3.4.3 က Non-ဖြစ်နိုင်ခြေနမူနာ: နမူနာကိုက်ညီတဲ့

အားလုံးကတော့ Non-ဖြစ်နိုင်ခြေနမူနာအတူတူပင်ဖြစ်ကြသည်။ ကျနော်တို့ရှေ့အဆုံးအပေါ်ပိုပြီးထိန်းချုပ်ထည့်သွင်းနိုင်ပါတယ်။

ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များက 2012 ခုနှစ်အမေရိကန်သမ္မတရွေးကောက်ပွဲရလဒ်ကိုခန့်မှန်းဖို့အသုံးပြုအဆိုပါချဉ်းကပ်မှု data တွေကိုခွဲခြမ်းစိတ်ဖြာအတွက်တိုးတက်မှုအပေါ်လုံးဝမှီခို။ သောသူတို့သည်မိမိတို့တတျနိုငျသအဖြစ်အများအပြားတုံ့ပြန်မှုစုဆောင်းပြီးတော့ re-အလေးချိန်သူတို့ကိုရန်ကြိုးစားခဲ့သည်။ Non-ဖြစ်နိုင်ခြေနမူနာအတူလုပ်ကိုင်ဘို့တစ်ဦးကဖြည့်စွတ်မဟာဗျူဟာကိုဒေတာစုဆောင်း process ကိုပိုပြီးထိန်းချုပ်ရှိသည်ဖို့ဖြစ်ပါတယ်။

တစ်ဦးတစ်စိတ်တစ်ပိုင်းထိန်းချုပ်ထားသည် non-ဖြစ်နိုင်ခြေနမူနာလုပ်ငန်းစဉ်၏အရိုးရှင်းဆုံးဥပမာအားခွဲတမ်းနမူနာပြန်စစ်တမ်းသုတေသန၏အစောပိုင်းကာလမှတတ်တဲ့ technique ကိုဖြစ်ပါတယ်။ ခွဲတမ်းနမူနာခုနှစ်, သုတေသီများမတူညီတဲ့အုပ်စုတွေ (ဥပမာ, လူပျို, ငယ်ရွယ်အမျိုးသမီးများ, etc) သို့လူဦးရေကိုဝေ, ပြီးတော့အသီးအသီးအုပ်စုထဲမှာရှေးခယျြခံရဖို့လူများ၏အရေအတွက်ခွဲတမ်းထားကြ၏။ ထိုသုတေသနပညာရှင်အဖွဲ့တစ်ဖွဲ့စီတွင်၎င်းတို့၏ခွဲတမ်းတွေ့ဆုံခဲ့ပြီးဖြစ်ပါတယ်သည်အထိဖြေဆိုသူတစ်ဦးလူတွေကိုသိမ်းကျုံးထုံးစံ၌ရှေးခယျြထားကြသည်။ အဘယ်ကြောင့်ဆိုသော်ခွဲတမ်း၏, ထိုရရှိလာတဲ့နမူနာမဟုတ်ရင်စစ်မှန်တဲ့လိမ့်မည်ပိုပြီးပစ်မှတ်လူဦးရေတူထက်ကြည့်ပေမယ့်ပါဝင်၏ဖြစ်နိုင်ခြေမသိသောကြောင့်များစွာသောသုတေသီများခွဲတမ်းနမူနာ၏သံသယဖြစ်ကြသည်။ တကယ်တော့ခွဲတမ်းနမူနာ၏တစ်ဦးအကြောင်းရင်းမှာ 1948 ခုနှစ်အမေရိကန်သမ္မတရွေးကောက်ပွဲအတွက်အမှား "Dewey Truman အနိုင်ယူ" ခဲ့ပါတယ်။ ထိုသို့နမူနာ process ကိုကျော်အချို့သောထိန်းချုပ်မှုကိုထောက်ပံ့ပေးသောကြောင့်, သို့သော်တဦးတည်းခွဲတမ်းနမူနာလုံးဝထိန်းအကွပ်မဲ့ဒေတာစုဆောင်းကျော်အချို့သောအားသာချက်များရှိစေခြင်းငှါအဘယ်သို့မြင်နိုင်ပါသည်။

