3.4 ווער צו פרעגן

די דיגיטאַל עלטער מאכט פּראַביליטי מוסטערונג אין פיר האַרדער און איז שאפן נייַ אַפּערטונאַטיז פֿאַר ניט-מאַשמאָעס מוסטערונג.

אין דער געשיכטע פון ​​מוסטערונג, עס זענען געווען צוויי קאַמפּאַטיש אַפּערטונאַטיז: פּראַוויידינג מוסטערונג מעטהאָדס און ניט-מאַשמאָעס מוסטערונג מעטהאָדס. כאָטש ביידע אַפּערטונאַטיז זענען געניצט אין דער פרי טעג פון מוסטערונג, פּראַוויזשאַנז האָבן געוואונען וואַמפּיירז, און פילע סאציאל ריסערטשערז זענען געלערנט צו זען ניט-מאַשמאָעס מוסטערונג מיט גרויס סקעפּטיסיזאַם. אָבער, ווי איך וועל דיסקרייבד אונטן, ענדערונגען באשאפן דורך די דיגיטאַל עלטער מיינען אַז עס איז צייַט פֿאַר פאָרשער צו יבערקוקן ניט-מאַשמאָעס מוסטערונג. אין באַזונדער, מאַשמאָעס מוסטערונג איז געטינג שווער צו טאָן אין פיר, און ניט-מאַשמאָעס מוסטערונג איז פאַסטער, טשיפּער און בעסער. פאַסטער און טשיפּער סערווייז זענען נישט בלויז ענדס אין זיך: זיי געבן נייַ אַפּערטונאַטיז אַזאַ ווי אָפט סערווייז און גרעסערע מוסטער סיזעס. למשל, דורך ניצן נאַן-מאַשמאָעס מעטהאָדס די קאָאָפּעראַטיווע קאָנגרעססיאָנאַל עלעקטיאָן לערנען (CCES) איז ביכולת צו האָבן בעערעך 10 מאל מער פּאַרטיסאַפּאַנץ ווי פריער שטודיום ניצן פּראַוויידינג מוסטערונג. דאָס פיל גרעסערע מוסטער איז די איינציקע פּאָליטישער פאָרשונג צו לערנען וואַריאַציע אין אַטאַטודז און נאַטור אַריבער סאַבגרופּס און געזעלשאַפטלעך קאָנטעקסץ. דערצו, אַלע פון ​​דעם צוגעלייגט וואָג געקומען אָן דיקריסיז אין די קוואַליטעט פון עסטאַמאַץ (Ansolabehere and Rivers 2013) .

דערווייַל, די דאָמינאַנט צוגאַנג צו מוסטערונג פֿאַר געזעלשאַפטלעך פאָרשונג איז מאַשמאָעס מוסטערונג . אין פּראַביליטי מוסטערונג, אַלע מיטגלידער פון דער ציל באַפעלקערונג האָבן אַ באקאנט, נאָנזעראָו מאַשמאָעס פון זייַענדיק סאַמפּאַלד, און אַלע מענטשן וואס זענען סאַמפּאַלד ריספּאַנד צו דער יבערבליק. ווען די באדינגונגען זענען באגעגנט, עלעגאַנט מאַטאַמאַטיקאַל רעזולטאַטן פאָרשלאָגן פּרווואַבאַל געראַנטיז וועגן אַ פאָרשער פון די פיייקייַט צו נוצן די מוסטער צו מאַכן ינפעראַנסאַז וועגן די ציל באַפעלקערונג.

אין דער עמעס וועלט, אָבער, די באדינגונגען אַנדערלייינג די מאַטאַמאַטיקאַל רעזולטאַטן זענען ראַרעלי באגעגנט. למשל, עס זענען אָפט קאַווערידזש ערראָרס און ניט רעספּאָנסע. ווייַל פון די פראבלעמען, פאָרשער האָבן אָפט גענוצט אַ פאַרשיידנקייַט פון סטאַטיסטיש אַדזשאַסטמאַנץ אין סדר צו מאַכן ינפעראַנס פון זייער מוסטער צו זייער ציל באַפעלקערונג. אזוי, עס איז וויכטיק צו דיסטיישיייטינג די טעאָריע וווּקס אין די טעאָריע , וואָס האט שטאַרק טעאָרעטיש געראַנטיז, און פּראַוויזשאַנז אין פּראַקטיש פּראַמאַסאַז , וואָס אָפפערס ניט אַזאַ גאַראַנטירן און דעפּענדס אויף אַ פאַרשיידנקייַט פון סטאַטיסטיש אַדזשאַסטמאַנץ.

