3.4.2 కాని సంభావ్యత నమూనాలను: వైటింగ్

కాని సంభావ్యత నమూనాలను, బరువులు భావించారు శాంప్లింగ్ ప్రక్రియ ద్వారా కలిగే వక్రీకరణలు రద్దు చెయ్యవచ్చు.

పరిశోధకులు సంభావ్యత నమూనాల నుంచి స్పందనలు బరువు అదే విధంగా, వారు కూడా కాని సంభావ్యత నమూనాల నుంచి స్పందనలు బరువు చేయవచ్చు. ఉదాహరణకు, CPS ఒక ప్రత్యామ్నాయంగా, మీరు నిరుద్యోగ రేటును అంచనా వేయడానికి సర్వే పాల్గొనేవారు సమీకరణకు వేలకొద్దీ వెబ్సైట్లు బ్యానర్ ప్రకటనలు ఉంచిన ఊహించుకోండి. సహజంగానే, మీరు మీ నమూనా యొక్క సాధారణ సగటు నిరుద్యోగ రేటు మంచి అంచనా అని సందేహాస్పదంగా ఉంటుంది. మీరు కొన్ని ఇతరులు కంటే మీ సర్వే పూర్తి ఎక్కువగా ఉన్నాయి అని అనుకుంటున్నాను ఎందుకంటే మీ సంశయవాదం బహుశా ఉంది. ఉదాహరణకు, వెబ్లో సమయం చాలా ఖర్చు లేదు వ్యక్తులకు మీ సర్వే పూర్తి తక్కువ.

మేము చివరి భాగం లో చూసినట్లుగా, అయితే, నమూనా ఎంచుకున్న మేము తెలిస్తే ఎలా జరిగినది మనం సంభావ్యత తో చేయండి నమూనాలను అప్పుడు మనం శాంప్లింగ్ ప్రక్రియ ద్వారా కలిగే వక్రీకరణలు రద్దు చెయ్యవచ్చు. దురదృష్టవశాత్తు, కాని సంభావ్యత నమూనాల పనిచేసేటప్పుడు, మేము నమూనా ఎలా ఎంపికయ్యాడు తెలియదు. కానీ, మేము శాంప్లింగ్ ప్రక్రియ గురించి అంచనాలు తయారు చేయవచ్చు మరియు తర్వాత అదే విధంగా వైటింగ్ వర్తిస్తాయి. ఈ ఆలోచనల సరిగ్గా ఉన్నట్లయితే, అప్పుడు వైటింగ్ శాంప్లింగ్ ప్రక్రియ ద్వారా కలిగే వక్రీకరణలు దిద్దుబాటు రద్దుచెయ్యి ఉంటుంది.

ఉదాహరణకు, మీ బ్యానర్ యాడ్స్ ప్రతిస్పందనగా, మీరు 100,000 ప్రతివాదులు నియమించారు ఊహించుకోండి. అయితే, మీరు ఈ 100,000 ప్రతివాదులు అమెరికా వయోజనుల్లో సాధారణ యాదృచ్ఛిక నమూనా అని నమ్మకం లేదు. నిజానికి, మీరు మీ ప్రతివాదులు సంయుక్త జనాభా పోల్చడానికి, మీరు కొన్ని రాష్ట్రాల్లో (ఉదా, న్యూ యార్క్) నుండి ప్రజలు అధిక-ప్రాతినిధ్యం మరియు కొన్ని (ఉదాహరణకు, అలస్కా) నుండి ప్రజలు అని అండర్ ప్రాతినిధ్యం కనుగొన్నాయి. అందువలన, మీ నమూనా యొక్క నిరుద్యోగ రేటు లక్ష్యాన్ని జనాభాలో నిరుద్యోగం రేటు ఒక చెడ్డ అంచనా ఉండే అవకాశం ఉంది.

