2.4.3 దాదాపు ప్రయోగాలు

మేము చేయలేని ప్రయోగాలు అంచనా వేయగలుగుతుంది. ముఖ్యంగా డిజిటల్ వయస్సు నుండి లాభం రెండు విధానాలు సరిపోలే మరియు సహజ ప్రయోగాలు జరుగుతున్నాయి.

అనేక ముఖ్యమైన శాస్త్రీయ మరియు విధాన ప్రశ్నలు కారణ ఉన్నాయి. యొక్క పరిగణలోకి లెట్, ఉదాహరణకు, ఈ క్రింది ప్రశ్న: దానికే ఉద్యోగ శిక్షణా కార్యక్రమాన్ని ప్రభావం ఏమిటి? ఈ ప్రశ్నకు సమాధానం ఒక మార్గం కార్మికులు యాదృచ్ఛికంగా గాని శిక్షణ తీసుకున్నారు లేదా శిక్షణ అందుకోలేదు కేటాయించిన అక్కడ ఒక యాదృచ్చిక నియంత్రిత ప్రయోగం ఉంటుంది. అప్పుడు, పరిశోధకులు కేవలం అది అందలేదని వారికి శిక్షణ పొందిన వ్యక్తుల వేతనాలు పోల్చడం ద్వారా ఇలా పాల్గొనేవారు కోసం శిక్షణ యొక్క ప్రభావాన్ని అంచనా కాలేదు.

నియమరహితం: సాధారణ పోలిక ఎందుకంటే డేటా సరి సేకరించిన ముందు జరుగుతుంది అని ఏదో చెల్లుతుంది. నియమరహితం లేకుండా, సమస్య చాలా trickier ఉంది. ఒక పరిశోధకుడు స్వచ్ఛందంగా సైన్ అప్ లేదు వారికి శిక్షణ కోసం సైన్ అప్ వ్యక్తుల వేతనాలు పోల్చడానికి కాలేదు. ఆ పోలిక బహుశా శిక్షణ పొందిన ప్రజలు మరింత సంపాదించుకున్నారు కనిపించేవాడు, అయితే ఎంత ఈ కారణంగా శిక్షణ ఉంది మరియు సైన్ అప్ శిక్షణ కోసం ప్రజలు అలా సైన్ అప్ లేని శిక్షణ కోసం భిన్నంగా ఉంటాయి ఎందుకంటే ఎంత ఉంది? ఇతర మాటలలో, ప్రజలు ఈ రెండు సమూహాల వేతనాలు పోల్చి చుస్కోకుండా

ఫెయిర్ పోలికలు గురించి ఈ పరిస్థితుల్లో ఒక ప్రయోగం నడుస్తున్న లేకుండా కారణ అంచనాలు అసాధ్యం అని కొందరు పరిశోధకులు దారితీస్తుంది. ఈ వాదన చాలా దూరం వెళుతుంది. ప్రయోగ నైమిత్తిక ప్రభావాలు కోసం బలమైన ఆధారాన్ని అందించే వాస్తవమైనప్పటికీ, విలువైన కారణ అంచనాలు అందించే ఇతర వ్యూహాలు ఉన్నాయి. బదులుగా (స్తబ్దంగా డేటా పరిశీలించారు విషయంలో) అని కారణ అంచనాల (ప్రయోగాలు విషయంలో) గాని సులభం లేదా అసాధ్యం ఆలోచిస్తూ, అది ఒక నిరంతర బలమైన నుండి బలహీనమైన (మూర్తి పాటు పడి కారణ అంచనాలు చేసినందుకు వ్యూహాలు ఆలోచించడం ఉత్తమం 2.4). క్రమణిక యొక్క బలమైన ముగింపులో నియంత్రించబడిన ప్రయోగాలు స్వైర ఉంటాయి. కానీ, వీటిని సాంఘిక పరిశోధనలో చేయాలని అనేక చికిత్సలు ప్రభుత్వాలు లేదా సంస్థలు నుండి సహకారం అవాస్తవ మొత్తంలో అవసరం ఎందుకంటే కష్టం; చాలా సరళంగా మనం చేయలేని అనేక ప్రయోగాలు ఉన్నాయి. నేను బలాలు మరియు స్వైర నియంత్రిత ప్రయోగాలు బలహీనత రెండు అధ్యాయము 4 అన్ని కేటాయిస్తుందని, మరియు నేను కొన్ని సందర్భాల్లో, ప్రయోగాత్మక పద్ధతులకు పరిశీలనాత్మక ఇష్టపడతారు బలమైన నైతిక కారణాల ఉన్నాయి వాదిస్తున్నారు చేస్తాము.