ခွဲတမ်းနမူနာ ကျော်လွန်. Moving, non-ဖြစ်နိုင်ခြေနမူနာ process ကိုထိန်းချုပ်ဖို့ပိုခေတ်သစ်ချဉ်းကပ်ယခ​​ုဖြစ်နိုင်ခြေရှိပါတယ်။ တစ်ခုမှာထိုကဲ့သို့သောချဉ်းကပ်မှုနမူနာကိုက်ညီခြင်းဟုခေါ်တွင်သည်, အချို့စီးပွားဖြစ်အွန်လိုင်း panel ကိုပံ့ပိုးပေးသဖြင့်အသုံးပြုသည်။ သူ့ရဲ့အရိုးရှင်းဆုံးပုံစံကိုခုနှစ်တွင်နမူနာကိုက်ညီခြင်းနှစ်ခုဒေတာသတင်းရပ်ကွက်များလိုအပ်သည်: လူဦးရေနှင့် 2 ၏ 1) ပြီးပြည့်စုံသောမှတ်ပုံတင်) စေတနာ့ဝန်ထမ်း၏ကြီးမားသော panel က။ ဒါဟာစေတနာ့ဝန်ထမ်းဆိုလူဦးရေကနေဖြစ်နိုင်ခြေနမူနာဖြစ်ဖို့မလိုအပ်ပါဘူးအရေးကြီးသည်; အ panel ကိုသို့ရွေးချယ်ရေးစရာလိုအပ်ချက်တွေရှိပါတယ်အလေးပေးဖို့ငါညစ်ပတ်ပေရေ panel ကိုခေါ်ပါလိမ့်မယ်။ ဒါ့အပြင်လူဦးရေမှတ်ပုံတင်နှင့်ညစ်ပတ်ပေရေ panel ကနှစ်ဦးစလုံးဒီဥပမာထဲမှာ, ငါအသက်အရွယ်နှင့်လိင်ထည့်သွင်းစဉ်းစားပါလိမ့်မယ်, ဒါပေမယ့်လက်တွေ့အခြေအနေများတွင်ဤသူ၌အရန်သတင်းအချက်အလက်အများကြီးပိုအသေးစိတ်ဖြစ်နိုင်ပါတယ်, လူတစ်ဦးချင်းစီအကြောင်းကိုအချို့သောအရန်သတင်းအချက်အလက်များပါဝင်ရပါမည်။ နမူနာကိုက်ညီခြင်း၏လှည့်ကွက်ဖြစ်နိုင်ခြေနမူနာတူကြောင်းနမူနာထုတ်လုပ်မယ့်လမ်းအတွက်တစ်ဦးညစ်ပတ်ပေရေ panel ကိုမှနမူနာကို select လုပ်ပါရန်ဖြစ်ပါသည်။

တစ်ဦးစီးပြီးဖြစ်နိုင်ခြေနမူနာလူဦးရေမှတ်ပုံတင်ထဲကနေယူသောအခါနမူနာကိုက်ညီတဲ့စတင်ခဲ့သည်; ဒီစီးပြီးနမူနာပစ်မှတ်နမူနာဖြစ်လာသည်။ ထို့နောက်အရန်အချက်အလက်တွေအပေါ်အခြေခံပြီး, ပစ်မှတ်နမူနာအတွက်ရောဂါဖြစ်ပွားမှုတစ်လိုက်ဖက်နမူနာဖွဲ့စည်းဖို့ညစ်ပတ်ပေရေ panel ကလူမှကိုက်ညီနေပါတယ်။ အသက် 25 နှစ်အရွယ်အမျိုးသမီးပစ်မှတ်နမူနာရှိပါလျှင်ဥပမာ, ထို့နောက်သုတေသီတို့သည်ညစ်ပတ်ပေရေ panel ကနေ 25 နှစ်အရွယ်အမျိုးသမီးကိုက်ညီနမူနာ၌ဖြစ်ဖို့ကိုတွေ့။ နောက်ဆုံးအနေနဲ့ကိုက်ညီနမူနာအဖွဲ့ဝင်များဖြေဆိုသူရဲ့နောက်ဆုံး set ကိုထုတ်လုပ်ရန်တွေ့ဆုံမေးမြန်းထားပါသည်။