శాంప్లింగ్ ప్రక్రియలో జరిగిన వక్రీకరణ దిద్దుబాటు రద్దుచెయ్యి ఒక మార్గం ప్రతి వ్యక్తికి బరువులు పెట్టేందుకు ఉంది; రాష్ట్రాల నుండి ప్రజలు తక్కువ బరువులు నమూనా (ఉదా అలస్కా) లో ఉంటాయి అండర్ ప్రాతినిధ్యం రాష్ట్రాల నుండి నమూనా (ఉదా, న్యూ యార్క్) మరియు అధిక బరువులు ప్రజలకు పైగా సూచించబడే. మరింత ప్రత్యేకంగా, ప్రతి ప్రతివాది బరువు సంయుక్త జనాభాలో తమ ప్రాబల్యం మీ నమూనా సాపేక్ష వారి ప్రాబల్యం సంబంధించినది. ఈ వైటింగ్ విధానాన్ని పోస్ట్ స్తరీకరణ అంటారు, మరియు బరువు ఆలోచన Rhode Island నుండి ప్రతివాదులు కాలిఫోర్నియా నుండి ప్రతివాదులు కంటే తక్కువ బరువు అందజేశారు విభాగం 3.4.1 ఉదాహరణకు మీరు గుర్తు ఉండాలి. పోస్ట్-స్తరీకరణ మీరు సమూహాలుగా మీ ప్రతివాదులు ఉంచాలి మరియు ప్రతి గుంపు లక్ష్యాన్ని జనాభా నిష్పత్తిని తెలుసు తగినంత తెలిసిన అవసరం.

సంభావ్యత నమూనా యొక్క మరియు కాని సంభావ్యత నమూనా యొక్క వైటింగ్ అదే గణితశాస్త్ర (టెక్నికల్ అనుబంధంలో చూడండి) ఉన్నప్పటికీ, వారు వివిధ పరిస్థితులలో బాగా పని. పరిశోధకుడు ఒక ఉత్తమమైన సంభావ్యత నమూనా (అంటే, ఏ కవరేజ్ దోషం మరియు ఏ కాని స్పందన) కలిగి ఉంటే, అప్పుడు వైటింగ్ అన్ని సందర్భాలలో అన్ని లక్షణాలు కోసం నిష్పాక్షికమైన అంచనాలు తయారు చేస్తుంది. సంభావ్యత నమూనాల యొక్క న్యాయవాదులు వాటిని చాలా ఆకర్షణీయంగా కనుగొనేందుకు ఎందుకు ఈ బలమైన సైద్ధాంతిక హామీ ఉంది. మరోవైపు, వైటింగ్ కాని సంభావ్యత నమూనాలను మాత్రమే అన్ని లక్షణాలు కోసం నిష్పాక్షికమైన అంచనాలు స్పందన స్వభావాన్ని ప్రతి సమూహంలోని అందరికీ ఒకటే ఉత్పత్తి చేస్తాయి. ఇతర మాటలలో, పోస్ట్ స్తరీకరణ ఉపయోగించి న్యూ యార్క్ లో అందరి ప్రజానాట్యమండలి అలాస్కాలో అందరూ అలా పై ప్రజానాట్యమండలి అదే సంభావ్యత అదే సంభావ్యతను కలిగి ఉంటే నిష్పాక్షికమైన అంచనాలు ఉత్పత్తి చేస్తుంది మా ఉదాహరణ తిరిగి ఆలోచిస్తూ. ఈ ఊహ సజాతీయ రెస్పాన్స్-స్వభావాన్ని-పరిధిలో సమూహాలు ఊహ అని పిలుస్తారు మరియు పోస్ట్-స్తరీకరణ కాని సంభావ్యత నమూనాల బాగా పని ఉంటే అది తెలుసుకోవడం కీలక పాత్ర పోషిస్తుంది.

దురదృష్టవశాత్తూ, మన ఉదాహరణలో, సజాతీయ రెస్పాన్స్-స్వభావాన్ని-పరిధిలో సమూహాలు ఊహ నిజమని లేనట్లు తెలుస్తుంది. అంటే, ఇది అలాస్కాలో ఒక్కరూ మీ సర్వేలో అనే అదే సంభావ్యతను కలిగి లేనట్లు తెలుస్తుంది. కానీ, అది మరింత ఆశాజనకంగా కనిపిస్తుంది చేయండి ఇవన్నీ పోస్ట్ స్తరీకరణ గురించి గుర్తుంచుకోండి మూడు ముఖ్యమైన పాయింట్లు ఉన్నాయి.

