ಮತ್ತಷ್ಟು ವ್ಯಾಖ್ಯಾನ

ಈ ವಿಭಾಗವು ನಿರೂಪಣೆಗಳ ಹಾಗೆ ಓದಬಹುದು ಬದಲಿಗೆ ಒಂದು ಆಕರ ಭಾಗವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.

  • ಪರಿಚಯ (ವಿಭಾಗ 3.1)

ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ವಿಷಯಗಳನ್ನು ಅನೇಕ ನಂತಹ ಅಮೆರಿಕನ್ ಅಸೋಸಿಯೇಷನ್ ಸಾರ್ವಜನಿಕ ಅಭಿಪ್ರಾಯ ಸಂಶೋಧನಾ (AAPOR) ಇತ್ತೀಚಿನ ಅಧ್ಯಕ್ಷೀಯ ವಿಳಾಸಗಳು, ಪ್ರತಿಧ್ವನಿಸಿತು ಮಾಡಲಾಗಿದೆ Dillman (2002) , Newport (2011) , Santos (2014) , ಮತ್ತು Link (2015) .

ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆಯ ಅಭಿವೃದ್ಧಿ ಬಗ್ಗೆ ಹೆಚ್ಚು ಐತಿಹಾಸಿಕ ಹಿನ್ನೆಲೆ, ನೋಡಿ Smith (1976) ಮತ್ತು Converse (1987) . ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆಯ ಮೂರು ಯುಗಗಳಲ್ಲಿ ಕಲ್ಪನೆಯನ್ನು ಬಗ್ಗೆ ಹೆಚ್ಚಿನ, ನೋಡಿ Groves (2011) ಮತ್ತು Dillman, Smyth, and Christian (2008) (ಸ್ವಲ್ಪ ವಿಭಿನ್ನವಾಗಿ ಮೂರು ಯುಗಗಳಲ್ಲಿ ಪಲ್ಲಟಗೊಳಿಸುತ್ತದೆ ಇದು).

ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆಯಲ್ಲಿ ಎರಡನೇ ಯುಗದ ಮೊದಲ ಪರಿವರ್ತನೆ ಒಳಗೆ ಒಂದು ಶಿಖರವಾಗಿದೆ Groves and Kahn (1979) ನಡುವೆ ವಿಸ್ತೃತ ತಲೆ ಗೆ ತಲೆ ಹೋಲಿಸಿದರೆ ಯಾವ, ಒಂದು ಮುಖ ಮುಖಿ ಮತ್ತು ದೂರವಾಣಿ ಸಮೀಕ್ಷೆ. Brick and Tucker (2007) ಯಾದೃಚ್ಛಿಕ ಅಂಕಿಯ ಡಯಲಿಂಗ್ ನಮೂನೆ ವಿಧಾನಗಳಲ್ಲಿ ವ್ಯವಸ್ಥೆಯ ಅಭಿವೃದ್ಧಿ ಹಿಂದೆ ಕಾಣುತ್ತದೆ.

ಹೆಚ್ಚು ಹೇಗೆ ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆ ಸಮಾಜದ ಬದಲಾವಣೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಹಿಂದೆ ಬದಲಾಗಿದೆ, ನೋಡಿ Tourangeau (2004) , Mitofsky (1989) , ಮತ್ತು Couper (2011) .

  • ಕೇಳುವ ಗಮನಿಸುವುದರ ಮತ್ತು (ವಿಭಾಗ 3.2)

ಕೆಲವೊಮ್ಮೆ ಪ್ರತಿಕ್ರಿಯೆ ತಮ್ಮನ್ನು ತಮ್ಮ ಆಂತರಿಕ ರಾಜ್ಯಗಳ ಬಗ್ಗೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವ ಮೂಲಕ ಆಂತರಿಕ ರಾಜ್ಯಗಳ ಬಗ್ಗೆ ಕಲಿಕೆ ಸಮಸ್ಯಾತ್ಮಕವಾಗಬಹುದು. ಉದಾಹರಣೆಗೆ, Nisbett and Wilson (1977) ಪತ್ರಿಕೆಯಲ್ಲಿ ಲೇಖಕರು ಕೆಳಕಂಡಂತೆ ನಿರ್ಣಯಿಸಿದ್ದಾರೆ: "ವಿಷಯಗಳ ಕೆಲವೊಮ್ಮೆ (ಒಂದು) ಅರಿವಿರಲಿಲ್ಲ:" ಮಾನಸಿಕ ಪ್ರಕ್ರಿಯೆಗಳ ಮೇಲೆ ಮೌಖಿಕ ವರದಿಗಳು ನಾವು ತಿಳಿದಿರುವ ಹೆಚ್ಚು ಹೇಳುವ. "ಎಬ್ಬಿಸುವ ಶೀರ್ಷಿಕೆಯೊಂದಿಗೆ ಅದ್ಭುತ ಕಾಗದದ ಹೊಂದಿವೆ ಮುಖ್ಯವಾಗಿ ಒಂದು ಪ್ರತಿಕ್ರಿಯೆ ಪ್ರಭಾವ ಒಂದು ಪ್ರೇರಕ ಅಸ್ತಿತ್ವ, (ಬಿ) ಪ್ರತಿಕ್ರಿಯೆ ಅಸ್ತಿತ್ವ, ಮತ್ತು (ಸಿ) ಉತ್ತೇಜನ ಪ್ರತಿಕ್ರಿಯೆ ಪರಿಣಾಮ ಗೊತ್ತಿರುವುದಿಲ್ಲ ಬಗ್ಗೆ. "

ಸಂಶೋಧಕರು ವರದಿ ನಡವಳಿಕೆ ಅಥವಾ ವರ್ತನೆಗಳು ವರ್ತನೆಯನ್ನು ವೀಕ್ಷಣೆಯು ಆದ್ಯತೆ ಬೇಕು ಎಂದು ವಾದಗಳನ್ನು, ನೋಡಿ Baumeister, Vohs, and Funder (2007) (ಮನಶ್ಶಾಸ್ತ್ರ) ಮತ್ತು Jerolmack and Khan (2014) ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳು (Maynard 2014; Cerulo 2014; Vaisey 2014; Jerolmack and Khan 2014) (ಸಮಾಜಶಾಸ್ತ್ರ). ಕೇಳುವ ಮತ್ತು ಗಮನಿಸುವುದರ ನಡುವಿನ ವ್ಯತ್ಯಾಸ ಸಂಶೋಧಕರು ಹೇಳಿದ್ದಾರೆ ಬಹಿರಂಗ ಆದ್ಯತೆಗಳ ಬಗ್ಗೆ ಮಾತನಾಡಲು ಅಲ್ಲಿ ಅರ್ಥಶಾಸ್ತ್ರ, ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಸಂಶೋಧಕ ಅವರು ಐಸ್ ಕ್ರೀಮ್ ತಿನ್ನುವ ಅಥವಾ ಜಿಮ್ ಹೋಗುವ ಆದ್ಯತೆ ಎಂದು (ಹೇಳಿದ್ದಾರೆ ಆದ್ಯತೆಗಳನ್ನು) ಪ್ರತಿಕ್ರಿಯೆ ಕೇಳಲು ಅಥವಾ ಸಂಶೋಧನೆ ಜನರು ಐಸ್ ಕ್ರೀಂ ತಿನ್ನಲು ಎಷ್ಟು ಬಾರಿ ವೀಕ್ಷಿಸಲು ಮತ್ತು ಜಿಮ್ (ಬಹಿರಂಗ ಆದ್ಯತೆಗಳನ್ನು) ಹೋಗಿ ಎಂಬುದನ್ನು. ಕೆಲವು ರೀತಿಯ ಹೇಳಿಕೆ ಆದ್ಯತೆಗಳನ್ನು ದತ್ತಾಂಶದ ಅರ್ಥಶಾಸ್ತ್ರದಲ್ಲಿ ಆಳವಾದ ಸಂದೇಹವಾದ ಇಲ್ಲ (Hausman 2012) .

