కువ సూక్ష్మ రెండూ "వారు ప్రతినిధి కాదు.". నిజానికి, నేను "representativeness" మొత్తం విషయాన్ని సంభావ్యత మరియు కాని సంభావ్యత నమూనాలను గురించి ఆలోచిస్తూ సహాయకారిగా కాదు వాదిస్తారు కనిపిస్తుంది. బదులుగా, కీ డేటా సేకరించిన మరియు అంచనాలు తయారు వచ్చినప్పుడు ఆ సమాచారాన్ని సేకరణలో ఏ పక్షపాతాలు ఎలా పునరావృత్తం ఎలా గురించి ఆలోచించడం ఉంది.

ప్రస్తుతం, ప్రాతినిధ్యాన్ని బహిర్గత సైద్ధాంతిక పద్ధతి సంభావ్యత నమూనా ఉంది. డేటా చెయ్యబడింది ఖచ్చితంగా అమలు ఒక సంభావ్యత సాంప్లింగ్ పద్దతి తో సేకరించిన చేసినప్పుడు, పరిశోధకులు వారు ఎవరికి గురించి నిష్పాక్షికమైన అంచనాలు తయారు సేకరించబడ్డాయి మార్గం ఆధారంగా వారి డేటా బరువు చేయగలరు. అయితే, పరిపూర్ణ సంభావ్యత శాంప్లింగ్ సాధారణంగా అసలు ప్రపంచంలో జరుగుతుంది ఎప్పుడూ. రెండు ప్రధాన సమస్యలు 1) లక్ష్య జనాభా మరియు ఫ్రేమ్ జనాభా మరియు 2 మధ్య తేడాలు) కాని స్పందన (ఈ ఖచ్చితంగా లిటరరీ డైజెస్ట్ పోల్ ధ్వంసం సమస్యలు) సాధారణంగా ఉన్నాయి. అందువలన, బదులుగా నిజానికి ప్రపంచంలో ఏమి యొక్క వాస్తవిక నమూనాగా సంభావ్యత సాంప్లింగ్ ఆలోచిస్తూ కంటే, అది మంచి ఒక ఉపయోగపడిందా, నైరూప్య మోడల్ గా సంభావ్యత సాంప్లింగ్ ఆలోచించడం చాలా వంటి మార్గం భౌతిక శాస్త్రవేత్తలు ఒక అనంతమైన చింపి రోలింగ్ ఒక దూరం బంతి గురించి ఏమనుకుంటున్నారో ఉంది రాంప్.

సంభావ్యత మాదిరి ప్రత్యామ్నాయ కాని సంభావ్యత నమూనా ఉంది. సంభావ్యత మరియు కాని సంభావ్యత శాంప్లింగ్ మధ్య ప్రధాన తేడా సంభావ్యత జనాభాలో అందరికీ మాదిరి చేర్చడానికి ఒక తెలిసిన సంభావ్యతను కలిగి ఉంది. నిజానికి, ఉన్నాయి, కాని సంభావ్యత సాంప్లింగ్ అనేక రకాలు, మరియు డేటా సేకరణ ఈ పద్ధతులు డిజిటల్ యుగంలో ఎక్కువగా తయారవుతున్నాయి. కానీ, కాని సంభావ్యత శాంప్లింగ్ సామాజిక శాస్త్రవేత్తలు మరియు గణాంక మధ్య ఒక భయంకరమైన కీర్తి ఉంది. నిజానికి, నాన్-సంభావ్యత శాంప్లింగ్ వంటి లిటరరీ డైజెస్ట్ అపజయం (ముందుగా చర్చించిన) మరియు 1948 ( "డ్యూయీ ఓడిస్తాడు ట్రూమాన్") అధ్యక్ష ఎన్నికల గురించి తప్పు జోస్యం సర్వే పరిశోధకులు అత్యంత నాటకీయంగా వైఫల్యాలు, కొన్ని సంబంధం ఉంది (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) .

అయితే, సమయం రెండు కారణాల కోసం కాని సంభావ్యత శాంప్లింగ్ వేయగా హక్కు. మొదటి, సంభావ్యత నమూనాల ఆచరణలో చేయాలని కష్టసాధ్యంగా మారాయి, సంభావ్యత నమూనాల మరియు కాని సంభావ్యత నమూనాల మధ్య లైన్ గొడవ ఉంది. కాదు అనేక పరిశోధకులు భావిస్తున్నారు అంత తేడాగా కాని ప్రతిస్పందన అధిక రేట్లు (ఇప్పుడు నిజ సర్వేలలో ఉన్నాయి), ప్రతివాదులు కోసం చేరికలు వాస్తవ సంభావ్యత తెలియదు, అందువలన, సంభావ్యత నమూనాల మరియు కాని సంభావ్యత నమూనాల చేసినప్పుడు ఉన్నాయి. పోస్ట్ స్తరీకరణ: నిజానికి, మేము క్రింద చూస్తారు వంటి, పద్ధతులు ప్రధానంగా అదే అంచనాలో పద్ధతి మీద ఆధారపడతాయి. రెండవది, సేకరణ మరియు కాని సంభావ్యత నమూనాలను విశ్లేషణ అనేక పరిణామాలు ఉన్నాయి. ఈ పద్ధతులు నేను వాటిని భావిస్తారు అర్ధమే భావించే గతంలో సమస్యలు కారణంగా పద్ధతులు నుండి తగినంత భిన్నంగా ఉంటాయి "కాని సంభావ్యత శాంప్లింగ్ 2.0. ఎందుకంటే" మేము జరిగిన తప్పులకు కాని సంభావ్యత పద్ధతులకు ఒక అహేతుక విరక్తి కలిగి ఉండకూడదు చాలా కాలం క్రితం.

తరువాత, ఈ వాదన మరింత కాంక్రీటు చేయడానికి, నేను ప్రామాణిక సంభావ్యత నమూనా మరియు వైటింగ్ (విభాగం 3.4.1) సమీక్షించడానికి చేస్తాము. ముఖ్య ఆలోచన మీరు అంచనాలు తయారు ఎలా ప్రభావితం చేయాలి మీ డేటా సేకరించిన ఎలా. ముఖ్యంగా, ప్రతి ఒక్కరూ చేర్చడానికి అదే సంభావ్యత లేకుంటే, అప్పుడు అందరూ అదే బరువు కలిగి ఉండకూడదు. ఇతర మాటలలో, మీ నమూనా సేకరణ ప్రజాస్వామ్య కాదు ఉంటే, అప్పుడు మీ అంచనాలకు ప్రజాస్వామ్య ఉండకూడదు. వైటింగ్ సమీక్షించిన తర్వాత, నేను కాని సంభావ్యత మాదిరి రెండు విధానాలు వివరించడానికి చేస్తాము డేటా ఎంత నియంత్రణ మరింత ఉంచడానికి ప్రయత్నించే ఒక అడ్డదిడ్డంగా సేకరించిన డేటా సమస్య (విభాగం 3.4.2) పరిష్కరించేందుకు వైటింగ్ దృష్టిసారించిన ఒక, మరియు సేకరించిన (విభాగం 3.4.3). ప్రధాన టెక్స్ట్ వాదనలు పదాలు మరియు చిత్రాలతో క్రింద వివరించడం జరుగుతుంది; ఒక గణిత చికిత్స కోరుకుంటున్నారో పాఠకులు కూడా సాంకేతిక అనుబంధంలో చూడాలి.