ကိုက်ညီနမူနာပစ်မှတ်နမူနာတူသော်လည်းထိုသို့လိုက်ဖက်နမူနာတစ်ခုဖြစ်နိုင်ခြေနမူနာမဟုတ်ကြောင်းမှတ်မိဖို့ကအရေးကြီးတယ်။ လိုက်ဖက်နမူနာကိုသာလူသိများရန်သတင်းအချက်အလက် (ဥပမာ, အသက်အရွယ်နှင့်လိင်) ရက်နေ့တွင်သော်လည်းမ unmeasured ဝိသေသလက္ခဏာများအပေါ်ပစ်မှတ်နမူနာကိုက်ညီနိုင်ပါတယ်။ ထိုညစ်ပတ်ပေရေ panel ကိုအပေါ်လူတွေဆင်းရဲတဲ့-ပြီးနောက်အားလုံးဖြစ်လေ့လျှင်ဥပမာ, စစ်တမ်းတစ်ခု panel ကို join ဖို့အကြောင်းရင်းတစ်ခုပိုက်ဆံ-ပြီးတော့ဝင်ငွေဖို့ဖြစ်ပါတယ်ကိုက်ညီနမူနာအသက်အရွယ်နှင့်လိင်၏စည်းကမ်းချက်များ၌ပစ်မှတ်နမူနာတူလျှင်ပင်နေဆဲရှိသည်လိမ့်မယ် ဆငျးရဲသားလူမြိုးအပျေါနေတဲ့ဘက်လိုက်မှု။ စစ်မှန်တဲ့ဖြစ်နိုင်ခြေနမူနာများ၏မှော်နှစ်ခုလုံးကိုတိုင်းနှင့် unmeasured ဝိသေသလက္ခဏာများအပေါ်ပြဿနာများ (အခန်း 2 မှာစူးစမ်းလေ့လာမှုများမှကြောင်းကျိုးဆက်စပ်အခြအဘို့အကိုက်ညီတဲ့ကျွန်တော်တို့ရဲ့ဆွေးနွေးမှုနှင့်ကိုက်ညီသောအချက်) ထွက်အုပ်ချုပ်ဖို့ဖြစ်ပါတယ်။

အလေ့အကျင့်ခုနှစ်တွင်နမူနာကိုက်ညီတဲ့စစ်တမ်းများဖြည့်စွက်ရန်စိတ်အားထက်သန်ကြီးတစ်ခုနှင့်ကွဲပြားခြားနား panel ကိုရှိခြင်းအပေါ်မူတည်နှင့်ထိုသို့အဓိကအားဖြင့်ထိုကဲ့သို့သော panel ကိုဖွံ့ဖြိုးတိုးတက်ထိန်းသိမ်းနည်းမတတ်နိုင်နိုငျသောကုမ္ပဏီများအနေဖြင့်ပြုသောအမှုဖြစ်ပါတယ်။ ဒါ့အပြင်အလေ့အကျင့်အတွက်, ကိုက်ညီခြင်း (တခါတရံပစ်မှတ်နမူနာအတွက်တစ်စုံတစ်ဦးသည်အကောင်းတစ်ဦးပွဲစဉ်အ panel ကိုအပေါ်မတည်ရှိပါဘူး) နှင့် Non-တုန့်ပြန် (တခါတရံကိုက်ညီနမူနာရှိလူများစစ်တမ်းတွင်ပါဝင်ရန်ငြင်းပယ်) နှင့်အတူပြဿနာများရှိစေနိုင်သည်။ ထိုကွောငျ့, အလေ့အကျင့်ရှိ, နမူနာကိုက်ညီခြင်းအကျင့်ကိုကျင့်သုတေသီများကလည်းခန့်မှန်းတွက်ချက်မှုလုပ် Post-stratification ညှိနှိုင်းမှုအချို့မျိုးလုပ်ဆောင်။