ಈ ಚರ್ಚೆಗಳು ಒಂದು ಮುಖ್ಯ ಥೀಮ್ ವರದಿ ಮಾಡಲ್ಪಟ್ಟ ವರ್ತನೆಯನ್ನು ಯಾವಾಗಲೂ ಕರಾರುವಕ್ಕಾಗಿಲ್ಲ ಎಂದು. ಆದರೆ, ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರೆಕಾರ್ಡ್ ವರ್ತನೆಯನ್ನು ಮಾಡಬಹುದು ಆಸಕ್ತಿ ಮಾದರಿಯನ್ನು ಸಂಗ್ರಹಿಸಿದ ಆಗುವುದಿಲ್ಲ, ನಿಖರ ಇರಬಹುದು, ಮತ್ತು ಸಂಶೋಧಕರ ಪ್ರವೇಶಿಸಬಹುದಾದ ಇರಬಹುದು. ಆದ್ದರಿಂದ, ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಾನು ವರದಿ ವರ್ತನೆಯನ್ನು ಉಪಯುಕ್ತ ಎಂದು ಭಾವಿಸುತ್ತೇನೆ. ಇದಲ್ಲದೆ, ಈ ಚರ್ಚೆಗಳು ಎರಡನೇ ಮುಖ್ಯ ಥೀಮ್ ಭಾವನೆಗಳನ್ನು, ಜ್ಞಾನ, ನಿರೀಕ್ಷೆಗಳು ಹಾಗೂ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಬಗ್ಗೆ ವರದಿಗಳು ಯಾವಾಗಲೂ ಕರಾರುವಕ್ಕಾಗಿಲ್ಲ ಎಂಬುದು. ಆದರೆ, ಈ ಆಂತರಿಕ ರಾಜ್ಯಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿ ಅಗತ್ಯವಿದ್ದರೆ ಸಂಶೋಧಕರು-ಎರಡೂ ಕೆಲವು ವರ್ತನೆಯನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಅಥವಾ ವಿಷಯ ವಿವರಿಸಿದರು ಆಗಿನ ಹೊಂದಲು ಕೇಳುವ ಸೂಕ್ತ ವಿಧಾನವಾಗಿದೆ.

  • ಒಟ್ಟು ಸಮೀಕ್ಷೆ ದೋಷ (ವಿಭಾಗ 3.3)

ಒಟ್ಟು ಸಮೀಕ್ಷೆ ದೋಷ ಪುಸ್ತಕ ಉದ್ದ ಚಿಕಿತ್ಸೆಗಳು, ನೋಡಿ Groves et al. (2009) ಅಥವಾ Weisberg (2005) . ಒಟ್ಟು ಸಮೀಕ್ಷೆ ದೋಷ ಅಭಿವೃದ್ಧಿಯ ಇತಿಹಾಸ, ನೋಡಿ Groves and Lyberg (2010) .

ಎ ರಿಸರ್ಚ್ ಅಜೆಂಡಾ: ಪ್ರಾತಿನಿಧ್ಯ ಪರಿಭಾಷೆಯಲ್ಲಿ, ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆಯ ಸೂಕ್ತತೆ ಸಮಸ್ಯೆಗಳನ್ನು ಉತ್ತಮ ಪರಿಚಯ ಸಮಾಜ ವಿಜ್ಞಾನ ಸಮೀಕ್ಷೆಗಳ ವಸ್ತು ಮೇಲೆ ನ್ಯಾಷನಲ್ ರಿಸರ್ಚ್ ಕೌನ್ಸಿಲ್ ವರದಿ ಆಗಿದೆ (2013) . ಇನ್ನೊಂದು ಉಪಯುಕ್ತ ಅವಲೋಕನ ಒದಗಿಸುತ್ತದೆ (Groves 2006) . ಅಲ್ಲದೆ, ಜರ್ನಲ್ ಅಧಿಕೃತ ಅಂಕಿಅಂಶಗಳ ಕಛೇರಿ, ಸಾರ್ವಜನಿಕ ಅಭಿಪ್ರಾಯ ಕ್ವಾರ್ಟರ್ಲಿ, ಮತ್ತು ಅಮೇರಿಕನ್ ಅಕಾಡೆಮಿ ಆಫ್ ಪೊಲಿಟಿಕಲ್ ಅಂಡ್ ಸೋಷಿಯಲ್ ಸೈನ್ಸ್ನ ಆನ್ನಲ್ಸ್ ಸಂಪೂರ್ಣ ವಿಶೇಷ ಸಂಚಿಕೆಗಳು ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆ ವಿಷಯದ ಮೇಲೆ ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಅಂತಿಮವಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆ ದರ ಲೆಕ್ಕ ಹಲವಾರು ಆಕಾರ ಮಾರ್ಗಗಳಿವೆ; ಈ ವಿಧಾನಗಳು ಅಮೆರಿಕನ್ ಅಸೋಸಿಯೇಷನ್ ಸಾರ್ವಜನಿಕ ಅಭಿಪ್ರಾಯ ಸಂಶೋಧಕರು (AAPOR) ಒಂದು ವರದಿಯಲ್ಲಿ ವಿವರ (Public Opinion Researchers} 2015) .

1936 ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ವಿವರ ಅಧ್ಯಯನ ಮಾಡಲಾಗಿದೆ (Bryson 1976; Squire 1988; Cahalan 1989; Lusinchi 2012) . ಇದು ಮಾಡಲಾಗಿದೆ ಅವ್ಯವಸ್ಥಿತ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ವಿರುದ್ಧ ಎಚ್ಚರಿಕೆ ಒಂದು ಸಾಮ್ಯವನ್ನು ಬಳಸಲಾಗಿದೆ (Gayo-Avello 2011) . 1936 ರಲ್ಲಿ, ಜಾರ್ಜ್ ಗ್ಯಾಲಪ್ ಮಾದರಿ ಒಂದು ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ ರೂಪ ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಒಂದು ಸಣ್ಣ ಮಾದರಿ ಹೆಚ್ಚು ನಿಖರ ಅಂದಾಜುಗಳಿಗೆ ನಿರ್ಮಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಮೇಲೆ ಗ್ಯಾಲಪ್ ಯಶಸ್ಸು ಒಂದು ಮೈಲಿಗಲ್ಲು ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆ ಅಭಿವೃದ್ಧಿ (Converse 1987, Ch 3; Ohmer 2006, Ch 4; Igo 2008, Ch 3) .