איבער צייַט, די דיפעראַנסיז צווישן פּראַוויידינג מוסטערונג אין טעאָריע און מאַשמאָעס מוסטערונג אין פיר זענען געוואקסן. למשל, ניט-קאַנסאַנטרייט ראַטעס זענען שטענדיק ינקריסינג, אַפֿילו אין הויך-קוואַליטעט, טייַער סערווייז (פיגורע 3.5) (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) . נאָנרעספּאָנד ראַטעס זענען פיל העכער אין געשעפט טעלעפאָן סערווייז-מאל אַפֿילו ווי הויך ווי 90% (Kohut et al. 2012) . די ינקריסיז אין נאַן-רעספּאָנד סטאַנדאַרדס די קוואַליטעט פון עסטאַמאַץ ווייַל די עסטאַמאַץ ינקריסינגלי אָפענגען אויף די סטאַטיסטיש מאָדעלס וואָס ריסערטשערז נוצן צו אַדאַפּט פֿאַר נאַנרעספּאָנד. ווייַטער, די דיקריסאַז אין קוואַליטעט האָבן געטראפן כאָטש ינקריסינגלי טייַער השתדלות דורך יבערבליק ריסערטשערז צו טייַנען הויך ענטפער ראַטעס. עטלעכע מענטשן מורא אַז די צווילינג טרענדס פון דיקריסט קוואַליטעט און ינקריסינג קאָסטן סטראַשען די גרונט פאָרשונג פאָרשונג (National Research Council 2013) .

פיגורע 3.5: Nonresponse איז ינקריסינגלי סטעדאַלי, אַפֿילו אין הויך-קוואַליטעט טייַער סורווייס (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) . ניט רעספּאָנד ראַטעס זענען פיל העכער פֿאַר געשעפט טעלעפֿאָנעס סערווייז, מאל אַפֿילו ווי הויך ווי 90% (Kohut et al. 2012) . די לאַנג-טערמין טרענדס אין נאַן-רעסאָן מיינען אַז דאַטן זאַמלונג איז מער טייַער און עסטימאַטעד זענען ווייניקער פאַרלאָזלעך. אַדאַפּט פון BD Meyer, Mok, and Sullivan (2015) , פיגור 1.

אין דער זעלביקער צייַט אַז עס איז גראָוינג שוועריקייטן פֿאַר מאַשמאָעס מוסטערונג מעטהאָדס, עס איז אויך יקסייטאַד אַנטוויקלונג אין ניט-מאַשמאָעס מוסטערונג מעטהאָדס . עס זענען אַ פאַרשיידנקייַט פון סטיילז פון ניט-מאַשמאָעס מוסטערונג מעטהאָדס, אָבער די איין זאַך וואָס זיי האָבן אין פּראָסט איז אַז זיי קענען נישט לייכט פּאַסיק אין די מאַטאַמאַטיקאַל פראַמעוואָרק פון פּראַביליטי מוסטערונג (Baker et al. 2013) . אין אנדערע ווערטער, אין ניט-מאַשמאָעס מוסטערונג מעטהאָדס ניט אַלעמען האט אַ באקאנט און נאָנזעראָו מאַשמאָעס פון ינקלוזשאַן. ניט-מאַשמאָעס מוסטערונג מעטהאָדס האָבן אַ שרעקלעך שעם צווישן סאציאל ריסערטשערז און זיי זענען פארבונדן מיט עטלעכע פון ​​די מערסט דראַמאַטיק פייליערז פון סערווייערז פאָרשונג, אַזאַ ווי די ליטערארישע דיגעסט פיאַסקאָ (דיסקאַסט פריער) און "דעוויי דעפעאַץ טרומאַן," די פאַלש פּראָגנאָז וועגן די יו. עס. פּרעזאַדענטשאַל ילעקשאַנז פון 1948 (פיגורע 3.6).

