3.3 전 조사 오류 워크

총 조사 오류 = 표현 오류 + 측정 오류.

견본 조사에서 오는 견적은 종종 불완전합니다. 즉, 일반적으로 표본 조사 (예 : 학교의 평균 학생 평균 추정치)와 실제 인구 (예 : 학교의 평균 학생 높이) 간의 차이가 있습니다. 때로는 이러한 오류가 너무 작아 중요하지 않지만 때로는 불행히도 커다란 결과를 초래할 수 있습니다. 연구자들은 오류를 이해하고 측정하고 줄이기 위해 샘플 조사에서 발생할 수있는 오류에 대한 전체 개념 오류 프레임 워크 (Groves and Lyberg 2010) 점차적으로 단일 개념으로 구성했습니다. 이 프레임 워크의 개발은 1940 년대에 시작되었지만 디지털 시대의 조사 연구에 도움이되는 두 가지 아이디어를 제공한다고 생각합니다.

첫째, 총 조사 오류 프레임 워크는 편향분산 이라는 두 가지 유형의 오류가 있음을 분명히합니다. 대략적으로 바이어스는 체계적인 오차이고 분산은 임의의 오차이다. 즉, 동일한 샘플 설문 조사를 1,000 번 반복 한 다음 1,000 번 복제본의 추정치 분포를 살펴 봅니다. 바이어스는 이러한 반복 견적의 평균과 참값의 차이입니다. 분산은 이러한 추정치의 변동성입니다. 다른 모든 것이 평등하다면 편향이없고 편차가 적은 절차를 원할 것입니다. 불행하게도 많은 실제 문제에 대해 이러한 편견없는 작은 분산 절차가 존재하지 않아 연구자가 편향과 분산에 의해 도입 된 문제의 균형을 잡는 방법을 결정하기 어려운 위치에 놓이게됩니다. 일부 연구자는 본능적으로 편견없는 절차를 선호하지만 편견에 집중하는 것은 실수 일 수 있습니다. 목표가 진실에 가능한 한 가깝게 (예 : 가능한 가장 작은 오류로) 추정값을 산출하는 것이라면, 편차가 작고 편차가 작은 프로 시저를 사용하는 것이 좋습니다. (그림 3.1). 즉, 전체 조사 오류 프레임 워크는 조사 연구 절차를 평가할 때 편향과 분산을 모두 고려해야 함을 나타냅니다.

그림 3.1 : 편향과 분산. 이상적으로는 연구자는 편견이없고 분산이 낮을 것으로 추정됩니다. 실제로 그들은 편향과 분산 사이의 균형을 만드는 결정을 내려야합니다. 일부 연구자들은 본 편향적 절차를 본능적으로 선호하지만 때로는 작은 편견, 작은 편차 절차가 분산이 높은 편향 절차보다 더 정확한 추정치를 산출 할 수 있습니다.

그림 3.1 : 편향과 분산. 이상적으로는 연구자는 편견이없고 분산이 낮을 것으로 추정됩니다. 실제로 그들은 편향과 분산 사이의 균형을 만드는 결정을 내려야합니다. 일부 연구자들은 본 편향적 절차를 본능적으로 선호하지만 때로는 작은 편견, 작은 편차 절차가 분산이 높은 편향 절차보다 더 정확한 추정치를 산출 할 수 있습니다.

이 장의 많은 부분을 구성 할 총 조사 오류 프레임 워크에서 두 번째 주요 통찰력은 오류의 두 가지 원인, 즉 대화하는 사람과 관련된 문제 ( 표현 ) 및 대화에서 얻은 내용과 관련된 문제 ( 측정 ). 예를 들어, 프랑스에 거주하는 성인의 온라인 개인 정보에 대한 태도를 추정하는 데 관심이있을 수 있습니다. 이러한 견적을 작성하려면 두 가지 유형의 추론이 필요합니다. 첫째, 응답자가주는 대답에서 온라인 개인 정보 (측정의 문제)에 대한 태도를 추론해야합니다. 둘째, 응답자들 사이의 유추 된 태도에서, 당신은 전체로서 태도를 추론해야합니다 (이것은 표현의 문제입니다). 나쁜 설문 질문을 포함한 완벽한 샘플링은 완벽한 설문 질문을 포함한 나쁜 샘플링과 마찬가지로 나쁜 예측을 산출합니다. 즉, 좋은 추정치는 측정 표현에 대한 건전한 접근법을 필요로합니다. 그 배경을 감안할 때, 조사 연구원이 과거의 표현과 측정에 대해 어떻게 생각했는지 검토 할 것입니다. 그런 다음 표현과 측정에 대한 아이디어가 디지털 시대 조사 연구를 안내 할 수있는 방법을 보여 드리겠습니다.