ಮಾಪನ ವಿಚಾರದಲ್ಲಿ, ವಿನ್ಯಾಸ ಪ್ರಶ್ನಾವಳಿಗಳು ದೊಡ್ಡ ಮೊದಲ ಸಂಪನ್ಮೂಲವಾಗಿದೆ Bradburn, Sudman, and Wansink (2004) . ಅತ್ಯಾಧುನಿಕ ಚಿಕಿತ್ಸೆ ವರ್ತನೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಮೇಲೆ ನಿರ್ದಿಷ್ಟವಾಗಿ ಗಮನ, ನೋಡಿ Schuman and Presser (1996) . ಪೂರ್ವ ಪರೀಕ್ಷೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಇನ್ನಷ್ಟು ಲಭ್ಯವಿದೆ Presser and Blair (1994) , Presser et al. (2004) , ಮತ್ತು ಅಧ್ಯಾಯ 8 Groves et al. (2009) .

ಸಮೀಕ್ಷೆ ವೆಚ್ಚ ಮತ್ತು ಸಮೀಕ್ಷೆ ದೋಷಗಳನ್ನು ನಡುವೆ ತುಲನೆಯನ್ನು ಶಾಸ್ತ್ರೀಯ, ಪುಸ್ತಕ ಉದ್ದ ಚಿಕಿತ್ಸೆಯಾಗಿದೆ Groves (2004) .

  • ಯಾರು ಕೇಳಲು (ವಿಭಾಗ 3.4)

ಪ್ರಮಾಣಿತ ಸಂಭವನೀಯತೆ ಮಾದರಿ ಮತ್ತು ಅಂದಾಜು ಶಾಸ್ತ್ರೀಯ ಪುಸ್ತಕ ಉದ್ದ ಚಿಕಿತ್ಸೆಯಾಗಿದೆ Lohr (2009) (ಹೆಚ್ಚು ಪರಿಚಯಾತ್ಮಕ) ಮತ್ತು Särndal, Swensson, and Wretman (2003) (ಅತ್ಯಾಧುನಿಕ). ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಮತ್ತು ಸಂಬಂಧಿತ ವಿಧಾನಗಳನ್ನು ಶಾಸ್ತ್ರೀಯ ಪುಸ್ತಕ ಉದ್ದ ಚಿಕಿತ್ಸೆಯಾಗಿದೆ Särndal and Lundström (2005) . ಕೆಲವು ಡಿಜಿಟಲ್ ವಯಸ್ಸು ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು, ಸಂಶೋಧಕರು ಹಿಂದೆ ಸಾಮಾನ್ಯವಾಗಿ ನಿಜವಾದ ಅಲ್ಲ ಇದು ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆ, ಬಗ್ಗೆ ಸ್ವಲ್ಪ ಗೊತ್ತು. ಸಂಶೋಧಕರು ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆ ಬಗ್ಗೆ ಮಾಹಿತಿ ಹೊಂದಿದೆ ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆ ಹೊಂದಾಣಿಕೆ ವಿವಿಧ ರೂಪಗಳು ಸಾಧ್ಯ (Kalton and Flores-Cervantes 2003; Smith 2011) .

ಎಕ್ಸ್ಬಾಕ್ಸ್ ಅಧ್ಯಯನ Wang et al. (2015) ಅಂದಾಜು ಸಂಶೋಧಕರು ಸೆಲ್ ಸಹ ಅನೇಕ, ಅನೇಕ ಜೀವಕೋಶಗಳು ಇವೆ ಅರ್ಥ ಅನುಮತಿಸುವ ಬಹುಮಟ್ಟದ ಹಿಂಜರಿಕೆಯನ್ನು ಮತ್ತು ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಎಂಬ ತಂತ್ರವನ್ನು (MRP, ಕೆಲವೊಮ್ಮೆ "ಮಿಸ್ಟರ್ ಪಿ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಬಳಸುತ್ತದೆ. ಈ ತಂತ್ರವನ್ನು ಅಂದಾಜಿನ ಗುಣಮಟ್ಟದ ಬಗ್ಗೆ ಕೆಲವು ಚರ್ಚೆಗಳಿವೆ, ಇದು ಅನ್ವೇಷಿಸಲು ಭರವಸೆಯ ಪ್ರದೇಶ ಹಾಗೆ ತೋರುತ್ತದೆ. ತಂತ್ರ ಮೊದಲ ಬಾರಿಗೆ ಬಳಸಲಾಯಿತು Park, Gelman, and Bafumi (2004) , ಮತ್ತು ನಂತರದ ಬಳಕೆಯ ಮತ್ತು ಚರ್ಚೆ ಕಂಡುಬಂದಿದೆ (Gelman 2007; Lax and Phillips 2009; Pacheco 2011; Buttice and Highton 2013; Toshkov 2015) . ವೈಯಕ್ತಿಕ ತೂಕ ಮತ್ತು ಸೆಲ್ ಆಧಾರಿತ ತೂಕ ನಡುವೆ ಸಂಪರ್ಕವನ್ನು ಹೆಚ್ಚು ನೋಡಿ Gelman (2007) .

ಸಮತೋಲನದ ವೆಬ್ ಸಮೀಕ್ಷೆಗಳು ಇತರ ವಿಧಾನಗಳು, ನೋಡಿ Schonlau et al. (2009) , Valliant and Dever (2011) , ಮತ್ತು Bethlehem (2010) .

ಮಾದರಿ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಸ್ತಾಪಿಸಿದ Rivers (2007) . Bethlehem (2015) ಮಾದರಿ ಸರಿಗಟ್ಟುವ ಪ್ರದರ್ಶನ ವಾಸ್ತವವಾಗಿ ಇತರ ಮಾದರಿ ವಿಧಾನಗಳು (ಉದಾಹರಣೆಗೆ, ವಿಂಗಡಣೆಯಾದ ಮಾದರಿ) ಮತ್ತು ಇತರ ಹೊಂದಾಣಿಕೆ ವಿಧಾನಗಳು (ಉದಾಹರಣೆಗೆ, ನಂತರದ ಶ್ರೇಣೀಕರಣದ) ಸಮನಾಗಿರುತ್ತದೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ. ಆನ್ಲೈನ್ ಫಲಕಗಳ ಮೇಲೆ ಹೆಚ್ಚು, ನೋಡಿ Callegaro et al. (2014) .