פיגורע 3.6: פרעזידענט הארי טרומאַן האלט די כעדליין פון אַ צייַטונג וואָס האט ינקערעקטיד זיין באַזיגן. די הויפּט כאַראַקטער איז געווען באזירט אויף די אָפּשאַצן פון ניט-מאַשמאָעס סאַמפּאַלז (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) . כאָטש "Dewey Defeats Truman" געטראפן אין 1948, עס איז נאָך צווישן די סיבה אַז עטלעכע ריסערטשערז זענען סקעפּטיקאַל וועגן עסטאַמאַץ פון ניט-מאַשמאָעס סאַמפּאַלז. מקור: Harry S. Truman Library & Museum .

איין פאָרעם פון ניט-מאַשמאָעס מוסטערונג וואָס איז פּאַסיק פֿאַר די דיגיטאַל עלטער איז די נוצן פון אָנליין פּאַנאַלז . רעסעאַרטשערס ניצן אָנליין פּאַנאַלז פאַרלאָזנ אויף עטלעכע טאַפליע שפּייַזער - יוזשאַוואַלי אַ פירמע, רעגירונג, אָדער אוניווערסיטעט-צו בויען אַ גרויס, דייווערס גרופּע פון ​​מענטשן וואס שטימען צו דינען ווי ריספּאַנדאַנץ פֿאַר סערווייז. די טאַפליע פּאַרטיסאַפּאַנץ זענען אָפט רעקרויטעד מיט אַ פאַרשיידנקייַט פון אַדאָובי מעטהאָדס אַזאַ ווי אָנליין באַנער אַדס. דערנאָך, אַ פאָרשער קענען באַצאָלן די טאַפליע שפּייַזער פֿאַר צוטריט צו אַ מוסטער פון ריספּאַנדאַנץ מיט געוואלט טשאַראַקטעריסטיקס (למשל, נאציאנאלע פארשטייער פון אַדאַלץ). די אָנליין פּאַנאַלז זענען ניט-מאַשמאָעס מעטהאָדס ווייַל ניט אַלעמען האט אַ באקאנט, נאָנזעראָו מאַשמאָעס פון ינקלוזשאַן. כאָטש ניט-מאַשמאָעס אָנליין פּאַנאַלז זענען שוין געניצט דורך סאציאל ריסערטשערז (למשל, די סיס), עס איז נאָך עטלעכע דעבאַטע וועגן די קוואַליטעט פון עסטאַמאַץ וואָס קומען פון זיי (Callegaro et al. 2014) .

טראָץ די וויכוחים, איך טראַכטן עס זענען צוויי סיבות וואָס די צייַט איז רעכט פֿאַר סאציאל ריסערטשערז צו יבערקוקן ניט-מאַשמאָעס מוסטערונג. ערשטער, אין די דיגיטאַל עלטער, עס זענען געווען פילע דיוועלאַפּמאַנץ אין דער זאַמלונג און אַנאַליסיס פון ניט-מאַשמאָעס סאַמפּאַלז. די נייַע מעטהאָדס זענען אַנדערש גענוג פון די מעטהאָדס וואָס האָבן געפֿירט די פּראָבלעם אין דער פאַרגאַנגענהלעכער אַז איך טראַכטן עס מאכט זיכער צו טראַכטן פון זיי ווי "ניט-מאַשמאָעס מוסטערונג 2.0." די רגע סיבה וואָס ריסערטשערז זאָל יבערקלערן ניט-מאַשמאָעס סאַמפּלינג איז ווייַל מאַשמאָעס מוסטערונג אין פירות זענען ווערן ינקריסינגלי שווער. ווען עס זענען הויך רייץ פון ניט-ענטפער, ווי עס זענען אין פאַקטיש סערווייז איצט-די פאַקטיש וואַבאַבילאַטיז פון ינקלוזשאַן פֿאַר ריספּאַנדאַנץ זענען נישט באקאנט, און אַזוי, מאַשמאָעס סאַמפּאַלז און ניט-מאַשמאָעס סאַמפּאַלז זענען נישט ווי אַנדערש ווי פילע ריסערטשערז גלויבן.

