3.4.3 നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ: സാമ്പിൾ പൊരുത്തപ്പെടുന്ന

എല്ലാ നോൺ-രിച്ച് സാമ്പിളുകൾ ഒന്നുതന്നെയാണ്. നാം ഫ്രണ്ട് ഭാഗത്ത് കൂടുതൽ നിയന്ത്രണം ചേർക്കാൻ കഴിയും.

സമീപനം വാങ് സഹപ്രവർത്തകരും 2012 അമേരിക്കൻ പ്രസിഡന്റ് തിരഞ്ഞെടുപ്പ് ഫലത്തെ കണക്കാക്കുന്നതിന് അദ്ദേഹം ഉപയോഗിക്കുകയും ഡാറ്റ വിശകലനം വർധിപ്പിച്ചതു പൂർണമായും ആശ്രയിച്ചായിരുന്നു. അവർ ആകാവുന്ന പോലെ പല പ്രതികരണങ്ങൾ ശേഖരിച്ച പിന്നീട് വീണ്ടും ഭാരം ശ്രമിച്ചു, ആണ്. നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം പ്രവർത്തിക്കുന്നതിനുമായുള്ള ഒരു തീർക്കുന്ന തന്ത്രത്തിന്റെ ഡാറ്റ ശേഖരണം പ്രക്രിയ കൂടുതൽ നിയന്ത്രണം എന്നതാണ്.

ഒരു ഭാഗികമായും നിയന്ത്രണ-പ്രോബബിലിറ്റി ഒരുപറ്റം പ്രക്രിയ ലളിതമായ ഉദാഹരണം ക്വാട്ട ഒരുപറ്റം, തിരികെ സർവേ റിസർച്ച് ആദ്യ ദിനങ്ങളിൽ പോകുന്ന ഒരു ചെയ്യപ്പെട്ടിട്ടുണ്ട്. ക്വാട്ട ഒരുപറ്റം ഗവേഷകർ വിവിധ ഗ്രൂപ്പുകൾ (ഉദാ, ബാല്യക്കാരെ യുവതികളും തുടങ്ങിയവ) കടന്നു ജനസംഖ്യ വിഭജിച്ചു ജനം ഓരോ ഗ്രൂപ്പിൽ തെരഞ്ഞെടുക്കുന്ന എണ്ണം ക്വോട്ടകൾ വെച്ചു. ഗവേഷകൻ ഓരോ ഗ്രൂപ്പിൽ തങ്ങളുടെ ക്വോട്ട കൂടിക്കാഴ്ച വരെ പ്രതികരിക്കുന്നവർക്ക് ഒരു haphazard വിധത്തിൽ തിരഞ്ഞെടുത്തു. കാരണം ക്വോട്ടകൾ എന്ന, കാരണമാകുന്നു സാമ്പിൾ മറ്റുതരത്തിൽ കിട്ടി കൂടുതൽ ജനസംഖ്യ പോലെ അധികം തോന്നുന്നു, എന്നാൽ ഉൾപ്പെടുത്തലുമെല്ലാം സാധ്യതകൾ അജ്ഞാത കാരണം പല ഗവേഷകർ ക്വാട്ട ഒരുപറ്റം സംശയിക്കും. സത്യത്തിൽ, ക്വാട്ട ഒരുപറ്റം ചെയ്തു കാരണമായി പിശക് 1948 അമേരിക്കൻ പ്രസിഡൻറ് തിരഞ്ഞെടുപ്പിൽ "പരുവം ട്രൂമാൻ പരാജയപ്പെടുത്തുന്നു". അതു പരിശോധിക്കുന്നത് പ്രക്രിയ ചില നിയന്ത്രണം നൽകുന്നു കാരണം എന്നാൽ, ഒറ്റ ക്വാട്ട ഒരുപറ്റം പൂർണ്ണമായും അനിയന്ത്രിതമായി ഡാറ്റ ശേഖരണം ചില പ്രയോജനങ്ങളുമുണ്ട് എങ്ങനെ കാണാൻ കഴിയും.

