3.3 કુલ મોજણી ભૂલ ફ્રેમવર્ક

કુલ મોજણી ભૂલ = પ્રતિનિધિત્વ ભૂલો + + માપ ભૂલો.

નમૂનાના સર્વેક્ષણોમાંથી આવેલો અંદાજ ઘણી વખત અપૂર્ણ છે. એટલે કે, સામાન્ય રીતે નમૂનાના સર્વેક્ષણ (દા.ત., એક શાળામાં વિદ્યાર્થીઓની અંદાજિત સરેરાશ ઊંચાઈ) અને વસતીમાં સાચું મૂલ્ય (દા.ત., એક શાળામાં વિદ્યાર્થીઓની વાસ્તવિક સરેરાશ ઊંચાઈ) દ્વારા અંદાજિત અંદાજ વચ્ચેનો તફાવત છે. ક્યારેક આ ભૂલો એટલી નાનો છે કે તે બિનમહત્વપૂર્ણ છે, પરંતુ ક્યારેક, કમનસીબે, તેઓ મોટા અને પરિણામરૂપ હોઈ શકે છે. સમજીને સમજવા, માપવા અને ભૂલો ઘટાડવા પ્રયાસરૂપે, સંશોધકોએ ધીમે ધીમે એક સર્વેક્ષણ, નમૂના સર્વેક્ષણમાં ઉદ્દભવી શકે તેવી ભૂલો માટે બહુપરીત સૈદ્ધાંતિક માળખા બનાવી: કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્ક (Groves and Lyberg 2010) . આ માળખાના વિકાસની શરૂઆત 1 9 40 માં થઈ હોવા છતાં, મને લાગે છે કે તે ડિજિટલ વયમાં મોજણી સંશોધન માટે અમને બે ઉપયોગી વિચારો આપે છે.

પ્રથમ, કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્ક સ્પષ્ટ કરે છે કે બે પ્રકારની ભૂલો છે: પૂર્વગ્રહ અને અંતર . આશરે, પૂર્વગ્રહ વ્યવસ્થિત ભૂલ અને અંતર રેન્ડમ ભૂલ છે. બીજા શબ્દોમાં કહીએ તો, એ જ નમૂના સર્વેક્ષણના 1000 નકલો ચલાવવાની કલ્પના કરો અને પછી આ 1,000 પ્રતિકૃતિઓના અંદાજોનું વિતરણ જોવું. પૂર્વગ્રહ આ નકલ અંદાજો અને સાચું મૂલ્યના સરેરાશ વચ્ચેનો તફાવત છે. અંતર આ અંદાજોની ચલન છે. બીજું બધા સમાન છે, અમે કોઈ પૂર્વગ્રહ અને નાના અંતર વિનાની પ્રક્રિયા પસંદ કરીશું. કમનસીબે, અસંખ્ય વાસ્તવિક સમસ્યાઓ માટે, આવા કોઈ-પૂર્વગ્રહ, નાના-અંતરની કાર્યવાહી અસ્તિત્વમાં નથી, જે સંશોધકોને પૂર્વગ્રહ અને વિસંગતિ દ્વારા રજૂ કરાયેલા સમસ્યાઓને સંતુલિત કરવાના નિર્ણયની મુશ્કેલ સ્થિતિને મૂકે છે. કેટલાક સંશોધકો સહાનુભૂતિપૂર્વક બિનપરંપરાગત કાર્યવાહીને પસંદ કરે છે, પરંતુ પૂર્વગ્રહ પર ધ્યાન કેન્દ્રિત કરવાનું એક ભૂલ હોઈ શકે છે. જો લક્ષ્ય એ અંદાજ ઉત્પન્ન કરવાનો છે જે સત્યને શક્ય એટલું નજીક છે (એટલે ​​કે, સૌથી નાની શક્ય ભૂલ સાથે), તો પછી તમે એક કાર્યવાહીથી વધુ સારી હોઇ શકો છો, જે એક નાના પૂર્વગ્રહ ધરાવે છે અને એક કરતાં થોડું અંતર છે બિન-પક્ષી પરંતુ મોટી વિસંગતિ છે (આંકડા 3.1). બીજા શબ્દોમાં કહીએ તો, કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્ક બતાવે છે કે સર્વેક્ષણ પ્રક્રિયાઓનું મૂલ્યાંકન કરતી વખતે, તમારે પૂર્વગ્રહ અને અંતર બંનેનો વિચાર કરવો જોઈએ.

