3.3.1 ಪ್ರಾತಿನಿಧ್ಯ

ಪ್ರಾತಿನಿಧ್ಯದ ನಿಮ್ಮ ಗುರಿ ಜನಸಂಖ್ಯೆಗೆ ನಿಮ್ಮ ಸ್ಪಂದಿಸಿದವರು ತೀರ್ಮಾನಗಳನ್ನು ಮಾಡುವ ಬಗ್ಗೆ.

ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಗೆ ಸ್ಪಂದಿಸಿದವರು ನಿರ್ಣಯಿಸುವ ಯಾವಾಗ ಸಂಭವಿಸಬಹುದು ಎಂದು ದೋಷಗಳನ್ನು ರೀತಿಯ ಅರ್ಥ ಸಲುವಾಗಿ, 1936 ರ ಅಮೇರಿಕಾದ ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಯ ಫಲಿತಾಂಶವು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಹುಲ್ಲು ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಪರಿಗಣಿಸೋಣ. ಇದು 75 ವರ್ಷ ಹಿಂದೆ ಇದ್ದರೂ, ಈ ಪತನದಲ್ಲಿ ಇಂದಿಗೂ ಸಂಶೋಧಕರು ಕಲಿಸಲು ಪ್ರಮುಖ ಪಾಠ ಹೊಂದಿದೆ.

ಸಾಹಿತ್ಯ ಡೈಜೆಸ್ಟ್ ಜನಪ್ರಿಯ ಸಾಮಾನ್ಯ-ಆಸಕ್ತಿಯ ಪತ್ರಿಕೆ, ಮತ್ತು 1920 ರಲ್ಲಿ ಆರಂಭಿಸಿ ಅವರು ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಗಳು ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸಲು ಪೋಲ್ ಪ್ರದರ್ಶಿಸಲು ಆರಂಭಿಸಿತು. ಈ ಭವಿಷ್ಯವನ್ನು ಮಾಡಲು ಅವರು ಕೇವಲ ಜನರು ಸಾಕಷ್ಟು ಮತಪತ್ರಗಳನ್ನು ಕಳುಹಿಸಲು ಎಂದು, ಮತ್ತು ಆ ಮರಳಿದವು ಮತಪತ್ರಗಳನ್ನು ಅಪ್ ಮಾರುಕಟ್ಟೆಗೆ; ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಹೆಮ್ಮೆಯಿಂದ ಅವರು ಸ್ವೀಕರಿಸಿದ ಮತಪತ್ರಗಳನ್ನು ಆಗಲಿ "., ತೂಕದ ಸರಿಪಡಿಸಲಾಯಿತು, ಅಥವಾ ತಿಳಿಯುತ್ತದೆ" ಈ ಪ್ರಕ್ರಿಯೆಯು ಸರಿಯಾಗಿ ವಿಜೇತ ಭವಿಷ್ಯ ಎಂದು ವರದಿ 1920, 1924, 1928 ಮತ್ತು 1932 1936 ರಲ್ಲಿ ಚುನಾವಣೆಗಳ ಮಹಾ ಆರ್ಥಿಕ ನಡುವೆಯೂ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಔಟ್ ಮತಪತ್ರಕ್ಕೆ 10 ದಶಲಕ್ಷ ಜನರು, ಅವರ ಹೆಸರುಗಳು ಪ್ರಮುಖವಾಗಿ ದೂರವಾಣಿ ಕೋಶಗಳು ಮತ್ತು ವಾಹನ ನೋಂದಣಿ ದಾಖಲೆಗಳನ್ನು ಬಂದ ಕಳುಹಿಸಲಾಗಿದೆ. ಇಲ್ಲಿ ಅವರು ತಮ್ಮ ವಿಧಾನ ವಿವರಿಸಲಾಗಿದೆ ಹೇಗೆ:

"ಮೂವತ್ತು ವರ್ಷಗಳ ಅನುಭವದ ಸ್ವಿಫ್ಟ್ ನಿಖರತೆಯೊಂದಿಗೆ ಡೈಜೆಸ್ಟ್ ನೀಡಿರುವ ಸರಾಗ ಚಾಲನೆಯಲ್ಲಿರುವ ಯಂತ್ರ ಚಲಿಸುತ್ತದೆ ಹಾರ್ಡ್ ಫ್ಯಾಕ್ಟ್ಸ್ ಊಹೆಯ ಕಡಿಮೆ. . . ಈ ವಾರ 500 ಪೆನ್ನುಗಳು ಒಂದು ದಿನ ಒಂದು ಮಿಲಿಯನ್ ವಿಳಾಸಗಳನ್ನು ಕಾಲು ಹೆಚ್ಚು ಔಟ್ ಹಿಂತೆಗೆದುಕೊಳ್ಳಲಾಯಿತು. ಪ್ರತಿ ದಿನ, ನ್ಯೂಯಾರ್ಕ್ ಮೋಟಾರ್ ribboned FOURTH AVENUE ಮೇಲೆ ಹೆಚ್ಚಿನ ಒಂದು ದೊಡ್ಡ ಕೋಣೆಯಲ್ಲಿ, 400 ಕೆಲಸಗಾರರು ಚತುರವಾಗಿ ಸಾಕಾಗುವಷ್ಟು ವಸ್ತುಗಳನ್ನು-ನಲವತ್ತು ನಗರ ಬ್ಲಾಕುಗಳುದ್ದಕ್ಕೂ ಒಳಗೆ ಉದ್ದೇಶಿಸಿ ಸುತ್ತುವರಿದು [ಇಂತು] ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಮುದ್ರಿತ ಒಂದು ಮಿಲಿಯನ್ ತುಣುಕುಗಳನ್ನು ಸ್ಲೈಡ್. ಪ್ರತಿ ಗಂಟೆ, ಡೈಜೆಸ್ಟ್ ನೀಡಿರುವ ಸ್ವಂತ ಪೋಸ್ಟ್ ಆಫೀಸ್ ಸಬ್ಸ್ಟೇಷನ್ ಮೂರು chattering ಅಂಚೆ ಮಾಪಕ ಯಂತ್ರಗಳನ್ನು ಮೊಹರು ಮತ್ತು ಬಿಳಿ oblongs ಮುದ್ರೆಯೊತ್ತಲಾಗಿತ್ತು; ನುರಿತ ಅಂಚೆ ನೌಕರರು mailsacks ಉಬ್ಬುವ ಅವುಗಳನ್ನು ಹಿಮ್ಮೊಗ; ಫ್ಲೀಟ್ ಡೈಜೆಸ್ಟ್ ಟ್ರಕ್ಗಳು ​​ಅವುಗಳನ್ನು ಮೇಲ್ ರೈಲುಗಳಾಗಿದ್ದು ವ್ಯಕ್ತಪಡಿಸಲು ವೇಗವಾಗಿ ನಿರ್ವಹಿಸುತ್ತಿದೆ. . . ಮುಂದಿನ ವಾರ, ಈ ಹತ್ತು ಮಿಲಿಯನ್ ಮೊದಲ ಉತ್ತರಗಳನ್ನು ಗುರುತು ಮತಪತ್ರಗಳನ್ನು ಒಳಬರುವ ಅಲೆಯನ್ನು ಆರಂಭಿಸಲು ಮೂರು ಪರೀಕ್ಷಿಸಿದ್ದು, ಅಡ್ಡ ವರ್ಗೀಕೃತ-ಐದು ಬಾರಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ ಮತ್ತು ನೀಡಿತು ಎಂದು ಕಾಣಿಸುತ್ತದೆ. ಕಳೆದ ಫಿಗರ್ totted ಮಾಡಿದಾಗ ಮತ್ತು ಪರೀಕ್ಷಿಸಿದ್ದು, ಹಿಂದಿನ ಅನುಭವದ ಒಂದು ಮಾನದಂಡವಾಗಿ ವೇಳೆ, ದೇಶದ 1 ಶೇಕಡಾ ನಲವತ್ತು ಮಿಲಿಯನ್ [ಮತದಾರರು] ನಿಜವಾದ ಜನಪ್ರಿಯ ಮತ ಭಾಗವನ್ನು ಒಳಗೆ ತಿಳಿಯುವುದಿಲ್ಲ. "(ಆಗಸ್ಟ್ 22, 1936)