మొదటి, సజాతీయ రెస్పాన్స్-స్వభావాన్ని-పరిధిలో సమూహాలు ఊహ సమూహాలు పెరుగుతుంది సంఖ్య మరింత ఆమోదయోగ్యమైన అవుతుంది. మరియు, పరిశోధకులు కేవలం ఒకే భౌగోళిక పరిమాణం ఆధారంగా సమూహాలను పరిమితం కాదు. ఉదాహరణకు, మేము రాష్ట్రంలో, వయసు, లింగము, మరియు విద్యా స్థాయి మీద ఆధారపడి సమూహాలు సృష్టించగలము. ఇది 18-29 యొక్క సమూహం లోపల సజాతీయ స్పందన స్వభావాన్ని ఉందని మరింత ఆమోదయోగ్యంగా ఉంది, అలాస్కాలో నివసిస్తున్న ప్రజలందరి గుంపులో ఎక్కువ అలాస్కాలో నివసిస్తున్న పురుషుడు, కళాశాల గ్రాడ్యుయేట్లు. అందువలన, పోస్ట్ స్తరీకరణ పెరుగుతుంది ఉపయోగిస్తారు సమూహాల సంఖ్య వంటి, అంచనాలు అది మరింత సమంజసమైన మారింది మద్దతు అవసరమైన. ఈ వాస్తవం అది ఒక పరిశోధకులు వంటి అనంతర విభజనీకరణ ద్వారా సమూహాల ఒక భారీ సంఖ్యలో సృష్టించడానికి కావాలో తెలుస్తోంది. డేటా sparsity: కానీ, సమూహాలు పెరిగే వంటి, పరిశోధకులు వేరే సమస్య ఆకస్మికంగా. ప్రతి గ్రూపులో ప్రజలు మాత్రమే ఒక చిన్న సంఖ్య ఉంటే, అప్పుడు అంచనాలు మరింత అనిశ్చిత ఉంటుంది, మరియు తీవ్రమైన సందర్భంలో ఎక్కడ ప్రతివాదులు కలిగి సమూహం ఉంది, అప్పుడు పోస్ట్ స్తరీకరణ పూర్తిగా విచ్ఛిన్నం. homogeneous- ప్రతిస్పందన పరిధిలో సమూహాలు ప్రవృత్తిని ఊహలను సహేతుకత మరియు ప్రతి సమూహంలో సహేతుకమైన ఆపరిమాణాలలో డిమాండ్ మధ్య ఈ స్వాభావిక ఉద్రిక్తత నుండి రెండు మార్గాలు ఉన్నాయి. ఒక విధానంలో బరువులు లెక్కించడానికి ఒక మరింత అధునాతన గణాంక నమూనా తరలించడానికి ఉంది మరియు ఇతర ప్రతి సమూహంలోని సహేతుకమైన ఆపరిమాణాలలో నిర్ధారించడానికి సహాయపడుతుంది ఒక పెద్ద, విభిన్న నమూనా సేకరించడానికి ఉంటుంది. మరియు, కొన్నిసార్లు పరిశోధకులు రెండు, నేను క్రింద మరింత వివరంగా చేస్తాము చేయండి.

కాని సంభావ్యత నమూనాల నుంచి పోస్ట్-స్తరీకరణ పనిచేసేటప్పుడు రెండవ పరిశీలనలో సంభావ్యత నమూనాల విశ్లేషించేటప్పుడు సజాతీయ రెస్పాన్స్-పరిధిలో సమూహాలు ప్రవృత్తిని ఊహ ఇప్పటికే తరచూ తయారు చెయ్యబడింది. ఈ ఊహ ఆచరణలో సంభావ్యత నమూనాల కోసం అవసరమైన కారణాలు సంభావ్యత నమూనాలను కాని స్పందన కలిగి ఉంది, మరియు పైన వివరించిన కాని ప్రతిస్పందన కోసం సర్దుబాటు కోసం చాలా సాధారణ పద్ధతి అనంతర స్తరీకరణ ఉంది. కోర్సు యొక్క, అనేక పరిశోధకులు నిర్దిష్ట ఊహ మీరు చాలా చెయ్యాలి అని కాదు తయారు కేవలం ఎందుకంటే. కానీ, అది ఆచరణలో సంభావ్యత నమూనాలను కాని సంభావ్యత నమూనాల సరిపోలిస్తే, మేము రెండు అంచనాలు ఉత్పత్తి చేయడానికి అంచనాలు మరియు సహాయక సమాచారంపై ఆధారపడి గుర్తుంచుకోండి తప్పక అర్థం. అత్యంత వాస్తవిక నేపధ్యాలలో, కేవలం తీర్మానంకు ఏ ఊహ లేని విధానం ఉంది.