ဒါဟာနမူနာကိုက်ညီတဲ့အကြောင်းအသုံးဝင်သောသီအိုရီအာမခံချက်ပေးရန်ခက်ခဲသည်, သို့သော်အလေ့အကျင့်၌ကောင်းစွာလုပ်ဆောင်နိုင်ပါတယ်။ ဥပမာအားဖြင့်, စတီဖင် Ansolabehere နှင့်ဘရိုင်ယန် Schaffner (2014) mail ကို, တယ်လီဖုန်းများနှင့်နမူနာကိုက်ညီခြင်းနှင့် Post-stratification ညှိနှိုင်းမှုကို အသုံးပြု. အင်တာနက် panel ကိုသုံးကွဲပြားခြားနားသောနမူနာကိုအသုံးပြုပြီးနှင့်နည်းလမ်းများကိုတွေ့ဆုံမေးမြန်းခြင်း 2010 ခုနှစ်ကောက်ယူအကြောင်းကို 1000 ကလူသုံးယောက်အပြိုင်စစ်တမ်းများနှင့်နှိုင်းယှဉ်။ ထိုသုံးဦးချဉ်းကပ်မှုကနေအခန့်မှန်းချက်ဖြစ်သောလက်ရှိလူဦးရေစစ်တမ်း (CPS) နှင့်အမျိုးသားကျန်းမာရေးအင်တာဗျူးစစ်တမ်း (NHIS) အဖြစ်အရည်အသွေးမြင့်ချမှတ်ထားသောသတ်မှတ်ချက်များမှခန့်မှန်းဖို့အတော်လေးဆင်တူနေကြ၏။ ပိုများသောအထူးသ, နှစ်ဦးစလုံးကိုအင်တာနက်နှင့်အီးမေးလ်စစ်တမ်းများ 3 ရာခိုင်နှုန်းရမှတ်ပျမ်းမျှနှင့်ဖုန်းကိုစစ်တမ်းအားဖြင့်ပယ်ခဲ့ကြ 4 ရာခိုင်နှုန်းမှတ်အားဖြင့်ပယ်ခဲ့သည်။ ဒီကြီးမားတဲ့အမှားများကိုတယောက်အကြောင်းကို 1000 လူမျိုး၏နမူနာကနေမျှော်လင့်ထားမယ်လို့အဘယျအခန့်မှန်းခြေအားဖြင့်ဖြစ်ကြသည်။ , (ရက်သို့မဟုတ်ရက်သတ္တပတ်လုယူသော) သိသိသာသာပိုကောင်းဒေတာများကိုထုတ်လုပ်သည်ဤသည် Modes ၏အဘယ်သူအားမျှ, နှစ်ဦးစလုံးကိုအင်တာနက်နှင့်ဖုန်းစစ်တမ်း (ရှစ်လအတွင်းလုယူသော) ကိုမေးလ်စစ်တမ်းထက်သိသိသာသာပိုမြန်လယ်ရှိကြ၏, ဖြစ်သော်လည်းနှင့်နမူနာကိုက်ညီတဲ့အသုံးပြုရသောအင်တာနက်ကိုစစ်တမ်း, တခြားနှစ်ခုသည် modes ထက်စျေးနှုန်းချိုသာဖြစ်ခဲ့သည်။