ಗಾತ್ರದ ಡೈಜೆಸ್ಟ್ ನೀಡಿರುವ fetishization ಇಂದು ಯಾವುದೇ "ದೊಡ್ಡ ದಶಮಾಂಶ" ಸಂಶೋಧಕ ತಕ್ಷಣ ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ. 10 ಮಿಲಿಯನ್ ಮತಪತ್ರಗಳನ್ನು ವಿತರಣೆ, ಅದ್ಭುತ 2.4 ಮಿಲಿಯನ್ ಮತಪತ್ರಗಳನ್ನು ಮರಳಿದರು-ಹೊರಿಸಲಾಯಿತು ಸುಮಾರು ಇಂದಿನ ರಾಜಕೀಯ ಚುನಾವಣೆ 1,000 ಬಾರಿ ದೊಡ್ಡ ಇಲ್ಲಿದೆ. ಈ 2.4 ಮಿಲಿಯನ್ ಸ್ಪಂದಿಸಿದವರು ತೀರ್ಪು ಸ್ಪಷ್ಟವಾಗಿತ್ತು: ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಚಾಲೆಂಜರ್ ಆಲ್ಫ್ Landon ಅಧಿಕಾರದಲ್ಲಿದ್ದ ಫ್ರ್ಯಾಂಕ್ಲಿನ್ ರೂಸ್ವೆಲ್ಟ್ ಸೋಲಿಸಲು ಅವರಿಗೆ ಆ ಭವಿಷ್ಯ. ಆದರೆ, ವಾಸ್ತವವಾಗಿ, ನಿಖರವಾದ ವಿರುದ್ಧ ಸಂಭವಿಸಿದ. ರೂಸ್ವೆಲ್ಟ್ ಭೂಕುಸಿತ ರಲ್ಲಿ Landon ಸೋಲಿಸಿದರು. ಹೇಗೆ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ತುಂಬಾ ದತ್ತಾಂಶ ತಪ್ಪಾಗಬಹುದು? ಮಾದರಿ ನಮ್ಮ ಆಧುನಿಕ ಜ್ಞಾನ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ತಪ್ಪುಗಳು ಸ್ಪಷ್ಟ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಮಗೆ ಭವಿಷ್ಯದಲ್ಲಿ ಇದೇ ದೋಷಗಳನ್ನು ಮಾಡುವ ತಪ್ಪಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಮಾದರಿ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಯೋಚಿಸಲು ಜನರ ನಾಲ್ಕು ವಿವಿಧ ಗುಂಪುಗಳು (ಚಿತ್ರ 3.1) ಪರಿಗಣಿಸಲು ಅಗತ್ಯವಿದೆ. ಮೊದಲ ಗುಂಪಿನ ಗುರಿ ಜನಸಂಖ್ಯೆಯೇ; ಈ ಸಂಶೋಧನಾ ಆಸಕ್ತಿಯ ಜನಸಂಖ್ಯೆಯು ವರ್ಣಿಸಬಹುದು ಗುಂಪು. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಂದರ್ಭದಲ್ಲಿ ಗುರಿ ಜನಸಂಖ್ಯೆ 1936 ಅಧ್ಯಕ್ಷೀಯ ಚುನಾವಣೆಯಲ್ಲಿ ಮತದಾರರು ಆಗಿತ್ತು. ಗುರಿಯನ್ನು ಜನಸಂಖ್ಯೆಯ ನಿಶ್ಚಯಿಸಿ, ಸಂಶೋಧಕರು ಮುಂದಿನ ಮಾಡಬಹುದಾದ ಮಾದರಿ ಬಳಸಲಾಗುತ್ತದೆ ಜನರ ಪಟ್ಟಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅಗತ್ಯವಿದೆ. ಈ ಪಟ್ಟಿಯು ಒಂದು ನಮೂನೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ನಮೂನೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಜನಸಂಖ್ಯೆಯ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ಕರೆಯಲಾಗುತ್ತದೆ. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಂದರ್ಭದಲ್ಲಿ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ಅವರ ಹೆಸರುಗಳು ದೂರವಾಣಿ ಕೋಶಗಳು ಮತ್ತು ವಾಹನ ನೋಂದಣಿ ದಾಖಲೆಗಳಿಂದ ಪ್ರಮುಖವಾಗಿ ಬಂದು 10 ಮಿಲಿಯನ್ ಜನರು. ತಾತ್ತ್ವಿಕವಾಗಿ ಗುರಿ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ಒಂದೇ, ಆದರೆ ಆಚರಣೆಯಲ್ಲಿ ಈ ಬಾರಿ ನಿಜವಲ್ಲ ಎಂದು. ಗುರಿ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ವ್ಯಾಪ್ತಿ ದೋಷ ಕರೆಯಲಾಗುತ್ತದೆ. ವ್ಯಾಪ್ತಿ ದೋಷ ಇಲ್ಲ, ಸ್ವತಃ ಸಮಸ್ಯೆಗಳನ್ನು ಖಾತರಿ. ಆದರೆ, ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಜನರು ಜನರಿಂದ ವ್ಯವಸ್ಥಿತವಾಗಿ ಭಿನ್ನವಾಗಿರುತ್ತವೆ ವೇಳೆ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ವ್ಯಾಪ್ತಿ ಪಕ್ಷಪಾತ ಇರುತ್ತದೆ. ವ್ಯಾಪ್ತಿ ದೋಷ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆ ಜೊತೆ ಪ್ರಮುಖ ನ್ಯೂನತೆಗಳನ್ನು ಮೊದಲನೆಯದಾಗಿದೆ. ಅವರು ಮತದಾರರು ಆ ಬಗ್ಗೆ ತಿಳಿಯಲು ಬೇಕಾಗಿದ್ದಾರೆ ತಮ್ಮ ಗುರಿಯನ್ನು ಜನಸಂಖ್ಯೆ ಆದರೆ ಅತಿ ಪ್ರಬಲವಾದ ಅವರು ದೂರವಾಣಿ ಕೋಶಗಳು ಮತ್ತು ವಾಹನ ದಾಖಲಾಗಿದ್ದರೆ, ಮೂಲಗಳಿಂದ ಪ್ರಮುಖವಾಗಿ ಒಂದು ನಮೂನೆಯ ಚೌಕಟ್ಟಿನಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ ಶ್ರೀಮಂತ ಈ ತಂತ್ರಜ್ಞಾನಗಳ ಎರಡೂ ಆಲ್ಫ್ Landon (ಮರುಸ್ಥಾಪನೆ ಬೆಂಬಲಿಸಲು ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಅಮೆರಿಕನ್ನರು, ಇದು ಸಾಮಾನ್ಯವಾದ ಇಂದು ಸಮಯದಲ್ಲಿ ಮತ್ತು ಅಮೇರಿಕಾದ ಗ್ರೇಟ್ ಡಿಪ್ರೆಶನ್ನ ತೊಡಗಿತ್ತು ಎಂದು) ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸಬರು.

ಪ್ರಾತಿನಿಧ್ಯ ದೋಷಗಳನ್ನು 3.1 ಲೆಕ್ಕಾಚಾರ.

ಪ್ರಾತಿನಿಧ್ಯ ದೋಷಗಳನ್ನು 3.1 ಲೆಕ್ಕಾಚಾರ.

ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ವಿವರಿಸುವ ನಂತರ, ಮುಂದಿನ ಹಂತದ ಜನಸಂಖ್ಯೆಯ ಜನಗಣತಿಯ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಸಂಶೋಧಕರು ಆಗಿದೆ; ಈ ಸಂಶೋಧಕ ಸಂದರ್ಶಿಸಿ ಪ್ರಯತ್ನಿಸುತ್ತದೆ ಜನರು. ಮಾದರಿ ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆ ಭಿನ್ನವಾಗಿದೆ ವೇಳೆ, ನಂತರ ನಾವು ಮಾದರಿ ದೋಷ ಪರಿಚಯಿಸುತ್ತದೆ. ಈ ದೋಷ ರೀತಿಯ ದೋಷ ಅಂಚಿನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಅಂದಾಜು ಜೊತೆಗೆ ರಲ್ಲಿ ಅಳತೆ ಆಗಿದೆ. ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಅಧ್ವಾನಗಳು ಸಂದರ್ಭದಲ್ಲಿ, ಅಲ್ಲಿ ವಾಸ್ತವವಾಗಿ ಯಾವುದೇ ಮಾದರಿ ಆಗಿತ್ತು; ಅವರು ಫ್ರೇಮ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಎಲ್ಲರೂ ಸಂಪರ್ಕಿಸಲು ಪ್ರಯತ್ನಿಸಿದರು. ಯಾವುದೇ ಮಾದರಿ ದೋಷವಿತ್ತು ಸಹ, ಸ್ಪಷ್ಟವಾಗಿ ಇನ್ನೂ ತಪ್ಪು. ಈ ತಿಳಿಗೊಳಿಸುವ ದೋಷಗಳನ್ನು ಅಂಚಿನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಸಮೀಕ್ಷೆಗಳಿಂದ ಅಂದಾಜು ವರದಿ ಎಂದು ಸಾಮಾನ್ಯವಾಗಿ ಹಾದಿತಪ್ಪಿಸುವ ಚಿಕ್ಕದಾಗಿರುವ; ಅವರು ದೋಷ ಎಲ್ಲಾ ಮೂಲಗಳಿಂದ ಒಳಗೊಂಡಿಲ್ಲ.

ಅಂತಿಮವಾಗಿ, ಸಂಶೋಧಕರು ಜನಸಂಖ್ಯೆಯ ಜನಗಣತಿಯ ಮಾದರಿಯನ್ನು ಎಲ್ಲರೂ ಸಂದರ್ಶಿಸಿ ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಯಶಸ್ವಿಯಾಗಿ ಸಂದರ್ಶನ ಆ ಜನರು ಪ್ರತಿಕ್ರಿಯೆ ಕರೆಯಲಾಗುತ್ತದೆ. ತಾತ್ತ್ವಿಕವಾಗಿ, ಮಾದರಿ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಕರಾರುವಕ್ಕಾಗಿ, ಆದರೆ ಆಚರಣೆಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆ ಅಲ್ಲದ ಇರುವುದಿಲ್ಲ. ನಮೂನೆಗಳಲ್ಲಿ ಆಯ್ಕೆಯಾಗುವ ಜನರು ಭಾಗವಹಿಸಲು ನಿರಾಕರಿಸಬಹುದು, ಆಗಿದೆ. ಪ್ರತಿಕ್ರಿಯೆ ಜನರಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸದಂತಹ ವಿಭಿನ್ನವಾಗಿವೆ, ಆಗ ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆಯ ಸೂಕ್ತತೆ ಮಾಡಬಹುದು. ಅಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆಯ ಸೂಕ್ತತೆ ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಎರಡನೇ ಮುಖ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಒಂದು ಮತಪತ್ರದ ಸ್ವೀಕರಿಸಿದ ಜನರು ಕೇವಲ 24% ಪ್ರತಿಕ್ರಿಯೆ, ಮತ್ತು ಇದು Landon ಬೆಂಬಲಿಸಿದ ಜನರು ಪ್ರತಿಕ್ರಿಯಿಸಲು ಹೆಚ್ಚು ಎಂದು ಬದಲಾದ.