આકૃતિ 3.1: બાયસ અને અંતર. આદર્શ રીતે, સંશોધકો પાસે કોઈ પૂર્વગ્રહ, ઓછા-વિસંગતિ અંદાજ પ્રક્રિયા હશે. વાસ્તવમાં, તેમને વારંવાર એવા નિર્ણયો લેવા પડે છે કે જે પૂર્વગ્રહ અને અંતર વચ્ચે વેપાર-બંધની રચના કરે છે. કેટલાક સંશોધકો સહજ ભાવે બિનપાયાદાર કાર્યવાહીને પ્રાધાન્ય આપે છે, તેમ છતાં કેટલીક વખત નાના-પૂર્વગ્રહ, નાના-અંતરની પ્રક્રિયા એક નિશ્ચિત પ્રક્રિયા કરતાં વધુ સચોટ અંદાજો ઉત્પન્ન કરી શકે છે જે ઉચ્ચ વિસંગતતા ધરાવે છે.

કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્કમાંથી બીજા મુખ્ય સૂક્ષ્મદ્રષ્ટિ, જે આ પ્રકરણમાં ઘણાં બધાંનું આયોજન કરશે, એ છે કે ભૂલોના બે સ્રોતો છે: તમે કોની સાથે વાત કરો છો તે ( પ્રતિનિધિત્વ ) અને તમે તે વાતચીતમાંથી શું શીખી છો તેની સાથે સંબંધિત સમસ્યાઓ ( માપ) ). ઉદાહરણ તરીકે, ફ્રાન્સમાં રહેતા પુખ્ત વયના લોકો વચ્ચે ઑનલાઇન ગોપનીયતા વિશેના વલણનો અંદાજ કાઢવામાં તમને રુચિ હોઈ શકે છે. આ અંદાજોને બનાવવા માટે બે અલગ અલગ પ્રકારના અનુમાનની જરૂર છે. સૌ પ્રથમ, જવાબ આપનારા જવાબોમાંથી, તમને ઓનલાઇન ગોપનીયતા (જે માપનની સમસ્યા છે) વિશેના તેમના વલણને નિરૂપણ કરવું પડશે. બીજું, ઉત્તરદાતાઓ વચ્ચે અનુમાનિત વલણથી, તમારે સમગ્ર (જે પ્રતિનિધિત્વની સમસ્યા છે) વસ્તીમાં વલણને અનુમાનિત કરવું પડશે. ખરાબ મોજણી પ્રશ્નો સાથે પરફેક્ટ નમૂનાનો ખરાબ અંદાજો પેદા થશે, કારણ કે સંપૂર્ણ સર્વેક્ષણ પ્રશ્નો સાથે ખરાબ નમૂના. બીજા શબ્દોમાં કહીએ તો, સારા અંદાજોને માપ અને પ્રતિનિધિત્વ માટે ધ્વનિ અભિગમની જરૂર છે. તે પૃષ્ઠભૂમિને જોતાં, હું સમીક્ષા કરું છું કે કેવી રીતે મોજણી સંશોધકોએ ભૂતકાળમાં પ્રતિનિધિત્વ અને માપ વિશે વિચાર્યું છે. પછી, હું બતાવીશ કે પ્રતિનિધિત્વ અને માપ વિશેનાં વિચારો ડિજિટલ-વય મોજણી સંશોધનને કેવી રીતે માર્ગદર્શન આપી શકે છે.