ಕೆಲವೊಮ್ಮೆ ಸಂಶೋಧಕರು ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳು ಮತ್ತು ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳನ್ನು ಅದೇ ಗುಣಮಟ್ಟದ ಅಂದಾಜನ್ನು ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿದರು (Ansolabehere and Schaffner 2014) , ಆದರೆ ಬೇರೆ ಹೋಲಿಕೆಗಳ ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳನ್ನು ಕೆಟ್ಟದಾಗಿ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿದರು (Malhotra and Krosnick 2007; Yeager et al. 2011) . ಈ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಒಂದು ಸಾಧ್ಯವಾಗಬಹುದಾದ ಕಾರಣ ಅ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಸುಧಾರಣೆಯಾಗಿದೆ ಎಂಬುದು. ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ನಮೂನೆ ವಿಧಾನಗಳಲ್ಲಿ ಹೆಚ್ಚು ನಿರಾಶಾವಾದಿ ವೀಕ್ಷಿಸಿ ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಸ್ಯಾಂಪ್ಲಿಂಗ್ AAPOR ಟಾಸ್ಕ್ ಫೋರ್ಸ್ ನೋಡಿ (Baker et al. 2013) , ಮತ್ತು ನಾನು ಸಾರಾಂಶ ವರದಿ ಕೆಳಗಿನ ವ್ಯಾಖ್ಯಾನ ಓದುವ ಶಿಫಾರಸು.

ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳಲ್ಲಿ ಪಕ್ಷಪಾತ ಕಡಿಮೆ ಸಮತೋಲನದ ಪರಿಣಾಮ ವಿಶ್ಲೇಷಣೆಯ, ಮೇಜಿನ 2.4 ನೋಡಿ Tourangeau, Conrad, and Couper (2013) ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಉಪಯುಕ್ತ ಆದರೆ ತಪ್ಪು ತಿದ್ದುಪಡಿಗಳು ಎಂದು ತೋರುತ್ತದೆ ತೀರ್ಮಾನಿಸಲು "ಲೇಖಕರು ಕಾರಣವಾಗುತ್ತದೆ. . . "

  • ಹೇಗೆ ಕೇಳಲು (ವಿಭಾಗ 3.5)

Conrad and Schober (2008) ಭವಿಷ್ಯದ ಸಮೀಕ್ಷೆ ಸಂದರ್ಶನ ಕಲ್ಪಿಸಿಕೊಳ್ಳುವ ಎಂಬ ಸಂಪಾದನೆ ಪ್ರಮಾಣವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಮತ್ತು ಇದು ಈ ವಿಭಾಗದಲ್ಲಿ ವಿಷಯಗಳನ್ನು ಅನೇಕ ವಿಳಾಸಗಳು. Couper (2011) ಇದೇ ವಿಷಯಗಳನ್ನು ವಿಳಾಸಗಳು, ಮತ್ತು Schober et al. (2015) ಒಂದು ಹೊಸ ಸೆಟ್ಟಿಂಗ್ ರಚಿಸಲ್ಪಟ್ಟ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ವಿಧಾನಗಳು ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟದ ಮಾಹಿತಿ ಕಾರಣವಾಗಬಹುದು ಒಂದು ಸಂತೋಷವನ್ನು ಉದಾಹರಣೆಗೆ ನೀಡುತ್ತದೆ.

ಸಮಾಜ ವಿಜ್ಞಾನ ಸಮೀಕ್ಷೆಗಳು ಫೇಸ್ಬುಕ್ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಬಳಸಿಕೊಂಡು ಇನ್ನೊಂದು ಆಸಕ್ತಿದಾಯಕ ಉದಾಹರಣೆಗೆ, ನೋಡಿ Bail (2015) .

ಸಮೀಕ್ಷೆಗಳು ಭಾಗವಹಿಸುವವರು ಒಂದು ಆಹ್ಲಾದಿಸಬಹುದಾದ ಮತ್ತು ಅಮೂಲ್ಯವಾದ ಅನುಭವ ಮಾಡುವ ಹೆಚ್ಚಿನ ಸಲಹೆ, ರಚಿಸಲಾಗಿರುವುದು ವಿನ್ಯಾಸ ಕ್ರಮವನ್ನು ಕೆಲಸ ನೋಡಲು (Dillman, Smyth, and Christian 2014) .

Stone et al. (2007) ಪರಿಸರ ಕ್ಷಣಿಕ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸಂಬಂಧಿಸಿದ ವಿಧಾನಗಳು ಒಂದು ಪುಸ್ತಕ ಉದ್ದ ಚಿಕಿತ್ಸೆಯನ್ನು ನೀಡುತ್ತಿದೆ.

  • ಇತರ ಡೇಟಾವನ್ನು ಲಿಂಕ್ ಸಮೀಕ್ಷೆಗಳು (ವಿಭಾಗ 3.6)

Judson (2007) ಸಮೀಕ್ಷೆಗಳಿಗೆ ಮತ್ತು ಆಡಳಿತಾತ್ಮಕ ಅಕ್ಷಾಂಶ ತುಲನೆ ಪ್ರಕ್ರಿಯೆ ವಿವರಿಸಲಾಗಿದೆ "ಮಾಹಿತಿ ಏಕೀಕರಣ," ಈ ಮಾರ್ಗದ ಕೆಲವು ಪ್ರಯೋಜನಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ, ಮತ್ತು ಕೆಲವು ಉದಾಹರಣೆಗಳು ಒದಗಿಸುತ್ತದೆ.

ಸಂಶೋಧಕರು ಡಿಜಿಟಲ್ ಕುರುಹುಗಳು ಮತ್ತು ಆಡಳಿತಾತ್ಮಕ ಡೇಟಾವನ್ನು ಬಳಸಬಹುದಾದ ಮತ್ತೊಂದು ರೀತಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಗುಣಲಕ್ಷಣಗಳು ಜನರಿಗೆ ಒಂದು ನಮೂನೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಆಗಿದೆ. ಆದಾಗ್ಯೂ, ಈ ದಾಖಲೆಗಳನ್ನು ಗೌಪ್ಯತೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಶ್ನೆಗಳನ್ನು ರಚಿಸಬಹುದು ಒಂದು ನಮೂನೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ ಪ್ರವೇಶಿಸಲು (Beskow, Sandler, and Weinberger 2006) .

ವರ್ಧಿತ ಕೇಳುವ ಬಗ್ಗೆ, ಈ ಪದ್ದತಿಯನ್ನು ನಾನು ವಿವರಿಸಲಾಗಿದೆ ಬಂದಿದೆ ಹೇಗೆ ಕಾಣಿಸಬಹುದು ಎಂದು ಹೊಸ ಹೊಂದಿದೆ. ಈ ವಿಧಾನವು ಅಂಕಿಅಂಶಗಳು ಮಾದರಿ ಆಧಾರಿತ ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಮೂರು ದೊಡ್ಡ ಪ್ರದೇಶಗಳಿಗೆ ಆಳವಾದ ಸಂಪರ್ಕಗಳನ್ನು ಹೊಂದಿದೆ (Little 1993) , ಆರೋಪಣೆ (Rubin 2004) , ಮತ್ತು ಸಣ್ಣ ಪ್ರದೇಶದಲ್ಲಿ ಅಂದಾಜು (Rao and Molina 2015) . ಇದು ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯಲ್ಲಿ ಬಾಡಿಗೆ ಚರಗಳ ಬಳಕೆ ಸಂಬಂಧಿಸಿದೆ (Pepe 1992) .

ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಪ್ರವೇಶಿಸುವ ಬಗ್ಗೆ ನೈತಿಕ ಸಮಸ್ಯೆಗಳು ಜೊತೆಗೆ, ವರ್ಧಿತ ಕೇಳುವ ಜನರು ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಬಹಿರಂಗ ಆಯ್ಕೆ ಇರಬಹುದು ಸೂಕ್ಷ್ಮ ಲಕ್ಷಣಗಳು ನಿರ್ಣಯಿಸಲು ಬಳಸಬಹುದು (Kosinski, Stillwell, and Graepel 2013) .

ವೆಚ್ಚ ಮತ್ತು ಸಮಯ ಅಂದಾಜು Blumenstock, Cadamuro, and On (2015) ಇಂತಹ ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮತ್ತು ಕರೆ ದತ್ತಾಂಶವನ್ನು ವೆಚ್ಚ ವೇರಿಯಬಲ್ ವೆಚ್ಚ ಒಂದು ಹೆಚ್ಚುವರಿ ಸಮೀಕ್ಷೆ ಮತ್ತು ಒಳಗೊಂಡಿಲ್ಲ ನಿಗದಿತ ವೆಚ್ಚವು ವೆಚ್ಚಕ್ಕೆ ಹೆಚ್ಚು ನೋಡಿ. ಸಾಮಾನ್ಯವಾಗಿ, ವರ್ಧಿತ ಕೇಳುವ ಬಹುಶಃ ಹೆಚ್ಚು ನಿಗದಿತ ವೆಚ್ಚವು ಮತ್ತು ಡಿಜಿಟಲ್ ಪ್ರಯೋಗಗಳನ್ನು (ಅಧ್ಯಾಯ 4 ನೋಡಿ) ಹೋಲುವ ಕಡಿಮೆ ವೇರಿಯಬಲ್ ವೆಚ್ಚ ಹೊಂದಿರುತ್ತದೆ. ಬಳಸಲಾಗುತ್ತದೆ ಡೇಟಾವನ್ನು ಇನ್ನಷ್ಟು ವಿವರಗಳು Blumenstock, Cadamuro, and On (2015) ಕಾಗದದ ಇವೆ Blumenstock and Eagle (2010) ಮತ್ತು Blumenstock and Eagle (2012) . ಅನೇಕ imputuation ರಿಂದ ವಿಧಾನಗಳನ್ನು (Rubin 2004) ವರ್ಧಿತ ಕೇಳುವ ಅಂದಾಜುಗಳು ಕ್ಯಾಪ್ಚರ್ ಅನಿಶ್ಚಿತತೆ ಸಹಾಯವಾಗಬಹುದು. ಸಂಶೋಧಕರು ವರ್ಧಿತ ಒಟ್ಟು ಎಣಿಕೆಗಳು ಹೆಚ್ಚಾಗಿ ವೈಯಕ್ತಿಕ-ಹಂತದ ಚಹರೆಗಳ ಕಾಳಜಿವಹಿಸುವ ಮಾತ್ರ ಕೇಳುವ ಮಾಡುವುದರಿಂದ, ನಂತರ ವಿಧಾನಗಳು King and Lu (2008) ಮತ್ತು Hopkins and King (2010) ಸಹಾಯಕವಾಗಬಹುದು. ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನಗಳು ಬಗ್ಗೆ ಹೆಚ್ಚು Blumenstock, Cadamuro, and On (2015) , ನೋಡಿ James et al. (2013) (ಹೆಚ್ಚು ಪರಿಚಯಾತ್ಮಕ) ಅಥವಾ Hastie, Tibshirani, and Friedman (2009) (ಅತ್ಯಾಧುನಿಕ). ಮತ್ತೊಂದು ಜನಪ್ರಿಯ ಯಂತ್ರ ಕಲಿಕೆ ಪಠ್ಯಪುಸ್ತಕ ಆಗಿದೆ Murphy (2012) .

ಪುಷ್ಟೀಕರಿಸಿದ ಕೇಳುವ ಬಗ್ಗೆ, ಫಲಿತಾಂಶಗಳು Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ರಲ್ಲಿ (2012) ಎರಡು ಪ್ರಮುಖ ಹಂತಗಳನ್ನು ಮೇಲೆ ಹಿಂಜ್: 1) ಸಮೀಕ್ಷೆ ಡೇಟಾ ನಿಖರವಾದ ಮಾಸ್ಟರ್ datafile ಉತ್ಪಾದಿಸಲು ಹಲವಾರು ಭಿನ್ನ ದಶಮಾಂಶ ಮೂಲಗಳು ಒಗ್ಗೂಡಿ ಮತ್ತು 2) ಲಿಂಕ್ Catalist ಸಾಮರ್ಥ್ಯವನ್ನು Catalist ಸಾಮರ್ಥ್ಯವನ್ನು ತನ್ನ ಮಾಸ್ಟರ್ datafile. ಆದ್ದರಿಂದ, Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ಎಚ್ಚರಿಕೆಯಿಂದ ಈ ಹಂತಗಳನ್ನು ಪ್ರತಿ ಪರಿಶೀಲಿಸಿ.

ಮಾಸ್ಟರ್ datafile ರಚಿಸಲು, Catalist ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಸೇರಿದಂತೆ ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಾಮರಸ್ಯವನ್ನುಂಟುಮಾಡುತ್ತದೆ: ಇತರ ಅನಿರ್ದಿಷ್ಟ ವಾಣಿಜ್ಯ ನೀಡುಗರಿಂದ ಪ್ರತಿ ರಾಜ್ಯದ ಅನೇಕ ಮತದಾನದ ದಾಖಲೆಗಳನ್ನು ಸ್ನ್ಯಾಪ್ಶಾಟ್, ವಿಳಾಸ ರಿಜಿಸ್ಟ್ರಿ ಪೋಸ್ಟ್ ಆಫೀಸ್ ರಾಷ್ಟ್ರೀಯ ಚೇಂಜ್ ಮಾಹಿತಿಗಳನ್ನು. ಈ ಸ್ವಚ್ಛಗೊಳಿಸುವ ಮತ್ತು ವಿಲೀನಗೊಳಿಸುವ ನಡೆಯುತ್ತದೆ ಬಗ್ಗೆ ರಕ್ತಸಿಕ್ತ ವಿವರಗಳನ್ನು ಈ ಪುಸ್ತಕದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿ, ಆದರೆ ಎಷ್ಟೇ ಎಚ್ಚರಿಕೆಯಿಂದ ಯಾವುದೇ ಪ್ರಕ್ರಿಯೆ, ಮೂಲ ಮೂಲಗಳು ತಪ್ಪುಗಳ ಪ್ರಸಾರಮಾಡಲು ಮತ್ತು ತಪ್ಪುಗಳನ್ನು ಪರಿಚಯಿಸಲು ಕಾಣಿಸುತ್ತದೆ. Catalist ಅದರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣೆ ಚರ್ಚಿಸಲು ಮತ್ತು ಅದರ ಕಚ್ಚಾ ದತ್ತಾಂಶ ಕೆಲವು ನೀಡಲು ಸಿದ್ಧರಿದ್ದಾರೆ ಆದರೂ, ಇದು ಸಂಶೋಧಕರು ಇಡೀ Catalist ಡೇಟಾ ಪೈಪ್ಲೈನ್ ಪರಿಶೀಲಿಸಲು ಕೇವಲ ಅಸಾಧ್ಯವಾಗಿತ್ತು. ಬದಲಿಗೆ, ಸಂಶೋಧಕರು Catalist ಡೇಟಾ ಫೈಲ್ ಕೆಲವು ಅಪರಿಚಿತ, ಮತ್ತು ಬಹುಶಃ ಅಜ್ಞೇಯ, ದೋಷ ಪ್ರಮಾಣವನ್ನು ಹೊಂದಿತ್ತು ಸನ್ನಿವೇಶ ಇತ್ತು. ಒಂದು ವಿಮರ್ಶಕ ಅಲ್ಲ ಪ್ರತಿಕ್ರಿಯೆ ಮೂಲಕ ಮಿಸ್ರಿಪೋರ್ಟಿಂಗ್ ಮೂಲಕ CCES ಸಮೀಕ್ಷೆ ವರದಿಗಳು ಮತ್ತು Catalist ಮಾಸ್ಟರ್ ಡಾಟಾ ಕಡತದಲ್ಲಿ ನಡವಳಿಕೆ ನಡುವೆ ದೊಡ್ಡ ಭಿನ್ನತೆಗಳ ಮಾಸ್ಟರ್ ದಶಮಾಂಶ ಕಡತ ತಪ್ಪುಗಳ ಉಂಟಾಗಿದೆ ಎಂದು ಊಹಿಸಿದ್ದಾರೆ ಇರಬಹುದು ಏಕೆಂದರೆ ಈ ಗಂಭೀರ ಸಮಸ್ಯೆಯಾಗಿದೆ.

Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ಡೇಟಾ ಗುಣಮಟ್ಟದ ಕುರಿತಾಗಿ ಎದುರಿಸುವಲ್ಲಿ ಎರಡು ವಿಭಿನ್ನ ಮಾರ್ಗಗಳ ತೆಗೆದುಕೊಂಡಿತು. ಮೊದಲ, Catalist ಮಾಸ್ಟರ್ ಕಡತದಲ್ಲಿ ಮತದಾನಕ್ಕೆ ಸ್ವಯಂ ವರದಿ ಮತದಾನ ಹೋಲಿಕೆ ಜೊತೆಗೆ, ಸಂಶೋಧಕರು ಹೋಲಿಸಿದರೆ ಸ್ವಯಂ ವರದಿ ಪಕ್ಷದ, ಜನಾಂಗ, ಮತದಾರರ ಸ್ಥಿತಿ (ಉದಾ, ನೋಂದಾಯಿತ ಅಥವಾ ನೊಂದಾಯಿತ) ಮತ್ತು ಮತದಾನ ವಿಧಾನ (ಉದಾಹರಣೆಗೆ, ವ್ಯಕ್ತಿ, ಅನುಪಸ್ಥಿತ ಮತದಾನ, ಇತ್ಯಾದಿ) Catalist ಡೇಟಾಬೇಸ್ ಕಂಡುಬರುವ ಮೌಲ್ಯಗಳು. ಈ ನಾಲ್ಕು ಜನಸಂಖ್ಯಾ ಅಸ್ಥಿರ, ಸಂಶೋಧಕರು ಮತದಾನ ಹೆಚ್ಚು Catalist ಮಾಸ್ಟರ್ ಕಡತದಲ್ಲಿ ಸಮೀಕ್ಷೆ ವರದಿ ಮತ್ತು ಡೇಟಾವನ್ನು ನಡುವಿನ ಒಪ್ಪಂದದ ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಕಂಡುಬಂದಿಲ್ಲ. ಹೀಗಾಗಿ, Catalist ಮಾಸ್ಟರ್ ದಶಮಾಂಶ ಕಡತ ಇದು ಕಳಪೆ ಒಟ್ಟಾರೆ ಗುಣಮಟ್ಟದ ಸೂಚಿಸುತ್ತಾ, ಮತದಾನ ಬೇರೆ ಲಕ್ಷಣಗಳು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಮಾಹಿತಿ ಹೊಂದಿರುವುದು ಕಂಡುಬರುತ್ತದೆ. ಎರಡನೇ, Catalist ದತ್ತಾಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಭಾಗಶಃ, Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ಮೂರು ವಿವಿಧ ಕೌಂಟಿ ಮತದಾನದ ದಾಖಲೆಗಳನ್ನು ಗುಣಮಟ್ಟದ ಕ್ರಮಗಳನ್ನು ದೊರೆತ ಅಭಿವೃದ್ಧಿ, ಮತ್ತು ಅವರು ಮತದಾನ ಅತಿ ವರದಿ ಅಂದಾಜು ದರ ಈ ಡೇಟಾವನ್ನು ಗುಣಮಟ್ಟದ ಕ್ರಮಗಳನ್ನು ಯಾವುದೇ ಮೂಲಭೂತವಾಗಿ ಸಂಬಂಧವಿಲ್ಲ ಕಂಡು, ಅತಿ ವರದಿ ಹೆಚ್ಚಿನ ಅಸಾಧಾರಣ ಕಡಿಮೆ ಮಾಹಿತಿ ಗುಣಮಟ್ಟದ ಕೌಂಟಿಗಳು ನಡೆಸುತ್ತಿದೆ ಮಾಡಲಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಈ ಮಾಸ್ಟರ್ ಮತದಾನ ಫೈಲ್ ಸೃಷ್ಟಿ ನೀಡಲಾಗಿದೆ, ಸಂಭವನೀಯ ತಪ್ಪುಗಳ ಎರಡನೇ ಮೂಲವನ್ನು ಸಮೀಕ್ಷೆ ದಾಖಲೆಗಳನ್ನು ಲಿಂಕ್ ಇದೆ. ಉದಾಹರಣೆಗೆ, ಈ ಸಂಪರ್ಕ ತಪ್ಪಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ ವೇಳೆ ಅದು ವರದಿ ಮತ್ತು ಮೌಲ್ಯಾಂಕನ ಮತದಾನ ವರ್ತನೆಯನ್ನು ಭಿನ್ನತೆ ಹೆಚ್ಚಿನ ಅಂದಾಜು ಕಾರಣವಾಗಬಹುದು (Neter, Maynes, and Ramanathan 1965) . ಪ್ರತಿ ವ್ಯಕ್ತಿಯ ಎರಡೂ ದಶಮಾಂಶ ಮೂಲಗಳು ಎಂದು ಸ್ಥಿರ, ಅನನ್ಯ ಗುರುತು ಹೊಂದಿತ್ತು, ನಂತರ ಸಂಪರ್ಕ ಕ್ಷುಲ್ಲಕ ಎಂದು. ಅಮೇರಿಕಾದ ಮತ್ತು ಇತರ ದೇಶಗಳಲ್ಲಿ, ಆದಾಗ್ಯೂ, ಯಾವುದೇ ಸಾರ್ವತ್ರಿಕ ಗುರುತು. ಇದಲ್ಲದೆ, ಇಂತಹ ಇದ್ದವು ಸಹ ಒಂದು ಗುರುತು ಜನರು ಬಹುಶಃ ಸಂಶೋಧಕರು ಸಮೀಕ್ಷೆ ಅದನ್ನು ಒದಗಿಸಲು ಬಂದಿಲ್ಲ ಎಂದು! ಹೆಸರು, ಲಿಂಗ, ಜನ್ಮ ವರ್ಷ, ಮತ್ತು ಮನೆಯ ವಿಳಾಸ: ಹೀಗಾಗಿ, Catalist ಪ್ರತಿ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಬಗೆಗಿನ ನಾಲ್ಕು ತುಣುಕುಗಳು ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಅಪೂರ್ಣ ಗುರುತಿಸುವಿಕೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಪರ್ಕ ಮಾಡಲೇಬೇಕಿತ್ತು. ಉದಾಹರಣೆಗೆ, Catalist ವೇಳೆ CCES ರಲ್ಲಿ Homie ಜೆ ಸಿಂಪ್ಸನ್ ಅವರ ಮಾಸ್ಟರ್ ದಶಮಾಂಶ ಕಡತ ಹೋಮರ್ ಜೇ ಸಿಂಪ್ಸನ್ ಅದೇ ವ್ಯಕ್ತಿ ನಿರ್ಣಯಿಸಬೇಕಾಗಿತ್ತು. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಹೊಂದಾಣಿಕೆಯ ಸಂಶೋಧಕರು ವಿಷಯಗಳನ್ನು ಮತ್ತಷ್ಟು ಮಾಡಲು, ಕಠಿಣ ಮತ್ತು ಗೊಂದಲಮಯ ಪ್ರಕ್ರಿಯೆ, ಮತ್ತು, Catalist ಸ್ವಾಮ್ಯದ ಎಂದು ತನ್ನ ಹೊಂದಾಣಿಕೆಯ ತಂತ್ರವನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಹೊಂದಾಣಿಕೆಯ ಕ್ರಮಾವಳಿಗಳು ಮೌಲ್ಯೀಕರಿಸಲು ಸಲುವಾಗಿ, ಅವರು ಎರಡು ಸವಾಲುಗಳನ್ನು ಅವಲಂಬಿಸಿತ್ತು. ಮೀಟರ್ ಕಾರ್ಪೊರೇಷನ್: ಮೊದಲ, Catalist ಸ್ವತಂತ್ರ, ತೃತೀಯ ನಡೆಸುತ್ತಿದ್ದ ಎಂದು ಒಂದು ಹೊಂದಾಣಿಕೆಯ ಸ್ಪರ್ಧೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿದರು. ಮೀಟರ್ ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಎರಡು ಗದ್ದಲದ ದತ್ತಾಂಶ ಕಡತಗಳನ್ನು ಒದಗಿಸಿದ ದಾಖಲೆಗಳುಸರಿಹೊಂದಿವೆ, ಮತ್ತು ವಿವಿಧ ತಂಡಗಳು ಮೀಟರ್ ಅತ್ಯುತ್ತಮ ಹೊಂದಾಣಿಕೆಯ ಮರಳಲು ಸ್ಪರ್ಧಿಸಿದರು. ಮೀಟರ್ ಸ್ವತಃ ಸರಿಯಾದ ಹೊಂದಾಣಿಕೆಯ ತಿಳಿದಿತ್ತು ಏಕೆಂದರೆ ಅವರು ತಂಡಗಳು ಗಳಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಆಫ್ ಸ್ಪರ್ಧಿಸಿ 40 ಕಂಪನಿಗಳು, Catalist ಎರಡನೇ ಸ್ಥಾನ ಗಳಿಸಿದರು. ಸ್ವಾಮ್ಯದ ತಂತ್ರಜ್ಞಾನ ಸ್ವತಂತ್ರ, ತೃತೀಯ ಮೌಲ್ಯಮಾಪನ ಈ ರೀತಿಯ ವಿರಳವಾಗಿದ್ದವು ಮೀರಿ ಉಪಯುಕ್ತವಾಗುತ್ತದೆ; ಇದು Catalist ನ ಹೊಂದಾಣಿಕೆಯ ವಿಧಾನಗಳು ರಾಜ್ಯದ ಯಾ ಕಲೆ ಮೂಲಭೂತವಾಗಿ ಎಂದು ನಮಗೆ ವಿಶ್ವಾಸ ನೀಡಬೇಕು. ಆದರೆ ರಾಜ್ಯದ ಯಾ ಕಲೆ ಸಾಕಷ್ಟು ಒಳ್ಳೆಯದು? ಈ ಹೊಂದಾಣಿಕೆಯ ಸ್ಪರ್ಧೆಯಲ್ಲಿ ಜೊತೆಗೆ, Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ Catalist ತಮ್ಮದೇ ಆದ ಹೊಂದಾಣಿಕೆಯ ಸವಾಲು ದಾಖಲಿಸಿದವರು. ಹಿಂದಿನ ಯೋಜನೆಯ, Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ಫ್ಲೋರಿಡಾದ ಮತದಾರ ದಾಖಲೆಗಳನ್ನು ಸಂಗ್ರಹವಾಗಿತ್ತು. ಅವರು ತಮ್ಮ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಈ ಜಾಗ ತಮ್ಮ ನೈಜ ಮೌಲ್ಯಗಳಿಗೆ ಗೆ Catalist ವರದಿಗಳು ಹೋಲಿಸಿದರೆ Catalist ಗೆ ಪರಿಷ್ಕರಿಸಿದ ಮತ್ತು ನಂತರ ಕೆಲವು ಈ ದಾಖಲೆಗಳು ಕೆಲವು ಒದಗಿಸಿದ. ಅದೃಷ್ಟವಶಾತ್, Catalist ವರದಿಗಳು Catalist ಅವರ ಮಾಸ್ಟರ್ ಡೇಟಾ ಫೈಲ್ ಮೇಲೆ ಭಾಗಶಃ ಮತದಾರ ದಾಖಲೆಗಳನ್ನು ಪಂದ್ಯದಲ್ಲಿ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ತಡೆಹಿಡಿಯಲಾಯಿತು ಮೌಲ್ಯಗಳು ಆತ್ಮೀಯರು. ಈ ಎರಡು ಸವಾಲುಗಳನ್ನು, ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಮೂಲಕ ಒಂದು ಮತ್ತು Ansolabehere ಮತ್ತು ಹೆರ್ಷ್ ಒಂದು, ನಮಗೆ, Catalist ಹೊಂದಾಣಿಕೆಯ ಕ್ರಮಾವಳಿಗಳು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ನೀಡುತ್ತದೆ ನಾವು ಅವರ ನಿಖರವಾದ ಅನುಷ್ಠಾನ ಪರಿಶೀಲಿಸುವುದಿಲ್ಲ ಸಹ.