ಕೇವಲ ಪ್ರಾತಿನಿಧ್ಯ ವಿಚಾರಗಳನ್ನು ಪರಿಚಯಿಸಲು ಉದಾಹರಣೆ ಎಂದು ಮೀರಿ, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಅವ್ಯವಸ್ಥಿತ ಮಾದರಿ ಅಪಾಯಗಳ ಬಗ್ಗೆ ಸಂಶೋಧಕರು ಎಚ್ಚರಿಸಲು, ಒಂದು ಹಲವುಬಾರಿ-ಪುನರಾವರ್ತಿತ ಉಪಮೆ ಇದು. ದುರದೃಷ್ಟವಶಾತ್, ನಾನು ಅನೇಕ ಜನರು ಈ ಕಥೆಯ ಸೆಳೆಯಲು ಪಾಠ ತಪ್ಪು ಎಂದು ಭಾವಿಸುತ್ತೇನೆ. ಕಥೆಯ ಸಾಮಾನ್ಯ ನೈತಿಕ ಸಂಶೋಧಕರು (ಭಾಗವಹಿಸುವವರು ಆಯ್ಕೆ ಕಟ್ಟುನಿಟ್ಟಾದ ಸಂಭವನೀಯತೆ ಆಧಾರಿತ ನಿಯಮಗಳು ಇಲ್ಲದೆ ಅಂದರೆ ನಮೂನೆಗಳನ್ನು) ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಸ್ಯಾಂಪಲ್ಗಳಿಂದ ಏನು ತಿಳಿಯಲು ಮಾಡುತ್ತದೆ. ಆದರೆ, ನಾನು ನಂತರ ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ತೋರುವಿರಿ ಎಂದು ಸಾಕಷ್ಟು ಸರಿ. ಬದಲಿಗೆ, ನಾನು ಈ ಕಥೆಯ ಎರಡು ನೀತಿಗಳು ನಿಜವಾಗಿಯೂ ಭಾವಿಸುತ್ತೇನೆ; ಅವರು 1936 ಮೊದಲ ಇದ್ದುದರಿಂದ ಇಂದು ನಿಜವಾಗಿದೆ ನೀತಿಗಳು ಅವ್ಯವಸ್ಥಿತವಾಗಿ ಸಂಗ್ರಹಿಸಿದ ದತ್ತಾಂಶದ ಒಂದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉತ್ತಮ ಅಂದಾಜು ಖಾತರಿ ಸಾಧ್ಯವಿಲ್ಲ. ಎರಡನೇ, ಸಂಶೋಧಕರು ಅವರು ಅಂದಾಜಿನ ಮಾಡುತ್ತಿದ್ದಾರೆ ಅವರ ಅಂಕಿ ಅಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ಹೇಗೆ ಹೊಂದಿರುವ ಅಗತ್ಯವಿದೆ. ಅರ್ಥಾತ್, ಲಿಟರರಿ ಡೈಜೆಸ್ಟ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಪ್ರಕ್ರಿಯೆ ವ್ಯವಸ್ಥಿತವಾಗಿ ಕೆಲವು ಪ್ರತಿಕ್ರಿಯೆ ಕಡೆಗೆ ಕಡಿಮೆಯಾಗಿದೆ ಏಕೆಂದರೆ, ಸಂಶೋಧಕರು ಇತರರು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಅಂದಾಜು ಪ್ರಕ್ರಿಯೆಯ ಎಂದು ತೂಕ ಕೆಲವು ಪ್ರತಿಕ್ರಿಯೆ ಹೆಚ್ಚು ಬಳಸಬೇಕಾಗುತ್ತದೆ. ನಂತರ ಈ ಅಧ್ಯಾಯದಲ್ಲಿ, ನಾನು ಶ್ರೇಣೀಕರಣದ ವಿಧಾನ ನಂತರದ ಇಂತಹ ಒಂದು ಸಮತೋಲನದ ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳೊಂದಿಗೆ ಉತ್ತಮ ಅಂದಾಜುಗಳು ಮಾಡಲು ನೀವು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು ತೋರುವಿರಿ.