మూర్తి 2.4: అంచనా కారణ ప్రభావాలు పరిశోధన వ్యూహాలు కాంటినమ్.

నిరంతర పాటు మూవింగ్, పరిశోధకులు స్పష్టం చేస్తోందని చేశారు స్వైర కాదు పరిస్థితులు ఉంటాయి. అంటే, పరిశోధకులు నిజానికి ఒక ప్రయోగం చేయకుండా ప్రయోగం వంటి జ్ఞానం తెలుసుకోవడానికి ప్రయత్నిస్తున్నారు జరిగినది; సహజంగా, ఈ గమ్మత్తైన అవతరిస్తుంది, కానీ పెద్ద డేటా గొప్పగా ఈ పరిస్థితుల్లో కారణ అంచనాలు చేయడానికి మా సామర్థ్యాన్ని మెరుగుపరుస్తుంది.

కొన్నిసార్లు ప్రపంచంలో అయోమయ పరిశోధకులకు ఒక ప్రయోగం వంటి ఏదో సృష్టించడానికి నిర్మాణము సెట్టింగులు ఉన్నాయి. ఈ నమూనాలు సహజ ప్రయోగాలు పిలుస్తారు, మరియు వారు విభాగం 2.4.3.1 వివరాలు పరిగణించబడుతుంది. పెద్ద డేటా మూలాల వారి ఎప్పుడూ స్వభావం తీసుకొని వారి రెండు లక్షణాలు పరిమాణము గొప్పగా వారు సంభవించినప్పుడు సహజ ప్రయోగాల నుండి తెలుసుకోవడానికి మా సామర్ధ్యం విస్తరిస్తుంది.

మరింత దూరంగా స్వైర నియంత్రిత ప్రయోగాలను వెళ్లడం, కొన్నిసార్లు మేము ఒక సహజ ప్రయోగం సుమారు ఉపయోగించే ప్రకృతిలో కూడా ఒక కార్యక్రమం కాదు. ఈ అమరికలో, మేము జాగ్రత్తగా ఒక ప్రయోగం సుమారు ప్రయత్నంలో కాని ప్రయోగాత్మక డేటా లోపల పోలికలు నిర్మించవచ్చు. ఈ నమూనాలు సరిపోలే అని పిలుస్తారు, మరియు వారు విభాగం 2.4.3.2 వివరాలు పరిగణించబడుతుంది. సహజ ప్రయోగాలు ఇలా, మ్యాచింగ్ కూడా పెద్ద డేటా మూలాల నుండి లాభాలను ఒక నమూనా. ముఖ్యంగా, భారీ పరిమాణంలో రెండు కేసుల సంఖ్య మరియు పర్ సమాచార రకాన్ని పరంగా కేస్ గొప్పగా సరిపోలే సౌకర్యాలు. సహజ ప్రయోగాలు మరియు సరిపోలే మధ్య ప్రధాన వ్యత్యాసం సహజ ప్రయోగాల్లో పరిశోధకుడు చికిత్స నియమించి దానిని యాదృచ్ఛిక అని నమ్ముతుంది, వీటి గుండా ప్రక్రియలో తెలుసు అని.

సహజ ప్రయోగాలు మరియు సరిపోలే ప్రయోగాలు చేయాలని కోరికలు ప్రేరణ ఫెయిర్ పోలికలు భావన కూడా రెండు ప్రత్యామ్నాయ విధానాలు అంతర్లీనంగా. ఈ విధానాలు మీరు ఇప్పటికే కలిగి డేటా లోపల కూర్చొని ఫెయిర్ పోలికలు కనుగొనడం ద్వారా స్తబ్దంగా గమనించిన దత్తాంశం నుండి కారణ ప్రభావాలు అంచనా అనుమతిస్తుంది.