3.3 മൊത്തം സർവേ പിശക് ചട്ടക്കൂട്

ആകെ സർവേ പിശക് = പ്രാതിനിധ്യം പിശകുകൾ + അളക്കൽ പിശകുകൾ.

സാമ്പിൾ സർവേകളിൽ നിന്ന് വരുന്ന മൂല്യങ്ങൾ പലപ്പോഴും അപൂർണ്ണമാണ്. അതായത്, ഒരു സാമ്പിൾ സർവ്വെ (ഉദാ: ഒരു സ്കൂളിലെ വിദ്യാർത്ഥികളുടെ ശരാശരി ഉയരം), ജനസംഖ്യയിലെ യഥാർത്ഥ മൂല്യം (ഉദാ: ഒരു സ്കൂളിലെ വിദ്യാർത്ഥികളുടെ ശരാശരി ഉയരം) എന്നിവയിൽ നിന്നും ലഭിച്ച വ്യത്യാസങ്ങൾ തമ്മിൽ വ്യത്യാസമുണ്ട്. ചിലപ്പോൾ ഈ പിശകുകൾ വളരെ ചെറുതല്ല, പക്ഷേ ചിലപ്പോൾ നിർഭാഗ്യവശാൽ അവർ വലിയതും പരിണാമവും ആകാം. പഠനത്തിനും അളക്കലിനും പിഴവുകൾ കുറയ്ക്കാനുമുള്ള ഒരു ശ്രമത്തിൽ, സാമ്പിൾ സർവേകളിൽ (Groves and Lyberg 2010) പിശകുകൾക്കായി ഗവേഷകർ ഒരു ഒറ്റയൊറ്റ സർഗാത്മക ചട്ടക്കൂട് നിർമ്മിച്ചു: മൊത്തം സർവ്വെ തെറ്റ് ചട്ടക്കൂട് (Groves and Lyberg 2010) . ഈ ചട്ടക്കൂട് വികസനം 1940 കളിൽ ആരംഭിച്ചുവെങ്കിലും, ഡിജിറ്റൽ യുഗത്തിൽ നടത്തിയ സർവേ ഗവേഷണത്തിനായി രണ്ട് സഹായകരമായ ആശയങ്ങൾ നമുക്ക് നൽകുന്നു.

