3.4.3 conto Non-kemungkinan: sampel cocog

Ora kabeh conto non-kemungkinan sing padha. Kita bisa nambah kontrol ing mburi ngarep.

Pendekatan Wang lan kolega digunakake kanggo ngira kasil saka Pemilu presiden US 2012 gumantung tanggung ing dandan ing analisis data. Kang, padha diklumpukake akeh respon lagi bisa banjur nyoba maneh bobot wong. A strategi congenital kanggo nggarap non-kemungkinan sampling iku duwe liyane kontrol liwat proses data.

Conto gampang saka proses sampling non-kemungkinan sebagian kontrol iku jumlah sampling, tèknik sing bali kanggo dina awal saka riset survey. Ing jumlah sampling, peneliti dibagi populasi menyang beda kelompok (eg, wong enom, wong wadon enom, etc) lan banjur set quotas kanggo sawetara wong bisa milih ing saben klompok. Penjawab sing kapilih ing proses haphazard nganti peneliti wis ketemu jumlah sing ing saben klompok. Amarga saka quotas, sampel asil katon luwih kaya populasi target saka bakal bener digunakake, nanging amarga kamungkinan Gawan sing dingerteni akeh peneliti sing mamang jumlah sampling. Ing kasunyatan, jumlah sampling ana sabab saka "Pantai ngaonang Truman" kesalahan ing 1948 Jajak Pendapat US Presiden. Amarga menehi sawetara kontrol liwat proses sampling, Nanging, siji bisa ndeleng carane jumlah sampling bisa duwe kaluwihan liwat koleksi data rampung uncontrolled.

Obah ngluwihi jumlah sampling, cedhak luwih modern kanggo Ngontrol proses sampling non-kemungkinan saiki bisa. Salah kuwi pendekatan diarani sampel cocog, lan iku digunakake dening sawetara panyedhiya panel online komersial. Ing sawijining wangun gampang, cocog sampel mbutuhake loro sumber data: 1) REGISTER lengkap saka populasi lan 2) panel akeh sukarelawan. Penting sukarelawan ora perlu dadi sampel kemungkinan saka populasi sembarang; kanggo nandheske sing ana syarat kanggo pilihan menyang panel, aku arep nelpon iku panel reged. Uga, loro ing populasi REGISTER lan panel reged kudu kalebu sawetara informasi tambahan bab saben wong, ing conto iki, aku bakal nimbang umur lan jinis, nanging ing kahanan nyata informasi tambahan iki bisa dadi luwih rinci. Carane saka cocog sampel iku kanggo milih conto saka panel reged ing cara sing mrodhuksi conto sing katon kaya conto kemungkinan.

Sample cocog wiwit nalika sampel kemungkinan simulasi dijupuk saka populasi REGISTER; sampel simulasi iki dadi sampel target. Banjur, adhedhasar informasi tambahan, kasus ing sampel target sing cocok kanggo wong ing panel reged kanggo mbentuk sampel dicocogaké. Contone, yen ana wadon 25 taun ing sampel target, banjur panliti ketemu wadon 25 taun saka panel reged dadi ing sampel dicocogaké. Akhire, anggota saka sampel dicocogaké sing diwawancarai kanggo gawé pesawat final saka penjawab.

Malah sanadyan sampel dicocogaké katon kaya sample target, iku penting kanggo ngelingi sing sampel dicocogaké ora sampel kemungkinan. conto cocok mung bisa cocog sampel target informasi tambahan sing dikenal (eg, umur lan jinis), nanging ora ing ciri unmeasured. Contone, yen wong ing panel reged kathah dadi mlarat-sawise kabeh, siji alesan kanggo nggabungake panel survey kanggo entuk dhuwit-banjur sanajan sampel dicocogaké katon kaya sample target ing syarat-syarat umur lan jinis iku isih bakal duwe Bias marang wong miskin. Piandel sampling kemungkinan bener kanggo Aturan metu masalah ing loro ciri diukur lan unmeasured (titik sing konsisten karo diskusi kita cocog kanggo kesimpulan nyebabake saka pasinaon pangamatan ing Pasal 2).

Ing laku, cocog sampel gumantung gadhah panel gedhé lan manéka warna semangat kanggo ngrampungake survey, lan mangkono iku utamané rampung dening perusahaan sing bisa saged kanggo berkembang lan njaga panel kuwi. Uga, ing laku, ana bisa dadi masalah karo cocog (kadhangkala match apik kanggo wong ing sampel target ora ana ing panel) lan non-nanggepi (kadhangkala wong ing sampel dicocogaké nolak kanggo melu ing survey). Mulane, ing laku, peneliti mengkono sampel cocog uga nindakake sawetara jenis imbuhan kirim-stratification kanggo nggawe prakiraan.