ווי איך געזאגט פריער, ניט-מאַשמאָעס סאַמפּאַלז זענען באמערקט מיט גרויס סקעפּטיסיזאַם דורך פילע געזעלשאפטלעכע ריסערטשערז, אין טייל ווייַל פון זייער ראָלע אין עטלעכע פון ​​די מערסט ימבעראַסינג פייליערז אין די פרי טעג פון יבערבליק פאָרשונג. א קלאָר בייַשפּיל פון ווי ווייַט מיר קומען מיט ניט-מאַשמאָעס סאַמפּאַלז איז די פאָרשונג דורך וועי וואַנג, דוד ראָטשילד, שאַראַד גאָעל, און אנדריי געלמאַן (2015) אַז ריכטיק ריקאַווערד די אַוטקאַם פון די 2012 יו. עס. וואַלן ניצן אַ ניט-מאַשמאָעס מוסטער פון אמעריקאנער קסבאָקס ניצערס - אַ דיסעזאַדלי נאָנראַנדאָם מוסטער פון אמעריקאנער. די ריסערטשערז ריקרוטיד ריספּאַנדאַנץ פון די קסבאָקס גיימינג סיסטעם, און ווי איר קענען דערוואַרטן, די קסבאָקס מוסטער סקעדזשעד זכר און סקיוד יונג: 18- צו 29-יאָר-אַלטס מאַכן אַרויף 19% פון די ילעקטעראַט אָבער 65% פון די Xbox מוסטער, און מענטשן מאַכן 47% פון די ילעקטעראַט אָבער 93% פון די קסבאָקס מוסטער (פיגורע 3.7). ווייַל פון די שטאַרק דעמאָגראַפיק באַסעס, די רוי קסבאָקס דאַטן איז געווען אַ אָרעם גראדן פון וואַלן קערט. עס פּרעדיקטעד אַ שטאַרק נצחון פֿאַר מיטן ראָמני איבער באַראַקק אבאמא. ווידער, דעם איז אן אנדער בייַשפּיל פון די דיינדזשערז פון רוי, ונאַדדזשוסטיד ניט-מאַשמאָעס סאַמפּאַלז און איז רעמאַניסאַנט פון די ליטערארישע דיגעסט פיאַסקאָ.

פיגורע 3.7: דעמאָגראַפיעס פון ריספּאַנדאַנץ אין W. Wang et al. (2015) . ווייַל ריספּאַנדאַנץ זענען רעקרויטעד פון קסבאָקס, זיי זענען מער מסתּמא צו זיין יונג און מער מסתּמא צו זיין זכר, קאָרעוו צו וואָטערס אין די 2012 וואַלן. אַדאַפּט פון W. Wang et al. (2015) , פיגור 1.

אָבער, וואַנג און חברים געווען וויסנדיג פון די פראבלעמען און געפרוווט צו אַדאַפּט פֿאַר זייער ניט-טראַפיק מוסטערונג פּראָצעס ווען געמאכט עסטאַמאַץ. אין באַזונדער, זיי געניצט פּאָסטן-סטראַטיפיקאַטיאָן , אַ טעכניק וואָס איז אויך וויידלי געוויינט צו סטרויערן די מאַשמאָעס סאַמפּאַלז וואָס האָבן קאַווערידזש ערראָרס און ניט-ענטפער.

דער הויפּט געדאַנק פון פּאָסטן-סטראַטיפיקאַטיאָן איז צו נוצן אַגזיליערי אינפֿאָרמאַציע וועגן די ציל באַפעלקערונג צו העלפן פֿאַרבעסערן די אָפּשאַצונג וואָס קומט פון אַ מוסטער. ווען ניצן די פּאָסטן-סטראַטיפיקאַטיאָן צו מאַכן די אַבזערווערז פון זייער ניט-מאַשמאָעס מוסטער, וואַנג און קאָלעגע געהאַקט די באַפעלקערונג אין פאַרשידענע גרופּעס, עסטימאַטעד די שטיצן פֿאַר אבאמא אין יעדער גרופּע, און דעמאָלט גענומען אַ ווייטיד דורכשניטלעך פון די גרופּע עסטאַמאַץ צו פּראָדוצירן אַ קוילעלדיק אָפּשאַצונג. למשל, זיי קען האָבן שפּאַלטן די באַפעלקערונג אין צוויי גרופּעס (מענטשן און פרויען), עסטימאַטעד די שטיצן פֿאַר אבאמא צווישן מענטשן און פרויען, און דאַן עסטימאַטעד קוילעלדיק שטיצן פֿאַר אבאמא דורך גענומען אַ ווייטיד דורכשניטלעך אין סדר צו חשבון אַז פרויען מאַכן אַרויף 53% פון די ילעקטעראַט און מענטשן 47%. בעערעך, פּאָסטן-סטראַטיפיקאַטיאָן העלפט ריכטיק פֿאַר אַ ימבאַלאַנסט מוסטער דורך ברענגען אין אַגזיליערי אינפֿאָרמאַציע וועגן די סיזעס פון די גרופּעס.