ക്വാട്ട ഒരുപറ്റം അപ്പുറം നീക്കുന്നത്, നോൺ-പ്രോബബലിറ്റി പരിശോധിക്കുന്നത് പ്രക്രിയ നിയന്ത്രിയ്ക്കാനുള്ള കൂടുതൽ ആധുനിക സമീപനങ്ങളുടെ ഇപ്പോൾ സാദ്ധ്യമാകുന്നു. അത്തരമൊരു സമീപനം സാമ്പിൾ ചേരുന്ന വിളിക്കുന്നു, ഇതിൽ ചില വാണിജ്യ ഓൺലൈൻ പാനൽ ദാതാക്കൾ ഉപയോഗിക്കുന്നു. സന്നദ്ധ വലിയ പാനൽ 1) ജനസംഖ്യയിലും 2 ഒരു സമ്പൂർണ്ണ രജിസ്റ്റർ): അതിന്റെ ലളിതമായ രൂപത്തിൽ, സാമ്പിൾ പൊരുത്തപ്പെടുന്ന രണ്ടു ഡാറ്റ ഉറവിടങ്ങളിൽ ആവശ്യമാണ്. ഇത് സന്നദ്ധപ്രവർത്തകർ ഏതൊരു നാട്ടുകാരെ നിന്നും ഒരു പ്രോബബിലിറ്റി സാമ്പിൾ ആവശ്യമില്ല എന്ന് പ്രധാനപ്പെട്ടതാണ്; പാനലിൽ നിരക്കു യാതൊരു ആവശ്യകതകൾ ഉണ്ട് എന്നു പ്രാധാന്യം, ഞാൻ അതു ഒരു വൃത്തികെട്ട പാനൽ വിളിക്കാം. എതിരെ, ജനസംഖ്യാ രജിസ്റ്റർ ആൻഡ് ഡേർട്ടി പാനൽ ഇരുവരും ഈ ഉദാഹരണത്തിൽ, പ്രായവും ലൈംഗിക പരിഗണിക്കുക, പക്ഷേ റിയലിസ്റ്റിക് സാഹചര്യങ്ങളിൽ ഈ ഓക്സിലറി വിവരങ്ങൾ കൂടുതൽ കൂടുതൽ വിശദമായ ആകാം ഓരോ വ്യക്തിയുടെയും കുറിച്ചുള്ള ചില ഓക്സിലറി വിവരങ്ങൾ ഉൾപ്പെടുത്തണം. സാമ്പിൾ പൊരുത്തപ്പെടുന്ന ഹാട്രിക്കും പ്രോബബിലിറ്റി സാമ്പിളുകൾ തോന്നാം സാമ്പിളുകൾ ഉത്പാദിപ്പിക്കുന്നത് വിധത്തിൽ ഒരു വൃത്തികെട്ട പാനലിൽ നിന്ന് സാമ്പിളുകൾ തിരഞ്ഞെടുക്കുക.

ഒരു കൃത്രിമ പ്രോബബിലിറ്റി സാമ്പിൾ ജനസംഖ്യാ രജിസ്റ്റർ നിന്നും എടുത്ത ചെയ്യുമ്പോൾ സാമ്പിൾ ചേരുന്ന തുടങ്ങുന്നത്; ഈ കൃത്രിമ സാമ്പിൾ ഒരു ടാർഗെറ്റ് സാമ്പിൾ മാറുന്നു. പിന്നെ, ഓക്സിലറി വിവരത്തിൻറെ അടിസ്ഥാനത്തിൽ ടാർഗെറ്റ് സാമ്പിൾ കേസുകൾ വൃത്തികെട്ട പാനലിൽ ആളുകൾക്ക് ഒരു പൊരുത്തപ്പെട്ടു സാമ്പിൾ രൂപീകരിക്കാൻ പൊരുത്തപ്പെടുന്നു. ഉദാഹരണത്തിന്, ഒരു 25 വർഷം പഴക്കമുള്ള പെൺ ടാർഗെറ്റ് സാമ്പിൾ അവിടെ കണ്ടാൽ ഗവേഷകൻ വൃത്തികെട്ട പാനലിൽ നിന്ന് 25 വർഷം പഴക്കമുള്ള പെൺ പൊരുത്തപ്പെട്ട സാമ്പിളിൽ ആയിരിക്കാൻ കണ്ടെത്തുന്നു. അവസാനമായി, പൊരുത്തപ്പെട്ട സാമ്പിൾ അംഗങ്ങൾ പ്രതികരിച്ച അവസാന സെറ്റ് ഹാജരാക്കണം അഭിമുഖം ചെയ്യുന്നു.

