3.4.3 Non-varbūtība paraugi: paraugs saskaņošana

Ne visi, kas nav varbūtības izlases ir vienādi. Mēs varam pievienot lielāku kontroli uz priekšējā galā.

Pieeja Wang un kolēģi izmanto, lai novērtētu iznākumu 2012. gada ASV prezidenta vēlēšanās atkarīga pilnīgi par uzlabojumiem datu analīzi. Tas ir, viņi savākti tik daudz atbilžu, jo tie varētu un tad mēģināja vēlreiz svaru tiem. Papildinošā stratēģija darbam ar ne-izlasi pēc varbūtības ir vairāk kontrolēt datu vākšanas procesu.

Vienkāršākais piemērs daļēji kontrolētā nav varbūtības izlases process ir kvota izlases, tehnika, kas iet atpakaļ pirmajās dienās apsekojuma pētījumiem. Kvotas paraugus, zinātnieki sadalīt iedzīvotājus dažādās grupās (piemēram, jaunie vīrieši, jaunas sievietes, uc) un pēc tam noteikt kvotas to cilvēku skaits, kas izvēlas katrā grupā. Respondenti tiek izvēlēti nejaušs veidā, kamēr pētnieks ir izpildījis savu kvotu katrā grupā. Sakarā ar kvotu, iegūtais paraugs izskatās vairāk, piemēram, iedzīvotāju mērķa grupā, nekā būtu taisnība citādi, bet tāpēc, ka varbūtības iekļaušanas nav zināmi daudzi zinātnieki ir skeptiski par kvotu paraugus. Patiesībā, kvotu izlase bija iemesls "Dewey Uzvar Trūmena" kļūdu 1948. gada ASV prezidenta vēlēšanām. Jo tas nodrošina zināmu kontroli pār atlases procesā, tomēr, var redzēt, kā kvotu izlase varētu būt dažas priekšrocības salīdzinājumā ar pilnīgi nekontrolētu datu vākšanu.

Virzās ārpus kvotu ņemšanai, vairāk mūsdienu pieejas kontrolē nav varbūtības izlases procesu, tagad ir iespējams. Viena šāda pieeja tiek saukta par paraugu atbilstību, un to izmanto dažu komerciālu tiešsaistes paneļu sniedzējiem. Savā visvienkāršākajā veidā, izlases veidošanas nepieciešamas divas datu avotus: 1) pilnīgu reģistru iedzīvotājiem un 2) lielu paneli brīvprātīgajiem. Ir svarīgi, ka brīvprātīgie nav nepieciešams būt varbūtība paraugu no jebkura iedzīvotājiem; uzsvērt, ka nav prasības atlases INTO paneļa, es aicinu to netīrs panelis. Arī gan iedzīvotāju reģistrs un netīri panelis jāiekļauj kādu papildu informāciju par katru personu, šajā piemērā, es uzskatu, vecuma un dzimuma, bet reāli situācijās šī papildu informācija varētu būt daudz detalizētāks. Parauga saskaņošana Triks ir izvēlēties paraugus no netīru paneļa tādā veidā, kas rada paraugus, kas izskatās kā izlasēm pēc varbūtības.

Paraugu saskaņošana sākas tad, kad simulēta varbūtība paraugu ņem no iedzīvotāju reģistra; Tas simulēta paraugs kļūst par mērķa paraugs. Tad, pamatojoties uz papildu informāciju, gadījumi mērķa paraugā tiek salīdzināti ar cilvēku netīro panelī, lai veidotu saskaņotu paraugu. Piemēram, ja ir 25 gadu veca sieviete mērķa paraugā, tad pētnieks atrod 25 gadu vecs Sieviete no netīro paneļa jābūt saskaņotu paraugā. Visbeidzot, locekļi saskaņota parauga intervēti, lai iegūtu galīgo kopumu respondentu.

Pat ja saskaņota parauga izskatās mērķa paraugā, ir svarīgi atcerēties, ka saskaņota paraugs nav varbūtība paraugs. Pagatavo paraugus var tikai saskaņot mērķa paraugu uz zināmo papildu informāciju (piemēram, vecuma un dzimuma), bet ne par nenomērīto īpašībām. Piemēram, ja cilvēki uz netīro paneļa mēdz būt sliktāka, galu galā, viens iemesls, lai pievienotos aptauja panelis ir nopelnīt naudu, tad, pat ja saskaņota paraugs izskatās mērķa parauga ziņā vecuma un dzimuma tas joprojām būs slīpo uz nabadzīgo cilvēku. Par patieso izlasi pēc varbūtības maģija ir, lai izslēgtu problēmas gan izmērīto un nenomērīto īpašībām (punktu, kas ir saskaņā ar mūsu diskusiju par atbilstīgiem par cēlonisko secinājumu no novērojumu 2. nodaļā).