דער שליסל צו פּאָסטן-סטראַטיפיקאַטיאָן איז צו פאָרעם די רעכט גרופּעס. אויב איר קענען צונויפצי אַרויף די באַפעלקערונג אין האָמאָגענאָוס גרופּעס אַזאַ ווי די ענטפער פּראַפּענסאַטיז זענען די זעלבע פֿאַר אַלעמען אין יעדער גרופּע, דעמאָלט פּאָסטן-סטראַטאַטיפיקאַטיאָן וועט פּראָדוצירן אַנבייאַסט עסטאַמאַץ. אין אנדערע ווערטער, פּאָסט-סטראַטיפיינג דורך דזשענדער וועט פּראָדוצירן אַנבייאַסט עסטאַמאַץ אויב אַלע מענטשן האָבן די ענטפער פּראַפּענסיטי און אַלע פרויען האָבן די זעלבע ענטפער פּראַפּענסיטי. דאס האַשאָרע איז גערופן די כאָומאַדזשיניאַס-ענטפער-פּראָפּענסיטיעס-ין-גרופּעס האַשאָרע, און איך באַשרייַבן עס אַ ביסל מער אין די מאַטאַמאַטיקאַל הערות אין די סוף פון דעם קאַפּיטל.

פון קורס, עס מיינט אַנלייקלי אַז די ענטפער פּראָפּענסיטיעס וועט זיין די זעלבע פֿאַר אַלע מענטשן און אַלע פרויען. אָבער, די האָמאָגענאָוס-ענטפער-פּראָפּענסיטיעס-ין-גרופּעס האַשאָרע ווערט מער גלייבלעך ווי די נומער פון גרופּעס ינקריסיז. בעערעך, עס ווערט גרינגער צו טשאָפּ די באַפעלקערונג אין האָמאָגענאָוס גרופּעס אויב איר מאַכן מער גרופּעס. למשל, עס קען ויסקומען ימפּלויזאַבאַל אַז אַלע פרויען האָבן די זעלבע ענטפער פּראָפּענסיטי, אָבער עס קען ויסקומען מער גלייבלעך אַז עס איז די זעלבע ענטפער פּראַפּענסיטי פֿאַר אַלע פרויען וואס זענען אַלט 18-29, וואס גראַדזשאַווייטיד פון קאָלעגע, און וואס זענען לעבעדיק אין קאַליפאָרניאַ . אזוי, ווי די נומער פון גרופּעס געניצט אין פּאָסטן-סטראַטיפיקאַטיאָן געץ גרעסער, די אַסאַמפּשאַנז דארף צו שטיצן דעם אופֿן ווערן מער גלייַך. געגעבן דעם פאַקט, ריסערטשערז אָפט ווילן צו שאַפֿן אַ ריזיק נומער פון גרופּעס פֿאַר פּאָסטן-סטראַטיפיקאַטיאָן. אָבער, ווי די נומער פון גרופּעס ינקריסיז, ריסערטשערז לויפן אין אַ אַנדערש פּראָבלעם: דאַטן ספּאַרסיטי. אויב עס זענען בלויז אַ קליין נומער פון מענטשן אין יעדער גרופּע, די סקעדזשולז וועט זיין מער ומזיכער, און אין דעם עקסטרעם פאַל ווו עס איז אַ גרופּע וואָס האט קיין ריספּאַנדאַנץ, דעמאָלט פּאָסטן-סטראַטיפיקאַטיאָן גאָר ברייקס אַראָפּ.

עס זענען צוויי וועגן פון דעם ינכאַנסט שפּאַנונג צווישן די פּלאַוסיביליטי פון די כאָומאַדזשיניאַס-ענטפער-פּראַפּענסיטי-ין-גרופּעס האַשאָרע און די פאָדערונג פֿאַר גלייַך מוסטער סיזעס אין יעדער גרופּע. ערשטער, ריסערטשערז קענען קלייַבן אַ גרעסערע, מער דייווערס מוסטער, וואָס העלפט ענשור גלייַך סיזעס אין יעדער גרופּע. רגע, זיי קענען נוצן אַ מער סאַפיסטאַקייטיד סטאַטיסטיש מאָדעל צו מאַכן עסטאַמאַץ ין גרופּעס. און, אין פאַקט, מאל ריסערטשערז טאָן ביידע, ווי וואַנג און קאָלעגז האבן מיט זייער לערנען פון די וואַלן ניצן ריספּאַנדאַנץ פון קסבאָקס.

