3.3 کل سروے کی خرابی فریم ورک

کل سروے غلطی = نمائندگی کی غلطیوں + پیمائش کی غلطیوں.

اندازہ کرتا ہے کہ نمونہ کے سروے سے آنے والے اکثر غیر معمولی ہوتے ہیں. یہ عام طور پر آبادی میں سروے (مثال کے طور پر، ایک اسکول میں طلبا کی متوقع اوسط اونچائی) اور آبادی میں حقیقی قدر (مثال کے طور پر، ایک اسکول میں طالب علموں کی اصل اوسط اونچائی) کے ذریعہ پیدا ہونے والی تخمینہ کے درمیان عام طور پر فرق ہے. بعض اوقات یہ غلطیاں بہت چھوٹی ہیں کہ وہ غیر ضروری نہیں ہیں، لیکن بعض اوقات، بدقسمتی سے، وہ بڑے اور نتیجے میں ہوسکتے ہیں. سمجھنے، پیمائش اور غلطیوں کو کم کرنے کی کوشش میں، محققین نے آہستہ آہستہ ایک غلط، وسیع پیمانے پر تصوراتی فریم ورک کو پیدا کیا ہے جو غلطیوں کے نمونے میں پیدا ہوسکتے ہیں: مجموعی سروے کی غلطی فریم ورک (Groves and Lyberg 2010) . اگرچہ 1940 ء میں اس فریم ورک کی ترقی شروع ہوئی، میں سوچتا ہوں کہ یہ ڈیجیٹل عمر میں سروے کی تحقیق کے لئے دو مددگار خیالات پیش کرتا ہے.

سب سے پہلے، کل سروے کی غلطی کا فریم ورک واضح کرتا ہے کہ دو قسم کی غلطیاں موجود ہیں: تعصب اور متغیر . بالکل، تعصب منظمی غلطی ہے اور متغیر بے ترتیب غلطی ہے. دوسرے الفاظ میں، ایک ہی نمونے کے سروے کے 1،000 اثرات چلاتے ہیں اور پھر ان 1،000 نقلات سے متعلق تخمینوں کی تقسیم کو دیکھتے ہیں. ان متعدد اندازے کے تخمینہ اور حقیقی قدر کے معنی فرق ہے. متغیر ان تخمینوں کی متغیر ہے. ہم سب برابر ہوں گے، ہم کسی بہاؤ اور چھوٹے متغیر کے ساتھ ایک طریقہ کار پسند کریں گے. بدقسمتی سے، بہت سے حقیقی مسائل کے لئے، اس طرح کے تعصب، چھوٹے متغیر طریقہ کار موجود نہیں ہیں، جس میں محققین کو تعصب اور متغیر کی طرف سے پیش کردہ مسائل کو حل کرنے کا فیصلہ کرنے میں مشکل حیثیت رکھتا ہے. کچھ محققین کو غیر منصفانہ طریقہ کار کو ترجیح دیتے ہیں، لیکن تعصب پر متفق توجہ مرکوز ہوسکتی ہے. اگر مقصد یہ ہے کہ اس تخمینہ کو پیدا کرنے کے لئے جو کچھ ممکن ہو سکے وہ سچ (جیسا کہ، سب سے چھوٹی ممکنہ غلطی کے ساتھ) ہے، پھر آپ ایک طریقہ کار کے ساتھ بہتر ہوسکتے ہیں جو اس کے مقابلے میں ایک چھوٹی سی تعصب اور ایک چھوٹا سا متغیر ہے. غیر جانبدار لیکن ایک بڑا فرق (اعداد و شمار 3.1) ہے. دوسرے الفاظ میں، کل سروے کی خرابی کے فریم ورک سے پتہ چلتا ہے کہ سروے ریسرچ کے طریقہ کار کا جائزہ لینے کے بعد، آپ کو تعصب اور متغیر دونوں پر غور کرنا چاہئے.

شکل 3.1: تعصب اور متغیر. مثالی طور پر، محققین کو کوئی تعصب نہیں، کم متغیر اندازہ تخمینہ ہوتا ہے. حقیقت میں، وہ اکثر فیصلے کرنا چاہتی ہیں جو تعصب اور متغیر کے درمیان تجارتی بند بناتے ہیں. اگرچہ کچھ محققین کو فوری طور پر غیر جانبدار طریقہ کار کو ترجیح دیتے ہیں، کبھی کبھی ایک چھوٹا سا تعصب، چھوٹے متغیر طریقہ کار غیر قانونی عمل کے مقابلے میں زیادہ درست تخمینہ پیدا کرسکتا ہے، جو اعلی فرق ہے.

مجموعی سروے کی خرابی کے فریم ورک سے دوسرا بنیادی بصیرت، جو اس باب میں بہت زیادہ منظم کرے گا، یہ ہے کہ دو غلطیاں ہیں: آپ کونسل سے متعلق مسائل (اور نمائندگی ) سے متعلق مسائل اور ان باتوں سے جو کچھ سیکھتے ہیں ان سے متعلق مسائل ( پیمائش ). مثال کے طور پر، آپ فرانس میں رہنے والے بالغوں کے درمیان آن لائن رازداری کے بارے میں رویوں کا اندازہ کرنے میں دلچسپی رکھتے ہیں. ان تخمینوں کو بنانا دو مختلف قسم کی ترجیحات کی ضرورت ہے. سب سے پہلے، جواب دہندگان کو جواب دینے سے، آپ کو آن لائن رازداری کے بارے میں ان کے رویے کو درپیش کرنا پڑے گا (جو پیمائش کی ایک مسئلہ ہے). دوسرا، جواب دہندگان کے درمیان بااختیار رویے سے، آپ کو آبادی میں مجموعی طور پر رویہ (نمائندگی کی ایک مسئلہ ہے) کی ضرورت ہے. خراب سروے کے سوالات کے ساتھ کامل نمونے، خراب تخمینوں کی پیداوار کرے گی، مثلا سروے کے سوالات کے ساتھ برا نمونے لگے گا. دوسرے الفاظ میں، اچھی تخمینہ کی پیمائش اور نمائندگی کے لئے آواز کے نقطہ نظر کی ضرورت ہوتی ہے. اس پس منظر میں، میں اس کا جائزہ لے گا کہ سروے کے محققین نے ماضی میں نمائندگی اور پیمائش کے بارے میں سوچا کہ کس طرح. اس کے بعد، میں دکھاؤں گا کہ نمائندگی اور پیمائش کے بارے میں کس طرح خیالات ڈیجیٹل عمر سروے کی تحقیق کی رہنمائی کرسکتے ہیں.