ಮತದಾನ ಮೌಲ್ಯೀಕರಿಸಲು ಅನೇಕ ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳು ನಡೆದಿವೆ. ಸಾಹಿತ್ಯ ಒಂದು ಅವಲೋಕನ, ನೋಡಿ Belli et al. (1999) , Berent, Krosnick, and Lupia (2011) , Ansolabehere and Hersh (2012) , ಮತ್ತು Hanmer, Banks, and White (2014) .

ಈ ಸಂದರ್ಭದಲ್ಲಿ ಸಂಶೋಧಕರು Catalist ದತ್ತಾಂಶವನ್ನು ಗುಣಮಟ್ಟ ಪ್ರೋತ್ಸಾಹ ಸಹ, ವಾಣಿಜ್ಯ ಮಾರಾಟಗಾರರು ಇತರ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಕಡಿಮೆ ಉತ್ಸಾಹ ಎಂದು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಸಂಶೋಧಕರು ಕಳಪೆ ಗುಣಮಟ್ಟದ ಕಂಡು ಬಂದಾಗ ಮಾರ್ಕೆಟಿಂಗ್ ಸಿಸ್ಟಮ್ಸ್ ಗ್ರೂಪ್ ಒಂದು ಗ್ರಾಹಕ ಕಡತಕ್ಕೆ ಒಂದು ಸಮೀಕ್ಷೆಯಿಂದ ಮಾಹಿತಿಯನ್ನು (ಸ್ವತಃ ಮೂರು ನೀಡುಗರಿಂದ ಒಟ್ಟಿಗೆ ಮಾಹಿತಿ ವಿಲೀನಗೊಂಡ: Acxiom, ಎಕ್ಸ್ಪೀರಿಯನ್, ಮತ್ತು ಇನ್ಫೋಯುಎಸ್ಎ) (Pasek et al. 2014) . ಈ ಅಂಕಿಅಂಶಗಳ ಸಲ್ಲಿಸಬೇಕು ಸಂಶೋಧಕರು ಸರಿಯಾದ ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ ಎಂದು ಸಮೀಕ್ಷೆ ಪ್ರತಿಸ್ಪಂದನಗಳು ಪಂದ್ಯದಲ್ಲಿ, datafile ಕಾಣೆಯಾಗಿದೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಂದು ದೊಡ್ಡ ಸಂಖ್ಯೆ, ಮತ್ತು ಕಾಣೆಯಾಗಿದೆ ಡೇಟಾ ಮಾದರಿ ದತ್ತಾಂಶ ವರದಿ ಸಮೀಕ್ಷೆ ಮೌಲ್ಯಕ್ಕೆ (ಅಂದರೆ ಕಾಣೆಯಾಗಿದೆ ಡೇಟಾ ವ್ಯವಸ್ಥಿತ ರಲ್ಲಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಎಂದು, ಆಗಿದೆ ಯಾದೃಚ್ಛಿಕ ಅಲ್ಲ).

ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಆಡಳಿತಾತ್ಮಕ ದಶಮಾಂಶ ನಡುವೆ ದಾಖಲೆ ಸಂಪರ್ಕ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ, ನೋಡಿ Sakshaug and Kreuter (2012) ಮತ್ತು Schnell (2013) . ಸಾಮಾನ್ಯವಾಗಿ ದಾಖಲೆ ಸಂಪರ್ಕ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ, ನೋಡಿ Dunn (1946) ಮತ್ತು Fellegi and Sunter (1969) (ಐತಿಹಾಸಿಕ) ಮತ್ತು Larsen and Winkler (2014) (ಆಧುನಿಕ). ಇದೇ ವಿಧಾನಗಳು ಡೇಟಾ ನಕಲೀಕರಣವು ಉದಾಹರಣೆಗೆ ಗುರುತಿಸುವಿಕೆ, ತಾಳೆಯಾಗುವ ಹೆಸರು, ನಕಲಿ ಪತ್ತೆ ಎಂದು ಹೆಸರಿನಡಿಯಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಮತ್ತು ದಾಖಲೆ ಪತ್ತೆ ನಕಲು (Elmagarmid, Ipeirotis, and Verykios 2007) . ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸುವ ಮಾಹಿತಿಯನ್ನು ಪ್ರಸರಣ ಅಗತ್ಯವಿಲ್ಲ ಸಂಪರ್ಕ ರೆಕಾರ್ಡ್ ವಿಧಾನಗಳು ಸಂರಕ್ಷಿಸುವ ಗೌಪ್ಯತೆ ಇವೆ (Schnell 2013) . ಫೇಸ್ಬುಕ್ ಸಂಶೋಧಕರು probabilisticsly ಮತದಾನ ವರ್ತನೆಗೆ ತಮ್ಮ ದಾಖಲೆಗಳನ್ನು ಲಿಂಕ್ ಒಂದು ವಿಧಾನ ಅಭಿವೃದ್ಧಿ (Jones et al. 2013) ; ಈ ಸಂಪರ್ಕ ನಾನು ಅಧ್ಯಾಯ 4 ಬಗ್ಗೆ ಹೇಳುತ್ತೇನೆ ಒಂದು ಪ್ರಯೋಗವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು (Bond et al. 2012) .

ಸರ್ಕಾರದ ಆಡಳಿತಾತ್ಮಕ ದಾಖಲೆಗಳ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಾಮಾಜಿಕ ಸಮೀಕ್ಷೆ ಲಿಂಕ್ ಮತ್ತೊಂದು ಉದಾಹರಣೆಗೆ ಆರೋಗ್ಯ ಮತ್ತು ನಿವೃತ್ತಿ ಸಮೀಕ್ಷೆ ಮತ್ತು ಸಾಮಾಜಿಕ ಭದ್ರತಾ ಆಡಳಿತ ಬರುತ್ತದೆ. ಅಧ್ಯಯನದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ, ಒಪ್ಪಿಗೆ ವಿಧಾನ ಕುರಿತು ಮಾಹಿತಿ, ನೋಡಿ Olson (1996) ಮತ್ತು Olson (1999) .

ಪ್ರಕ್ರಿಯೆ Catalist ಕೆಲವು ರಾಷ್ಟ್ರೀಯ ಸರ್ಕಾರಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಚೇರಿಗಳಲ್ಲಿ ಸಾಮಾನ್ಯ ನೌಕರರು-ಒಂದು ಮಾಸ್ಟರ್ datafile-ಸಂಸ್ಕರಣಕ್ಕೆ ಆಡಳಿತಾತ್ಮಕ ದಾಖಲೆಗಳು ಅನೇಕ ಮೂಲಗಳು ತುಲನೆ. ಅಂಕಿಅಂಶ ಸ್ವೀಡನ್ ಎರಡು ಸಂಶೋಧಕರು ವಿಷಯದ ಮೇಲೆ ವಿವರವಾದ ಪುಸ್ತಕ ಬರೆದಿದ್ದಾರೆ (Wallgren and Wallgren 2007) . (ಒಲ್ಮಸ್ ಕೌಂಟಿ, ಮಿನ್ನೇಸೋಟ; ಮಾಯೊ ಕ್ಲಿನಿಕ್ ಮನೆ) ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಒಂದು ಕೌಂಟಿಯ ಈ ವಿಧಾನಕ್ಕೆ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ, ನೋಡಿ Sauver et al. (2011) . ಆಡಳಿತಾತ್ಮಕ ದಾಖಲೆಗಳನ್ನು ಕಾಣಿಸಿಕೊಳ್ಳಬಹುದು ದೋಷಗಳನ್ನು ಬಗ್ಗೆ ಹೆಚ್ಚಿನ, ನೋಡಿ Groen (2012) .