പൊരുത്തപ്പെട്ട സാമ്പിൾ ടാർഗെറ്റ് സാമ്പിൾ പോലെ കാണപ്പെടുന്നു, അത് പൊരുത്തപ്പെട്ട സാമ്പിൾ പ്രോബബിലിറ്റി സാമ്പിൾ അല്ല എന്ന് ഓർക്കണം പ്രധാനമാണ്. സെർച്ചിൽ സാമ്പിളുകൾ മാത്രം അറിയപ്പെടുന്ന ഓക്സിലറി വിവരങ്ങൾ (ഉദാ, പ്രായം, ലിംഗഭേദം) ന്, പക്ഷെ കാമവികാരത്തിൽ സ്വഭാവസവിശേഷതകൾ ടാർജറ്റ് സാമ്പിൾ പൊരുത്തപ്പെടുന്നില്ല കഴിയും. ഉദാഹരണത്തിന്, വൃത്തികെട്ട പാനലിൽ ജനം ദരിദ്രരായ-ശേഷം എല്ലാ കുറവായിരിക്കും എങ്കിൽ, ഒരു സർവേ പാനൽ ചേരാൻ ഒരു കാരണം പണം-പിന്നീട് നേടാൻ ആണ് പൊരുത്തപ്പെട്ടു സാമ്പിൾ പ്രായം, ലിംഗഭേദം കണക്കിലെടുത്ത് ടാർഗെറ്റ് സാമ്പിൾ പോലെ കാണപ്പെടുന്നു പോലും ഇപ്പോഴും ഉണ്ടായിരിക്കും പാവപ്പെട്ട ജനം നേരെ ഒരു ബയസ്. യഥാർഥ പ്രോബബിലിറ്റി ഒരുപറ്റം മാസ്മരികത അളന്നു ഒപ്പം കാമവികാരത്തിൽ ഇരുവരും വശങ്ങളായ പ്രശ്നങ്ങൾ (2-ാം അധ്യായത്തിൽ നിരീക്ഷണ പഠനങ്ങളിൽ നിന്നും കാര്യകാരണങ്ങളെ നിഗമനത്തിന്റെ പൊരുത്തമുള്ള ഞങ്ങളുടെ ചർച്ച പൊരുത്തപ്പെടുന്ന ഒരു പോയിന്റ്) നടത്തുന്നതായും എന്നതാണ്.

പ്രായോഗികമായി സാമ്പിൾ പൊരുത്തപ്പെടുന്ന സർവേകൾ പൂർത്തിയാക്കാൻ ആകാംക്ഷയോടെ ഒരു വലിയ വ്യത്യസ്തമായ പാനൽ ഇല്ലാതെ ആശ്രയിച്ചിരിക്കുന്നു, അങ്ങനെ പ്രധാനമായും വികസിപ്പിക്കാനും അത്തരം ഒരു പാനൽ നിലനിർത്താൻ താങ്ങാൻ കഴിയുന്ന കമ്പനികളുടെ നടക്കുന്ന. എതിരെ, പ്രായോഗികമായി അവിടെ പൊരുത്തപ്പെടുന്ന (ചിലപ്പോൾ ടാർഗറ്റ് സാമ്പിൾ ആരെയെങ്കിലും ഒരു നല്ല മത്സരം പാനലിൽ നിലവിലില്ല), നോൺ-പ്രതികരണ (ചിലപ്പോൾ പൊരുത്തപ്പെട്ട സാമ്പിൾ ആളുകളെ സർവേയിൽ പങ്കെടുക്കാൻ വിസമ്മതിക്കുന്നു) പ്രശ്നങ്ങൾ കഴിയും. അതുകൊണ്ടു, പ്രായോഗികമായി, സാമ്പിൾ പൊരുത്തപ്പെടുന്ന ചെയ്യുന്നത് ഗവേഷകര് എസ്റ്റിമേറ്റുകൾ ഉണ്ടാക്കുവാൻ പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു അഡ്ജസ്റ്റ്മെന്റ് ചില നടത്താറ്.