చివరిగా, మీరు మా ఉదాహరణ నిరుద్యోగం ముఖ్యంగా గురించి ఒక అంచనా శ్రద్ధ ఉంటే రేటు అప్పుడు మీరు ఒక పరిస్థితి సజాతీయ రెస్పాన్స్-ప్రవృత్తిని-పరిధిలో సమూహాలు ఊహ కంటే బలహీన అవసరం. ముఖ్యంగా, మీరు మాత్రమే ప్రతి గుంపులో స్పందన ప్రవృత్తిని మరియు నిరుద్యోగం రేటు మధ్య ఎలాంటి సహసంబంధం ఉందని భావించవచ్చు అవసరం, ప్రతి ఒక్కరూ అదే స్పందన ప్రవృత్తిని కలిగి చేపట్టడానికి అవసరం లేదు. కోర్సు యొక్క, కూడా ఈ బలహీన పరిస్థితి కొన్ని సందర్భాల్లో కలిగి లేదు. ఉదాహరణకు, స్వచ్ఛంద పని చేసే అమెరికన్లు నిష్పత్తి అంచనా ఊహించుకోండి. స్వచ్ఛంద పని చేసే ప్రజలు సర్వేలో అంగీకరించడు అవకాశాలు ఎక్కువగా ఉంటే, అప్పుడు పరిశోధకులు రెడీ క్రమపద్ధతిలో ఓవర్ అంచనా, స్వయంసేవకంగా మొత్తం వారు, పోస్ట్ స్తరీకరణ సర్దుబాట్లు పోయినా ద్వారా ఆమోద చూపించడం జరిగింది ఆ ఫలితంగా Abraham, Helms, and Presser (2009) .

నేను ముందు ఇలా, కాని సంభావ్యత నమూనాల గొప్ప నిరాశావాదంతో సామాజిక శాస్త్రజ్ఞుల ద్వారా భాగం లో సర్వే పరిశోధన యొక్క ప్రారంభ రోజుల్లో అత్యంత ఇబ్బందికరమైన వైఫల్యాలు కొన్ని వారి పాత్ర చూశారు. మనం కాని సంభావ్యత నమూనాలను వచ్చారు ఎంతవరకు స్పష్టమైన ఉదాహరణ సరిగ్గా అమెరికన్ Xbox వినియోగదారులు ఒక నాన్ సంభావ్యత నమూనా ఉపయోగించి 2012 US ఎన్నికల్లో ఫలితాన్ని కోలుకున్నాడు వీ వాంగ్, డేవిడ్ రోత్స్చైల్డ్ శరద్ గోయల్, అండ్ ఆండ్రూ GELMAN యొక్క పరిశోధన ఉంది -a అమెరికన్లు నిర్ణయాత్మక కాని యాదృచ్ఛిక నమూనా (Wang et al. 2015) . పరిశోధకులు Xbox గేమింగ్ సిస్టమ్ నుండి ప్రతివాదులు చేర్చుకున్నారు, మరియు మీరు ఆశించవచ్చు వంటి, Xbox నమూనా పురుషుడు వక్రంగా మరియు యువ వక్రంగా: 18 - 29 సంవత్సరాల వయస్సు ఓటర్లలో 19% కానీ Xbox నమూనా యొక్క 65% తయారు మరియు పురుషులు 47% తయారు ఓటర్లు మరియు Xbox నమూనా (మూర్తి 3.4) 93% ఆఫ్. ఎందుకంటే ఈ బలమైన జనాభా వివక్షల, ముడి Xbox డేటా ఎన్నికల రాబడుల్లో పేద సూచిక ఉంది. బరాక్ ఒబామా పైగా మిట్ రోమ్నీ కోసం ఒక బలమైన విజయం అంచనా. మళ్ళీ, ఈ ముతక, అన్ఏడ్జస్టెడ్ కాని సంభావ్యత నమూనాల యొక్క ప్రమాదాల మరొక ఉదాహరణ అండ్ లిటరరీ డైజెస్ట్ అపజయం గుర్తుచేస్తుంది.

మూర్తి 3.4 సర్వేలో జనవిజ్ఞానం Wang et al. (2015) . ప్రతివాదులు Xbox నుండి నియమించాడు ఎందుకంటే, వారు యువ పురుష, 2012 ఎన్నికల ఓటర్లను సంబంధిత చెందే అవకాశం ఉంటుంది అవకాశం ఎక్కువగా ఉంది.