Praksē izlases saskaņošana ir atkarīga no tā liela un daudzveidīga panelis vēlēties aizpildīt aptaujas, un līdz ar to galvenokārt veic uzņēmumi, kas var atļauties, lai attīstītu un uzturētu šādu paneli. Arī praksē, var būt problēmas ar saskaņošanu (dažreiz labu spēli, lai kāds mērķa paraugā neeksistē uz paneļa) un atbilžu (dažreiz cilvēki saskaņota parauga atsakās piedalīties aptaujā). Tādēļ praksē, pētnieki dara paraugu atbilstību veikt arī kādu pēc stratifikācijas korekcijas veikt aprēķinus.

Ir grūti sniegt noderīgus teorētiskus garantijas par parauga atbilstību, bet praksē tā var veikt labi. Piemēram, Stephen Ansolabehere un Brian Schaffner (2014) , salīdzinot trīs paralēlas aptaujas apmēram 1000 cilvēku, kas veikti 2010. gadā, izmantojot trīs dažādas paraugu ņemšanu un intervējot metodes: pasts, telefons un interneta panelis, izmantojot paraugu saskaņošana un pēc stratifikācijas korekciju. Aplēses no trim pieejām bija diezgan līdzīga aplēsēm augstas kvalitātes kritērijus, piemēram, Norēķinu Iedzīvotāju apsekojuma (SN) un Nacionālā veselības aptauju apsekojums (NHIS). Precīzāk, gan interneta un pasta aptaujas bija off vidēji par 3 procentpunktiem un tālrunis aptauja bija off par 4 procentu punktiem. Kļūdas šis lieli ir apmēram tas, ko varētu gaidīt no paraugiem apmēram 1000 cilvēku. Lai gan neviens no šiem režīmiem ražotu ievērojami labāki dati, gan interneta un tālruņa aptauja (kas notika dienas vai nedēļas), ievērojami ātrāk tiktu laukā nekā pasta aptaujas (kas notika astoņi mēneši), un interneta aptauju, kurā izmanto paraugu atbilstību, bija lētāks nekā citiem diviem režīmiem.

Noslēgumā, sociālie zinātnieki un statistiķiem ir neticami skeptiski secinājumus no šiem nav izlasēm pēc varbūtības, daļēji tāpēc, ka tās ir saistītas ar kādu mulsinošu neveiksmes apsekojuma pētījumiem, piemēram, Literary Digest aptaujā. Daļēji es piekrītu šim skepsi: neizlīdzināti nav varbūtības izlases varētu ražot slikti aplēses. Tomēr, ja pētnieki var pielāgot, lai noviržu izlases procesā (piemēram, pēc stratifikācijas) vai kontrolē atlases procesu nedaudz (piemēram, paraugu saskaņošana), tie var radīt labākus novērtējumus, un pat aplēses par pietiekami kvalitatīvi vairumam mērķiem. Protams, tas būtu labāk darīt perfekti izpilda varbūtības izlasi, bet tas vairs, šķiet, ir reāls variants.

Abi nav varbūtība paraugi un varbūtības izlases atšķiras to kvalitāti, un šobrīd tas ir iespējams, tā, ka lielākā daļa aprēķini no izlasēm pēc varbūtības ir daudz uzticamāka nekā aplēsēm nav izlasēm pēc varbūtības. Bet, pat tagad, aprēķini, veicot atbilstīgus nav izlasēm pēc varbūtības, iespējams, labāk nekā aplēsēm slikti veikto izlasēm pēc varbūtības. Turklāt nav varbūtība paraugi ir ievērojami lētāka. Tādējādi, šķiet, ka varbūtība vs non-izlasi pēc varbūtības piedāvā izmaksu kvalitātes kompromisu (3.6 attēls). Raugoties uz priekšu, es ceru, ka aprēķini no labi darīts bez izlasēm pēc varbūtības kļūs lētākas un labāk. Turklāt, jo sadalījumu fiksētā tīkla telefona aptaujas un palielinot likmes atbilžu, es ceru, ka varbūtība paraugi kļūs dārgāki un zemākas kvalitātes. Sakarā ar šiem ilgtermiņa tendencēm, es domāju, ka nav varbūtība izlases kļūs aizvien nozīmīgāka trešajā laikmetā apsekojuma pētījumiem.

3.6 attēls: varbūtība izlases praksē un nav varbūtības izlase ir gan lieli, heterogēnas kategorijas. Kopumā, ir izmaksu kļūda kompromiss ar non-varbūtību izlases ir zemākas izmaksas, bet augstākas kļūda. Tomēr labi darīts bez iespējamības izlases var radīt labākus novērtējumus nekā slikti darīts izlasi pēc varbūtības. Nākotnē, es ceru, ka nav varbūtība izlases kļūs labāk un lētāk, bet varbūtība izlases pasliktināsies un dārgāks.

3.6 attēls: varbūtība izlases praksē un nav varbūtības izlase ir gan lieli, heterogēnas kategorijas. Kopumā, ir izmaksu kļūda kompromiss ar non-varbūtību izlases ir zemākas izmaksas, bet augstākas kļūda. Tomēr labi darīts bez iespējamības izlases var radīt labākus novērtējumus nekā slikti darīts izlasi pēc varbūtības. Nākotnē, es ceru, ka nav varbūtība izlases kļūs labāk un lētāk, bet varbūtība izlases pasliktināsies un dārgāks.