ווייַל זיי זענען ניצן אַ ניט-מאַשמאָעס מוסטערונג מעטהאָדס מיט קאָמפּיוטער-אַדמינאַסטערד ינטערוויוז (איך וועט רעדן מער וועגן קאָמפּיוטער-ינערווייזד ינטערוויוז אין אָפּטיילונג 3.5), וואַנג און חברים האָבן זייער ביליק דאַטן זאַמלונג, וואָס ינייבאַלד זיי צו זאַמלען אינפֿאָרמאַציע פון ​​345,858 יינציק פּאַרטיסאַפּאַנץ , אַ ריזיק נומער דורך די סטאַנדאַרדס פון וואַלן פּאָללינג. דעם מאַסיוו מוסטער גרייס ענייבאַלד זיי צו פאָרעם אַ ריזיק נומער פון פּאָסטן-סטראַטיפיקאַטיאָן גרופּעס. כאָטש די פּאָסטן-סטראָטיפיקאַטיאָן טיפּיקלי ינוואַלווז טשאַפּינג די באַפעלקערונג אין הונדערטער גרופּעס, וואַנג און קאָללאַגס צעטיילט די באַפעלקערונג אין 176,256 גרופּעס דיפיינד דורך דזשענדער (2 קאַטעגאָריעס), ראַסע (4 קאַטעגאָריעס), עלטער (4 קאַטעגאָריעס), בילדונג (4 קאַטעגאָריעס), שטאַט (51 קאַטעגאָריעס), פּאַרטיי יד (3 קאַטעגאָריעס), ידעאָלאָגיע (3 קאַטעגאָריעס), און 2008 שטימען (3 קאַטעגאָריעס). אין אנדערע ווערטער, זייער ריזיק מוסטער גרייס, וואָס איז ענייבאַלד דורך נידעריק-פּרייַז דאַטן זאַמלונג, ינייבאַלד זיי צו מאַכן אַ מער גלייביק האַשאָרע אין זייער אָפּשאַצונג פּראָצעס.

אפילו מיט 345,858 יינציק פּאַרטיסאַפּאַנץ, אָבער, עס זענען געווען נאָך פילע, פילע גרופּעס פֿאַר וואָס וואַנג און חברים האט כּמעט קיין ריספּאַנדאַנץ. דעריבער, זיי געניצט אַ טעכניק גערופן מאַלטילעוואַל רעגרעססיאָן צו אָפּשאַצן די שטיצן אין יעדער גרופּע. עססענטיאַללי, צו אָפּשאַצן די שטיצן פֿאַר אבאמא ין אַ ספּעציפיש גרופּע, די מאַלטילעוואַל ראַגרעשאַן פּולד אינפֿאָרמאַציע פון ​​פילע ענליכע גרופּעס. פֿאַר בייַשפּיל, ימאַדזשאַן טריינג צו אָפּשאַצן די שטיצן פֿאַר אבאמא צווישן ווייַבלעך ספּאַין און צווישן 18 און 29 יאר אַלט, וואָס זענען קאָלעגע גראַדזשאַוואַץ, וואָס זענען רעגיסטרירט דעמאָקראַץ, וואָס זיך-ידענטיפיצירן ווי מאַדערייץ, און וואס וואָטשט פֿאַר אבאמא אין 2008. דאס איז אַ זייער , זייער ספּעציפיש גרופּע, און עס איז מעגלעך אַז עס איז קיין איינער אין דער מוסטער מיט די טשאַראַקטעריסטיקס. דעריבער, צו מאַכן עסטימאַטעד וועגן דעם גרופּע, די מאַלטילעוואַל רעגרעססיאָן ניצט אַ סטאַטיסטיש מאָדעל צו בעקן צוזאַמען עסטאַמאַץ פון מענטשן אין זייער ענלעך גרופּעס.