అయితే, వాంగ్ మరియు అతని సహచరులు ఈ సమస్యలు తెలుసుకుని శాంప్లింగ్ ప్రక్రియలో సరిచేయుటకు ప్రతివాదులు బరువు ప్రయత్నించారు. ముఖ్యంగా, అవి పోస్ట్-స్తరీకరణ నేను గురించి మీరు చెప్పారు యొక్క మరింత అధునాతనమైన రూపం ఉపయోగిస్తారు. ఇది పోస్ట్ స్తరీకరణ గురించి ఊహ ఆధారమై ఎందుకంటే వారి విధానం గురించి కొంచెం ఎక్కువ నేర్చుకోవడం విలువ ఉంది, మరియు ఉపయోగించే ప్రత్యేక సంస్కరణను వాంగ్ మరియు సహచరులు వైటింగ్ కాని సంభావ్యత నమూనాలను చాలా అద్భుతమైన విధానములలో ఒకటి.

విభాగం 3.4.1 నిరుద్యోగం అంచనా గురించి మా చిన్న ఉదాహరణ, మేము నివాస రాష్ట్ర ఆధారంగా సమూహాలు విభజించింది. దీనికి విరుద్ధంగా, వాంగ్ మరియు సహచరులు ద్వారా నిర్వచించబడిన 176.256 సమూహాలుగా విభజించింది: లింగం (2 కేతగిరీలు), జాతి (4 కేతగిరీలు), వయస్సు (4 కేతగిరీలు) విద్య (4 కేతగిరీలు) రాష్ట్రం (51 కేతగిరీలు), పార్టీ ID (3 కేతగిరీలు), సిద్ధాంతం (3 కేతగిరీలు) మరియు 2008 ఓటు (3 కేతగిరీలు). మరింత సంఘాలతో పరిశోధకులు ప్రతి సమూహంలో, స్పందన ప్రవృత్తిని ఒబామా మద్దతుతో సహసంబంధంలేని అని ఎక్కువ అవకాశం భావించింది. తదుపరి కాకుండా మన ఉదాహరణలో వలె, ఇండివిడ్యువల్-లెవెల్ బరువులు నిర్మిస్తోంది కంటే, వాంగ్ మరియు సహచరులు ఒక క్లిష్టమైన నమూనా ఒబామా కోసం ఓటు అని ప్రతి సమూహంలోని ప్రజల నిష్పత్తి వేయడానికి ఉపయోగిస్తారు. చివరిగా, వారు మద్దతు అంచనా సమగ్రాభివృద్ధి స్థాయిని ఉత్పత్తి ప్రతి సమూహం యొక్క తెలిసిన పరిమాణం మద్దతు ఈ సమూహం అంచనాలు కలిపి. ఇతర మాటలలో, వారు జనాభాలో వేర్వేరు సమూహాలుగా విభజించబడింది, తరిగిన ప్రతి సమూహంలోని ఒబామా మద్దతు అంచనా, ఆపై ఒక మొత్తం అంచనా ఉత్పత్తి సమూహం అంచనాల సగటు పట్టింది.

అందువలన తమ వైఖరిలో పెద్ద సవాలు ఈ 176.256 సమూహాలలో ప్రతి దానినుండి ఒబామా మద్దతు అంచనా ఉంది. తమ పానెల్ 345.858 ఏకైక పాల్గొనే ఎన్నికల పోలింగ్ ప్రమాణాలు ద్వారా భారీ సంఖ్యలో కలిగి ఉంది, ఇది కోసం వాంగ్ మరియు సహచరులు దాదాపు ప్రతివాదులు కలిగి అనేక వర్గాలు ఉండేవి. అందువలన, పరిశోధకులు ఆప్యాయంగా ఒక నిర్దిష్ట గుంపులో ఒబామా మద్దతు అంచనా వేయడం, ముఖ్యంగా మిస్టర్ పి కాల్ ఇది, మిస్టర్ పి కొలనులు రకరకాల నుండి సమాచారాన్ని వారు ఒక టెక్నిక్ ఉపయోగించిన ప్రతీ సమూహం పోస్ట్ స్తరీకరణ తో బహుళస్థాయి రిగ్రెషన్ పిలుస్తారు, మద్దతు అంచనా వేయడం దగ్గరి సంబంధం సమూహాలు. ఉదాహరణకు, మధ్య 18-29 సంవత్సరాల వయస్సు, పురుషుడు హిస్పానిక్స్లలో ఒబామా మద్దతుతో అంచనా యొక్క సవాలు పరిగణలోకి, మితవాదులు స్వీయ-గుర్తింపు ఎవరు నమోదు చేసే డెమొక్రాట్లు కళాశాల గ్రాడ్యుయేట్లు, ఎవరు, మరియు ఈ 2008 లో ఒబామా కోసం ఎవరు ఓటు చాలా, చాలా నిర్దిష్ట సమూహం, మరియు అది ఈ లక్షణాలున్న నమూనాలో ఎవరూ అక్కడ ఉండే అవకాశం ఉంది. అందువలన, ఈ గుంపు గురించి అంచనాలు తయారు, మిస్టర్ పి కొలనులు కలిసి చాలా పోలి సమూహాలలోనున్న నుండి అంచనా వేసింది.