နိဂုံးအတွက်, လူမှုရေးသိပ္ပံပညာရှင်များနှင့်စာရင်းအင်းပညာရှင်များသူတို့ထိုသို့သောစာပေ Digest မဂ္ဂဇင်းစစ်တမ်းအဖြစ်စစ်တမ်းသုတေသန၏အချို့သောရှက်စရာမအောင်မြင်မှုများနှင့်ဆက်စပ်လျက်ရှိအစိတ်အပိုင်းအတွက်ကြောင့်၎င်း, ဤသူသည် non-ဖြစ်နိုင်ခြေနမူနာကနေယူဆချက်များ၏မယုံကြည်နိုင်လောက်အောင်သံသယဖြစ်ကြသည်။ စိတျအပိုငျးတှငျ, ငါသည်ဤသံသယနှင့်အတူသဘောတူ: unadjusted Non-ဖြစ်နိုင်ခြေနမူနာမကောင်းတဲ့ခန့်မှန်းချက်ထုတ်လုပ်နိုင်ဖွယ်ရှိပါတယ်။ သုတေသီများနမူနာဖြစ်စဉ်တွင်အဆိုပါဘက်လိုက်ဘို့ (ဥပမာ, Post-stratification) ညှိဒါမှမဟုတ်နမူနာ process ကိုအတန်ငယ် (ဥပမာ, နမူနာကိုက်ညီခြင်း) ကိုထိန်းချုပ်နိုင်လျှင်သို့သော်သူတို့ပိုကောင်းတဲ့ခန့်မှန်းချက်ထုတ်လုပ်နိုင်ပြီး, အများဆုံးရည်ရွယ်ချက်များအတွက်လုံလောက်သောအရည်အသွေးပင်ခန့်မှန်းချက်။ ဟုတ်ပါတယ်, ဿုံကွပ်မျက်ခံရဖြစ်နိုင်ခြေနမူနာလုပ်ဖို့ပိုကောင်းပါလိမ့်မယ်, ဒါပေမယ့်နောက်တဖန်လက်တွေ့ကျကျ option ကိုဖြစ်ပုံပေါ်ပါတယ်။

Non-ဖြစ်နိုင်ခြေနမူနာများနှင့်ဖြစ်နိုင်ခြေနမူနာနှစ်ဦးစလုံးဟာသူတို့ရဲ့အရည်အသွေးကွာခြားနှင့်လက်ရှိကြောင့်ဖြစ်နိုင်ခြေနမူနာကနေအများဆုံးခန့်မှန်းသည် non-ဖြစ်နိုင်ခြေနမူနာကနေခန့်မှန်းချက်ထက်ပိုပြီးသစ္စာဖြစ်ကြောင်းဖွယ်ရှိကိစ္စတွင်ဖြစ်ပါတယ်။ သို့သော်ယခုပငျ, ဖြစ်ကောင်းညံ့ဖျင်း-ကောက်ယူဖြစ်နိုင်ခြေနမူနာကနေခန့်မှန်းချက်ထက် သာ. ကောင်း၏ကောင်းကောင်းကောက်ယူ Non-ဖြစ်နိုင်ခြေနမူနာကနေခန့်မှန်းထားသည်။ ထို့ပွငျ, Non-ဖြစ်နိုင်ခြေနမူနာသိသိသာသာစျေးနှုန်းချိုသာဖြစ်ကြသည်။ ထို့ကြောင့်က Non-ဖြစ်နိုင်ခြေနမူနာ vs ကြောင့်ဖြစ်နိုင်ခြေပုံပေါ်တဲ့ကုန်ကျစရိတ်အရည်အသွေး Trade-off (ပုံ 3.6) ဟောကြားခဲ့ပါတယ်။ ရှေ့ဆက်လိုက်ရှာ, ငါသည်ကောင်းစွာပြုမိသည် non-ဖြစ်နိုင်ခြေနမူနာကနေခန့်မှန်းစျေးနှုန်းချိုသာခြင်းနှင့်ပိုကောင်းဖြစ်လာလိမ့်မည်ဟုမျှော်လင့်ကြသည်။ နောက်ထပ်ကြောင့်တယ်လီဖုန်းလိုင်းစစ်တမ်းများနှင့် Non-တုန့်ပြန်၏တိုးပွားလာမှုနှုန်းထဲမှာပြိုကွဲ၏, ငါဖြစ်နိုင်ခြေနမူနာပိုပြီးစျေးကြီးပြီးအနိမ့်အရည်အသွေးဖြစ်လာလိမ့်မည်ဟုမျှော်လင့်ကြသည်။ သောကွောငျ့ဤအရေရှည်ခေတ်ရေစီးကြောင်း၏, ငါမဟုတ်တဲ့ဖြစ်နိုင်ခြေနမူနာစစ်တမ်းသုတေသန၏တတိယခေတ်အတွက် ပို. ပို. အရေးကြီးသောဖြစ်လာလိမ့်မည်ဟုထင်။