ഒന്നാമതായി, രണ്ട് തരം പിശകുകളുണ്ടെന്ന് ആകെ സർവെ തെറ്റായ ചട്ടക്കൂട് വ്യക്തമാക്കുന്നു: പക്ഷപാതവും വ്യത്യാസവും . ചുരുക്കമായി, പക്ഷപാതിത്വ വ്യവസ്ഥാപരമായ പിശകുകളും വ്യത്യാസങ്ങളും ക്രമരഹിതമായ പിശകാണ്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒരേ സാമ്പിൾ സർവ്വേയുടെ 1,000 റീപ്രിക്സുകൾ പ്രവർത്തിപ്പിക്കുകയും സങ്കൽപ്പിക്കുക, ഈ 1,000 റപ്ലിക്കേഷനുകളിൽ നിന്നുള്ള മൂല്യനിർണയങ്ങൾ വിലയിരുത്തുകയും ചെയ്യുക. ഈ പ്രതിധ്വനികളുടെ മൂല്യവും യഥാർഥ മൂല്യവും തമ്മിലുള്ള വ്യത്യാസമാണ് പക്ഷപാതിത്വം. ഈ വ്യത്യാസങ്ങളുടെ വ്യത്യാസമാണ് ഭിന്നിപ്പിക്കൽ. മറ്റെല്ലാവരും തുല്യരാണ്, ഒരു പക്ഷപാതിത്വവും ചെറിയ വ്യത്യാസവും ഇല്ലാത്ത ഒരു നടപടി ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. നിർഭാഗ്യവശാൽ, പല യഥാർത്ഥ പ്രശ്നങ്ങളും, അത്തരം ചെറിയ പക്ഷപാതവും, ചെറിയ വ്യതിയാനങ്ങളും ഇല്ലാതാകുന്നില്ല, ബിയാസ്, ഭിന്നതകൾ എന്നിവയിലൂടെ അവതരിപ്പിക്കുന്ന പ്രശ്നങ്ങളെ എങ്ങനെ സന്തുലിതമാക്കും എന്നു നിർണയിക്കുന്നതിനുള്ള പ്രയാസകരമായ ഘട്ടത്തിൽ ഗവേഷകർ ഇത് ഇടുന്നു. ചില ഗവേഷകർ താൽപര്യമില്ലാത്ത നിഷ്ക്രിയമായ പ്രക്രിയകളെ മുൻഗണന നൽകുന്നു, പക്ഷേ ഒറ്റ മാനസിക നിലപാടിനെ ശ്രദ്ധിച്ചാൽ തെറ്റുപറ്റും. സത്യത്തിലേക്ക് കഴിയുന്നത്ര അടുപ്പമുള്ള ഒരു മതിപ്പു രേഖപ്പെടുത്താനാണ് ലക്ഷ്യം എന്ന് പറഞ്ഞാൽ (അതായത് ഏറ്റവും ചെറിയ പിശക് മൂലമുള്ളത്), നിങ്ങൾ ഒരു ചെറിയ പക്ഷപാതിത്വവും പക്ഷപാതമില്ലാത്ത എന്നാൽ വലിയ വ്യത്യാസം ഉണ്ട് (ചിത്രം 3.1). മറ്റു വാക്കുകളിൽ, മൊത്തം സർവേ പിശക് ചട്ടക്കൂട് സർവേ ഗവേഷണ നടപടിക്രമങ്ങൾ മൂല്യനിർണ്ണയം നടത്തുമ്പോൾ, നിങ്ങൾ ബയസ് ആൻഡ് ഭിന്നിച്ചു ഇരുവരും പാടുള്ളൂ കാണിക്കുന്നു.

ചിത്രം 3.1: വ്യത്യാസവും ഭിന്നവും. ആദർശപരമായി, ഗവേഷകർക്ക് യാതൊരു വ്യത്യാസവും, കുറഞ്ഞ വ്യത്യാസമില്ലാതെ വിലയിരുത്തൽ പ്രക്രിയയുമുണ്ടാകും. വാസ്തവത്തിൽ, മിക്കപ്പോഴും, പക്ഷപാതവും വ്യത്യാസവും തമ്മിലുള്ള ഒരു ട്രേഡ്-ഓഫ് ഉണ്ടാക്കുന്ന തീരുമാനങ്ങൾ അവർ എടുക്കേണ്ടതായിട്ടുണ്ട്. ചില ഗവേഷകർ താൽപര്യമില്ലാത്ത നിഷ്ക്രിയമായ പ്രക്രിയകളെ ഇഷ്ടപ്പെടുന്നുണ്ടെങ്കിലും ചിലപ്പോൾ ചെറിയ വ്യത്യാസങ്ങൾ, ചെറിയ വ്യതിയാന രീതികൾ കൂടുതൽ വ്യത്യാസങ്ങളുള്ള നിഷ്പക്ഷ നിലപാടിനേക്കാൾ കൃത്യമായ കണക്കുകൾ ലഭ്യമാക്കും.

ചിത്രം 3.1: വ്യത്യാസവും ഭിന്നവും. ആദർശപരമായി, ഗവേഷകർക്ക് യാതൊരു വ്യത്യാസവും, കുറഞ്ഞ വ്യത്യാസമില്ലാതെ വിലയിരുത്തൽ പ്രക്രിയയുമുണ്ടാകും. വാസ്തവത്തിൽ, മിക്കപ്പോഴും, പക്ഷപാതവും വ്യത്യാസവും തമ്മിലുള്ള ഒരു ട്രേഡ്-ഓഫ് ഉണ്ടാക്കുന്ന തീരുമാനങ്ങൾ അവർ എടുക്കേണ്ടതായിട്ടുണ്ട്. ചില ഗവേഷകർ താൽപര്യമില്ലാത്ത നിഷ്ക്രിയമായ പ്രക്രിയകളെ ഇഷ്ടപ്പെടുന്നുണ്ടെങ്കിലും ചിലപ്പോൾ ചെറിയ വ്യത്യാസങ്ങൾ, ചെറിയ വ്യതിയാന രീതികൾ കൂടുതൽ വ്യത്യാസങ്ങളുള്ള നിഷ്പക്ഷ നിലപാടിനേക്കാൾ കൃത്യമായ കണക്കുകൾ ലഭ്യമാക്കും.