אזוי, וואַנג און חברים געניצט אַ צוגאַנג אַז קאַמביינד מולטילעוועל ראַגרעשאַן און פּאָסטן-סטראַטיפיקאַטיאָן, אַזוי זיי גערופן זייער סטראַטעגיע מאַלטילעוואַל ראַגרעשאַן מיט פּאָסטן-סטראַטיפיקאַטיאָן אָדער, מער אַפעקשאַנאַטלי, "הער. פּי "ווען וואַנג און קאָלעגעס געוויינט הער פּי צו מאַכן די עסטימאַץ פון די קסבאָקס ניט-מאַשמאָעס מוסטער, זיי געשאפן עסטאַמאַץ זייער נאָענט צו די קוילעלדיק שטיצן אַז אבאמא באקומען אין די 2012 וואַלן (פיגורע 3.8). אין פאַקט זייערע עסטאַמאַץ זענען מער פּינטלעך ווי אַ געמיינזאַם פון טראדיציאנעלן ציבור מיינונג פּאָללס. אזוי, אין דעם פאַל, סטאַטיסטיש אַדזשאַסטמאַנץ-ספּאַסיפיקלי הער פּי-ויסקומען צו טאָן אַ גוט אַרבעט קערעקטינג די בייייזאַז אין ניט-מאַשמאָעס דאַטן; בייאַז וואָס זענען קלאר קענטיק ווען איר קוק בייַ די עסטאַמאַץ פון אַנאַדאַסטאַד קסבאָקס דאַטן.

פיגורע 3.8: עסטימאַטעס פון W. Wang et al. (2015) . ונאַדוסטעדעד קסבאָקס מוסטער געשאפן ומפּינקטלעך עסטאַמאַץ. אָבער, די געוואקסן קסבאָקס מוסטער געשאפן עסטאַמאַץ וואָס זענען מער פּינטלעך ווי אַ דורכשניטלעך פון מאַשמאָעס-באזירט טעלעפאָן סערווייז. אַדאַפּט פון W. Wang et al. (2015) , פיגיערז 2 און 3.

עס זענען צוויי הויפּט לעקציעס פון די לערנען פון וואַנג און חברים. ערשטער, אַנאַדדזשאַסטיד ניט-מאַשמאָעס סאַמפּאַלז קענען פירן צו אַ שלעכט אָפּשאַצן; דאָס איז אַ לעקציע אַז פילע פאָרשער האָבן געהערט פריער. די רגע לעקציע, אָבער, איז אַז ניט-מאַשמאָעס סאַמפּאַלז, ווען אַנאַלייזד רעכט, קענען פאקטיש פּראָדוצירן גוט עסטאַמאַץ; ניט-מאַשמאָעס סאַמפּאַלז דאַרפֿן נישט אויטאָמאַטיש פירן צו עפּעס ווי די ליטערארישע דיגעסט פיאַסקאָ.

גיין פאָרויס, אויב איר זענען טריינג צו באַשליסן צווישן ניצן אַ מאַשמאָעס מוסטערונג אַפּלאַקיישאַן און אַ ניט-מאַשמאָעס מוסטערונג צוגאַנג איר פּנים אַ שווער ברירה. מאל ריסערטשערז ווילן אַ שנעל און שטרענג הערשן (למשל, שטענדיק נוצן פּראַוויידינג מוסטערונג מעטהאָדס), אָבער עס איז ינקריסינגלי שווער צו פאָרשלאָגן אַזאַ אַ הערשן. רעסעאַרטשערס פּנים אַ שווער ברירה צווישן פּראַוויידינג מוסטערונג מעטהאָדס אין פיר-וואָס זענען ינקריסינגלי טייַער און ווייַט פון די טעאָרעטיש רעזולטאטן וואָס באַרעכטיקן זייער נוצן-און ניט-מאַשמאָעס מוסטערונג מעטהאָדס - וואָס זענען טשיפּער און פאַסטער, אָבער ווייניקער באַקאַנט און מער וועריד. איין זאַך וואָס איז קלאָר, אָבער, איז אַז אויב איר זענט געצווונגען צו אַרבעטן מיט ניט-מאַשמאָעס סאַמפּאַלז אָדער ניט-רעפּרעסענטאַטיווע גרויס דאַטע קוואלן (טראַכטן צוריק צו טשאַפּטער 2), דעמאָלט עס איז אַ שטאַרק סיבה צו גלויבן אַז עסטאַמאַץ געמאכט ניצן פּאָסטן-סטראַטיפיקאַטיאָן און פֿאַרבונדענע טעקניקס וועט זיין בעסער ווי אַנאַדאַסטאַד, רוי עסטאַמאַץ.