ပုံ 3.6: လက်တွေ့တွင်ဖြစ်တန်ရာကိန်းနမူနာနှင့် Non-ဖြစ်နိုင်ခြေနမူနာနှစ်ခုလုံးကြီးများ, သောင်းပြောင်းထွေလာရောနှောအမျိုးအစားဖြစ်ပါသည်။ ယေဘုယျအားဖြင့်အနိမ့်ကုန်ကျစရိတ်ဒါပေမဲ့မြင့်မားအမှားဖြစ်ခြင်းသည် non-ဖြစ်နိုင်ခြေနမူနာအတူကုန်ကျစရိတ်-အမှား Trade-off လည်းရှိ၏။ သို့သော်ကောင်းကောင်းပြုသောအမှုသည် non-ဖြစ်နိုင်ခြေနမူနာညံ့ဖျင်း-ပြုသောအမှုဖြစ်နိုင်ခြေနမူနာထက်ပိုကောင်းတဲ့ခန့်မှန်းချက်ထုတ်လုပ်နိုင်သည်။ အနာဂတျတှငျငါဖြစ်နိုင်ခြေနမူနာပိုမိုဆိုးရွားနှင့်ပိုပြီးစျေးကြီးရမည်နေစဉ် Non-ဖြစ်နိုင်ခြေနမူနာပိုကောင်းနှင့်စျေးနှုန်းချိုသာရလိမ့်မည်ဟုမျှော်လင့်ကြသည်။

ပုံ 3.6: လက်တွေ့တွင်ဖြစ်တန်ရာကိန်းနမူနာနှင့် Non-ဖြစ်နိုင်ခြေနမူနာနှစ်ခုလုံးကြီးများ, သောင်းပြောင်းထွေလာရောနှောအမျိုးအစားဖြစ်ပါသည်။ ယေဘုယျအားဖြင့်အနိမ့်ကုန်ကျစရိတ်ဒါပေမဲ့မြင့်မားအမှားဖြစ်ခြင်းသည် non-ဖြစ်နိုင်ခြေနမူနာအတူကုန်ကျစရိတ်-အမှား Trade-off လည်းရှိ၏။ သို့သော်ကောင်းကောင်းပြုသောအမှုသည် non-ဖြစ်နိုင်ခြေနမူနာညံ့ဖျင်း-ပြုသောအမှုဖြစ်နိုင်ခြေနမူနာထက်ပိုကောင်းတဲ့ခန့်မှန်းချက်ထုတ်လုပ်နိုင်သည်။ အနာဂတျတှငျငါဖြစ်နိုင်ခြေနမူနာပိုမိုဆိုးရွားနှင့်ပိုပြီးစျေးကြီးရမည်နေစဉ် Non-ဖြစ်နိုင်ခြေနမူနာပိုကောင်းနှင့်စျေးနှုန်းချိုသာရလိမ့်မည်ဟုမျှော်လင့်ကြသည်။