ഈ അധ്യായം വളരെ നടക്കും മൊത്തം സർവേ പിശക് ചട്ടക്കൂട്, രണ്ടാമത്തെ പ്രധാന ഉൾക്കാഴ്ച, രണ്ടു കോണുകളിൽ പിശകുകൾ ഉണ്ട് എന്നതാണ്: നിങ്ങൾ (പ്രാതിനിധ്യം) സംസാരിക്കാൻ ആർ ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ നിങ്ങൾ ആ സംഭാഷണങ്ങൾ നിന്ന് പഠിക്കുന്ന കാര്യങ്ങൾ ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ (മെഷർമെന്റ് ). ഉദാഹരണത്തിന്, ഫ്രാൻസിൽ താമസിക്കുന്ന മുതിർന്നവരുടെ ഇടയിൽ ഓൺലൈൻ സ്വകാര്യതയെക്കുറിച്ചുള്ള മനോഭാവം കണക്കാക്കാൻ നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടാകാം. ഈ മൂല്യനിർണ്ണയത്തിന് രണ്ട് വ്യത്യസ്ത തരത്തിലുള്ള അനുമാനങ്ങൾ ആവശ്യമാണ്. ആദ്യം, പ്രതികരിയ്ക്കുന്ന ഉത്തരങ്ങളിൽ നിന്ന്, നിങ്ങൾ ഓൺലൈനിൽ സ്വകാര്യതയെക്കുറിച്ച് (അവരുടെ അളവെടുപ്പിന്റെ പ്രശ്നമാണ്) അവരുടെ മനോഭാവം അനുമാനിക്കേണ്ടതാണ്. രണ്ടാമതായി, പ്രതിപാദ്യ വിദഗ്ദ്ധരിൽ നിന്ന് അനുമാനിക്കപ്പെടുന്ന മനോഭാവത്തിൽ നിന്ന്, നിങ്ങൾ ജനസംഖ്യയിലെ മൊത്തത്തിലുള്ള മനോഭാവം (ഇത് ഒരു പ്രാതിനിധിയുടെ പ്രശ്നമാണ്) അനുമാനിക്കേണ്ടതാണ്. മോശമായ സർവ്വേ ചോദ്യങ്ങളുമായി മികച്ച സാംപ്ലിംഗ് മോശം മൂല്യനിർണ്ണയം നൽകും, തികച്ചും സർവേ ചോദ്യങ്ങൾ മോശമായ സാമ്പിളുകൾ ഉപയോഗിക്കും. മറ്റു വാക്കുകളിൽ, നല്ല കണക്കുകൾ കണക്കാക്കൽ പ്രാതിനിധ്യം ശബ്ദം സമീപനങ്ങളുടെ ആവശ്യമാണ്. പശ്ചാത്തലത്തിൽ, ഞാൻ സർവേ ഗവേഷകർ മുൻകാലത്തെ പ്രാതിനിധ്യം, അളക്കൽ എന്നിവയെക്കുറിച്ച് എങ്ങനെയാണ് ചിന്തിച്ചത്. പിന്നെ, ഡിജിറ്റൽ-വയസ്സ് സർവേ ഗവേഷണത്തെ എങ്ങനെ പ്രതിനിധീകരിക്കുന്നതിനും അളക്കലിനും വേണ്ട ആശയങ്ങൾ എങ്ങനെ കാണിച്ചു തരാം.