ഇത് സാമ്പിൾ പൊരുത്തപ്പെടുന്ന കുറിച്ചുള്ള ഉപയോഗപ്രദമായ സൈദ്ധാന്തിക ഉറപ്പുമില്ല വിഷമം, പക്ഷേ പ്രായോഗികമായി ഇത് നന്നായി നിർവഹിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, സ്റ്റീഫൻ Ansolabehere ബ്രയാൻ Schaffner (2014) മെയിൽ, ടെലിഫോൺ, സാമ്പിൾ പൊരുത്തപ്പെടുന്ന പോസ്റ്റ് നാടകമുണ്ടായിരുന്നു അഡ്ജസ്റ്റ് ഉപയോഗിച്ച് ഒരു ഇന്റർനെറ്റ് പാനൽ: മൂന്നു വ്യത്യസ്ത ഒരുപറ്റം ഉപയോഗിച്ച് രീതികളും അഭിമുഖം 2010 ൽ നടത്തിയ 1000 ജനത്തിന്റെ മൂന്നു സമാന്തര സര്വേ അപേക്ഷിച്ച്. മൂന്നു സമീപനങ്ങളിലും നിന്നുള്ള കണക്കുകളെ അത്തരം നിലവിൽ ജനസംഖ്യാ സർവേ (തപ്പി), നാഷണൽ ഹെൽത്ത് അഭിമുഖം സർവേയുടെ (NHIS) ഉയർന്ന നിലവാരമുള്ള ബെഞ്ച്മാർക്ക് നിന്ന് കണക്കുകൾ സാമ്യം ആയിരുന്നു. പോരാഞ്ഞ്, ഇരുവരും ഇന്റർനെറ്റ്, മെയിൽ സർവേകൾ 3 ശതമാനം ശരാശരി ഫോൺ സർവ്വേ ഓഫ് ആയിരുന്നു 4 ശതമാനം ഓഫ് ആയിരുന്നു. ഈ വലിയ പിശകുകൾ ഒറ്റ ഏകദേശം 1000 പേർ സാമ്പിളുകൾ നിന്ന് പ്രതീക്ഷിക്കുന്നത് ഏകദേശം ആകുന്നു. , ആണെങ്കിലും ഗണ്യമായി മെച്ചപ്പെട്ട ഡാറ്റ നിർമ്മിക്കുന്ന ഈ മോഡുകൾ ഒന്നും രണ്ടും ഇന്റർനെറ്റ്, ഫോൺ സർവേ (ദിവസം അല്ലെങ്കിൽ ആഴ്ച പിടിച്ചടക്കിയ) മെയിൽ സർവേ (എട്ട് മാസം പിടിച്ചടക്കിയ) എത്രയോ വേഗത്തിൽ വയലിൽ ആയിരുന്നു സാമ്പിൾ പൊരുത്തപ്പെടുന്ന ഉപയോഗിച്ച ഇന്റർനെറ്റ് സർവേ, മറ്റു രണ്ടു മോഡുകൾ അധികം വിലകുറഞ്ഞ ആയിരുന്നു.

ഉപസംഹാരമായി, സാമൂഹിക ശാസ്ത്രജ്ഞരും സ്ഥിതിവിവരരീതിയിലെ അവർ പോലുള്ള സാഹിത്യ ഡൈജസ്റ്റ് സർവെയിൽ ഗവേഷണ ചില നാണംകെട്ട പരാജയങ്ങൾ ബന്ധപ്പെടുത്തിയിരിക്കുന്ന ഭാഗത്ത് കാരണം, ഈ നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ ഊഹങ്ങൾ എന്ന അവിശ്വസനീയമാം സംശയിക്കും. ഭാഗം, ഞാൻ ഈ കഷ്ണം യോജിക്കുന്നു: unadjusted നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ മോശം എസ്റ്റിമേറ്റുകൾ ഹാജരാക്കാൻ സാധ്യത. എന്നാൽ ഗവേഷകർ ഒരുപറ്റം പ്രക്രിയയിൽ പക്ഷപാത ക്രമീകരിക്കുന്നതിനായി പക്ഷം കഴിയും (ഉദാ, പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു) അല്ലെങ്കിൽ ഒരുപറ്റം പ്രക്രിയ അല്പമെങ്കിലും (ഉദാ, സാമ്പിൾ പൊരുത്തപ്പെടുന്ന) നിയന്ത്രിക്കാൻ തങ്ങൾ എസ്റ്റിമേറ്റുകൾ ഉത്പാദിപ്പിക്കാൻ കഴിയും, ഏറ്റവും ആവശ്യങ്ങൾക്കായി മതിയായ ഗുണമേന്മയുള്ള പോലും കണക്കുകളെ. തീർച്ചയായും, തികച്ചും വധിക്കപ്പെട്ട പ്രോബബിലിറ്റി ഒരുപറ്റം ചെയ്യാൻ നല്ലത്, എന്നാൽ ഇനി ഒരു റിയലിസ്റ്റിക് ഓപ്ഷൻ തോന്നുന്നു.