Iku hard kanggo nyedhiyani njamin teori migunani bab cocog sampel, nanging ing laku bisa nindakake uga. Contone, Stephen Ansolabehere lan Brian Schaffner (2014) dibandhingake telung survey podo watara 1000 wong conducted ing 2010 nggunakake telung sampling beda lan Interviewing cara: mail, telepon, lan panel Internet nggunakake sampel cocog lan imbuhan kirim-stratification. Prakiraan saka telung cedhak padha mèh padha prakiraan saka benchmarks kualitas kayata Survey Saiki Pedunung (CPS) lan Interview Health National Survey (NHIS). More khusus, loro Internet lan mail survey padha mati dening Rata-rata 3 poin persentase lan survey telpon ana mati dening 4 poin persentase. Kasalahan iki gedhe kira-kira apa siji bakal nyana saka conto saka babagan 1000 wong. Senajan, ora ana mode iki diprodhuksi data mesti luwih, loro ing Internet lan telpon survey (kang njupuk dina utawa minggu) padha mesti luwih cepet kanggo lapangan saka survey mail (kang njupuk wolung sasi), lan survey Internet, kang digunakake sampel cocog, ana sing luwih murah saka loro mode liyane.

Wusananipun, ilmuwan sosial lan statistikawan sing luar biasa mamang inferences saka conto non-kemungkinan iki, ing sisih amarga padha gegayutan karo sawetara gagal wadhi riset survey kayata jajak pendapat Literary Digest. Ing bagéan, aku setuju karo skepticism iki: unadjusted conto non-kemungkinan ana kamungkinan kanggo gawé prakiraan ala. Nanging, yen peneliti bisa nyetel kanggo biases ing proses sampling (eg, kirim-stratification) utawa ngontrol proses sampling Luwih (eg, sampel cocog), padha bisa gawé prakiraan luwih, lan malah prakiraan saka kualitas cekap kanggo paling tujuan. Mesthi, bakal luwih apik kanggo nindakake sampurna kaleksanan kemungkinan sampling, nanging sing ora ana maneh katon dadi pilihan nyata.

Loro conto non-kemungkinan lan conto kemungkinan beda-beda ing kualitas sing, lan saiki iku kamungkinan cilik sing paling prakiraan saka conto kemungkinan luwih dipercoyo tinimbang prakiraan saka conto non-kemungkinan. Nanging, malah saiki, prakiraan saka well-conducted conto non-kemungkinan sing mbokmenawa luwih saka prakiraan saka conto kemungkinan kurang-conducted. Luwih, conto non-kemungkinan mesti luwih murah. Mangkono, katon yen kemungkinan vs non-kemungkinan sampling nawakake kualitas-biaya perdagangan-mati (Figure 3.6). Looking nerusake, aku nyana sing prakiraan saka well-rampung conto non-kemungkinan bakal dadi luwih murah lan luwih apik. Luwih, amarga saka risak ing survey telpon landline lan tarif nambah saka non-nanggepi, aku nyana yen conto kemungkinan bakal dadi luwih larang lan kualitas ngisor. Amarga saka tren long-term iki, aku sing non-kemungkinan sampling bakal dadi saya penting ing jaman katelu saka riset survey.

Figure 3.6: Kemungkinan sampling ing laku lan non-kemungkinan sampling sing loro gedhe, kategori heterogen. Umumé, ana biaya-error perdagangan-mati karo non-kemungkinan sampling kang biaya murah nanging kesalahan luwih. Nanging, uga-rampung non-kemungkinan sampling bisa gawé prakiraan luwih saka lingkungan-rampung sampling kemungkinan. Ing mangsa, aku nyana sing non-kemungkinan sampling bakal njaluk luwih apik lan luwih murah nalika kemungkinan sampling bakal Samsaya Awon lan luwih larang.

Figure 3.6: Kemungkinan sampling ing laku lan non-kemungkinan sampling sing loro gedhe, kategori heterogen. Umumé, ana biaya-error perdagangan-mati karo non-kemungkinan sampling kang biaya murah nanging kesalahan luwih. Nanging, uga-rampung non-kemungkinan sampling bisa gawé prakiraan luwih saka lingkungan-rampung sampling kemungkinan. Ing mangsa, aku nyana sing non-kemungkinan sampling bakal njaluk luwih apik lan luwih murah nalika kemungkinan sampling bakal Samsaya Awon lan luwih larang.