ఈ విశ్లేషణ వ్యూహం ఉపయోగించి, వాంగ్ మరియు సహచరులు చాలా దగ్గరగా ఒబామా 2012 ఎన్నికల అందుకున్న మొత్తం మద్దతు అంచనా సమీక్షించండి కాని సంభావ్యత నమూనా ఉపయోగించడానికి పోయారు (మూర్తి 3.5). నిజానికి వారి అంచనాలు పబ్లిక్ ఒపీనియన్ పోల్స్ ఒక సగటు కంటే మరింత ఖచ్చితమైన ఉన్నాయి. అందువలన, ఈ సందర్భంలో, వైటింగ్-ప్రత్యేకంగా మిస్టర్ కాని సంభావ్యత డేటా పక్షపాతాలకు సరిచేసిన ఒక మంచి ఉద్యోగం చేయాలని పి-తెలుస్తోంది; మీరు అన్ఏడ్జస్టెడ్ Xbox సమాచారం ఆధారంగా వేసిన చూస్తున్నప్పుడు కనిపించే పక్షపాతాలు.

మూర్తి 3.5: నుండి అంచనాలు Wang et al. (2015) . అన్ఏడ్జస్టెడ్ Xbox లో నమూనా యథార్థం అంచనాలు ఉత్పత్తి. కానీ, అధిక Xbox లో నమూనా సంభావ్యత-ఆధారిత టెలిఫోన్ సర్వేలు సగటున కంటే మరింత ఖచ్చితమైన అంచనాలు ఉత్పత్తి.

వాంగ్ మరియు సహచరులు అధ్యయనం నుండి రెండు ప్రధాన పాఠాలు ఉన్నాయి. మొదటి, అన్ఏడ్జస్టెడ్ కాని సంభావ్యత నమూనాల చెడు అంచనాల దారితీస్తుంది; ఈ అనేక పరిశోధకులు ముందు విన్న చేసిన ఒక పాఠం ఉంది. అయితే, రెండో పాఠం కాని సంభావ్యత నమూనాలను సరిగా ప్రాధాన్యత ఉన్నప్పుడు, నిజానికి చాలా మంచి అంచనాలు ఉత్పత్తి చేసే ఉంది. నిజానికి, వారి అంచనాలు pollster.com, అనేక సంప్రదాయ ఎన్నికల ఎన్నికలు సంకలనం నుండి అంచనాల కంటే మరింత ఖచ్చితమైన ఉన్నాయి.

చివరగా, మేము ఈ ఒక నిర్దిష్ట అధ్యయనం నుండి తెలుసుకోవచ్చు ఏమి ముఖ్యమైన పరిమితులు ఉన్నాయి. పోస్ట్ స్తరీకరణ ఈ ప్రత్యేక సందర్భంలో బాగా పని కనుక, అది ఇతర సందర్భాల్లో బాగా పని గారెంటీ లేదు. నిజానికి, ఎన్నికలు, pollsters కోసం దాదాపు 100 సంవత్సరాల ఎన్నికలు అధ్యయనం చేయబడ్డాయి ఎందుకంటే బహుశా సులభమయిన సెట్టింగులను ఒకటి, సాధారణ ప్రతిస్పందన (మేము ఎన్నికలు గెలిచిన చూడగలరు), మరియు పార్టీ గుర్తింపు ఉంది మరియు జనాభా లక్షణాలు ఓటింగ్ సాపేక్షంగా సూచనా ఉన్నాయి. ఈ సమయంలో, మేము ఘన సిద్ధాంతం మరియు కాని సంభావ్యత నమూనాలను వైటింగ్ సర్దుబాట్లు తగిన ఖచ్చితమైన అంచనాలు ఉత్పత్తి చేస్తుంది తెలుసు అనుభావిక అనుభవం లేకపోవడం. స్పష్టమైన అని ఒక విషయం, అయితే, మీరు కాని సంభావ్యత నమూనాలను పని వస్తుంది ఉంటే, అప్పుడు సర్దుబాటు అంచనాలు కాని సర్దుబాటు అంచనాల కంటే మెరుగైన ఉంటుంది నమ్ముతారు బలమైన కారణం ఉంటుంది.