നോൺ-പ്രോബബിലിറ്റി സാമ്പിളുകളും പ്രോബബിലിറ്റി സാമ്പിളുകൾ ഇരുവരും തങ്ങളുടെ ഗുണമേന്മയിൽ മാറുന്നു, നിലവിൽ അതു പ്രോബബിലിറ്റി സാമ്പിളുകൾ നിന്ന് ഏറ്റവും കണക്കുകളെ നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ നിന്ന് എസ്റ്റിമേറ്റുകൾ കൂടുതൽ വിശ്വസ്തനായ ആകുന്നു ആ കേസ് സാധ്യത. എന്നാൽ, ഇപ്പോൾ നന്നായി നടത്തിയ നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ നിന്ന് കണക്കാക്കുന്നു ഒരുപക്ഷേ മോശമായി-നടത്തിയ പ്രോബബലിറ്റി സാമ്പിളുകൾ നിന്ന് എസ്റ്റിമേറ്റുകൾ ഗുണകരമായിട്ടുള്ളത്. എന്നുതന്നെയല്ല, നോൺ-രിച്ച് സാമ്പിളുകൾ ഗണ്യമായി കുറഞ്ഞിരിക്കുന്ന ആകുന്നു. അതുകൊണ്ട്, തെരയൂ നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം പ്രോബബിലിറ്റി ദൃശ്യമാകുന്നു ഒരു കുറഞ്ഞ നിലവാരമുള്ള നിലവരുത്തലാണ് (ചിത്രം 3.6) പ്രദാനം. വെറുതെ നോക്കി, ഞാൻ നന്നായി നോൺ-പ്രോബബലിറ്റി സാമ്പിളുകൾ നിന്ന് കണക്കുകളെ വിലകുറഞ്ഞ മെച്ചപ്പെട്ട മാറും പ്രതീക്ഷിക്കാം. എന്നുതന്നെയല്ല, കാരണം ലാൻഡ് ടെലിഫോൺ സർവേകൾ നോൺ-പ്രതികരണ വർധിക്കുന്നത് നിരക്കുകൾ നിലച്ച ഞാൻ സംഭാവ്യത സാമ്പിളുകൾ വിലകൂടിയ താഴ്ന്ന നിലവാരത്തിലായിരിക്കും മാറും പ്രതീക്ഷിക്കാം. കാരണം ഈ ദീർഘകാല പ്രവണതകളും ഞാൻ നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം സർവേ റിസർച്ച് മൂന്നാം കാലഘട്ടത്തിൽ പ്രാധാന്യത്തിൽ മാറും എന്നു തോന്നുന്നു.

ചിത്രം 3.6: പ്രായോഗികമായി സംഭാവ്യത ഒരുപറ്റം ഇതര പ്രോബബലിറ്റി ഒരുപറ്റം ഇരുവരും വലിയ േമാഖലകളാക്കി വിഭാഗങ്ങൾ ഉണ്ട്. പൊതുവേ, നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം താഴത്തെ കുറഞ്ഞ പക്ഷേ ഉയർന്ന പിശക് കൂടെ ഒരു കുറഞ്ഞ-പിശക് നിലവരുത്തലാണ് ഇല്ല. എന്നാൽ, നന്നായി നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം മോശമായി-ചെയ്തതു പ്രോബബലിറ്റി ഒരുപറ്റം നല്ലതു എസ്റ്റിമേറ്റുകൾ ഉത്പാദിപ്പിക്കാൻ കഴിയും. ഭാവിയിൽ, ഞാൻ സംഭാവ്യത ഒരുപറ്റം മോശമായ വിലകൂടിയ ലഭിക്കും സമയത്ത് നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം മെച്ചപ്പെട്ട വിലകുറഞ്ഞതുമായ ലഭിക്കും പ്രതീക്ഷിക്കാം.

ചിത്രം 3.6: പ്രായോഗികമായി സംഭാവ്യത ഒരുപറ്റം ഇതര പ്രോബബലിറ്റി ഒരുപറ്റം ഇരുവരും വലിയ േമാഖലകളാക്കി വിഭാഗങ്ങൾ ഉണ്ട്. പൊതുവേ, നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം താഴത്തെ കുറഞ്ഞ പക്ഷേ ഉയർന്ന പിശക് കൂടെ ഒരു കുറഞ്ഞ-പിശക് നിലവരുത്തലാണ് ഇല്ല. എന്നാൽ, നന്നായി നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം മോശമായി-ചെയ്തതു പ്രോബബലിറ്റി ഒരുപറ്റം നല്ലതു എസ്റ്റിമേറ്റുകൾ ഉത്പാദിപ്പിക്കാൻ കഴിയും. ഭാവിയിൽ, ഞാൻ സംഭാവ്യത ഒരുപറ്റം മോശമായ വിലകൂടിയ ലഭിക്കും സമയത്ത് നോൺ-പ്രോബബലിറ്റി ഒരുപറ്റം മെച്ചപ്പെട്ട വിലകുറഞ്ഞതുമായ ലഭിക്കും പ്രതീക്ഷിക്കാം.