သင်္ချာဆိုင်ရာမှတ်စု

ဒီနောက်ဆက်တွဲထဲမှာတော့အနည်းငယ်ပိုမိုသင်္ချာပုံစံအတွက်ကျအခနျးကနေအိုင်ဒီယာအချို့ကိုဖော်ပြရန်ပါလိမ့်မယ်။ ဒီမှာရည်မှန်းချက်ကိုသင်သင်္ကေတများနှင့်သင်တို့သည်ဤအကြောင်းအရာများပေါ်မှာရေးထားတဲ့ပိုပြီးနည်းပညာဆိုင်ရာပစ္စည်းအချို့ပြောင်းလဲနိုင်အောင်စစ်တမ်းသုတေသီများအသုံးပြုသောသင်္ချာမူဘောင်တွေနဲ့အဆင်ပြေ get ကူညီဖို့ရန်ဖြစ်ပါသည်။ ငါ nonresponse နှင့်နောက်ဆုံးတော့ non-ဖြစ်နိုင်ခြေနမူနာနှင့်အတူဖြစ်နိုင်ခြေနမူနာပြောင်းရွှေ့ထို့နောက်ဖြစ်နိုင်ခြေနမူနာမိတ်ဆက်ခြင်းဖြင့်စတင်ပါလိမ့်မယ်။

ဖြစ်နိုင်ခြေနမူနာ

တစ်ဦးအပြေးဥပမာအဖြစ်ရဲ့အမေရိကန်ပြည်ထောင်စုအတွင်းအလုပ်လက်မဲ့နှုန်းခန့်မှန်း၏ရည်မှန်းချက်ကိုစဉ်းစားကြကုန်အံ့။ စို့ \(U = \{1, \ldots, k, \ldots, N\}\) ပစ်မှတ်လူဦးရေဖြစ်နှင့်ကြကုန်အံ့ \(y_k\) လူတစ်ဦးများအတွက်ရလဒ်ကို variable ကို၏တန်ဖိုးအားဖြင့် \(k\) ။ ဒီဥပမာမှာ \(y_k\) လူတစ်ဦးရှိမရှိဖြစ်ပါတယ် \(k\) အလုပ်လက်မဲ့ဖြစ်ပါတယ်။ နောက်ဆုံးအနေနဲ့ပါစေ \(F = \{1, \ldots, k, \ldots, N\}\) ရိုးရှင်းမှု၏မျက်နှာကို ထောက်. ပစ်မှတ်လူဦးရေကဲ့သို့တူညီသောဖြစ်ယူဆသော frame ကိုလူဦးရေဖြစ်လိမ့်မည်။

တစ်ဦးကအခြေခံနမူနာဒီဇိုင်းကိုအစားထိုးခြင်းမရှိဘဲရိုးရှင်းတဲ့ကျပန်းနမူနာဖြစ်ပါတယ်။ ဤကိစ္စတွင်ခုနှစ်, လူတစ်ဦးချင်းစီနမူနာတွင်ထည့်သွင်းခံရဖို့အညီအမျှဖွယ်ရှိသည် \(s = \{1, \ldots, i, \ldots, n\}\) ။ ဒေတာဒီနမူနာဒီဇိုင်းနှင့်အတူစုဆောင်းနေကြသည်အခါ, တစ်ဦးသုတေသီများနမူနာယုတ်နှင့်အတူလူဦးရေအလုပ်လက်မဲ့နှုန်းခန့်မှန်းနိုင်သည်

\[ \hat{\bar{y}} = \frac{\sum_{i \in s} y_i}{n} \qquad(3.1)\]

ဘယ်မှာ \(\bar{y}\) ယင်းလူဦးရေအတွက်အလုပ်လက်မဲ့နှုန်းနှင့်ဖြစ်ပါသည် \(\hat{\bar{y}}\) အလုပ်လက်မဲ့နှုန်းသည် (ထိုများ၏ခန့်မှန်းချက်ဖြစ်ပါတယ် \(\hat{ }\) လေ့ဖြစ်ပါတယ် ) ခန့်မှန်းညွှန်ပြလေ့ရှိတယ်။

အဖြစ်မှန်မှာတော့သုတေသီများမရှိသလောက်ကိုအစားထိုးခြင်းမရှိဘဲရိုးရှင်းတဲ့ကျပန်းနမူနာကိုသုံးပါ။ အကြောင်းပြချက် (ငါခဏအတွင်းကိုဖော်ပြရန်လိမ့်မယ်အရာတစျခု) အမျိုးမျိုးအားဖြင့်, သုတေသီများမကြာခဏပါဝင်၏မညီမျှမှုဖြစ်နိုင်ခြေနှင့်အတူနမူနာဖန်တီးပါ။ ဥပမာအားဖြင့်, သုတေသီများကယ်လီဖိုးနီးယားရှိလူများထက်ပါဝင်မှုမြင့်မားဖြစ်နိုင်ခြေနှင့်အတူဖလော်ရီဒါရှိလူများကို select ပေလိမ့်မည်။ ဤကိစ္စတွင်ခုနှစ်, နမူနာယုတ် (eq ။ 3.1) ကောင်းတစ်ဦးခနျ့မှနျးမဖြစ်ပေလိမ့်မည်။ ပါဝင်၏မညီမျှမှုဖြစ်နိုင်ခြေရှိပါတယ်သည့်အခါမယ့်အစား, သုတေသီများကိုသုံးပါ

\[ \hat{\bar{y}} = \frac{1}{N} \sum_{i \in s} \frac{y_i}{\pi_i} \qquad(3.2)\]

ဘယ်မှာ \(\hat{\bar{y}}\) အလုပ်လက်မဲ့နှုန်းသည်၏ခန့်မှန်းချက်သည်နှင့် \(\pi_i\) ပုဂ္ဂိုလ်တစ်ဦးဖြစ်ပါတယ် \(i\) ပါဝင်၏ 's ဖြစ်နိုင်ခြေ။ စံအလေ့အကျင့်ကိုအောက်ပါငါ eq အတွက်ခနျ့မှနျးမခေါ်ပါလိမ့်မယ်။ 3.2 ထို Horvitz-Thompson ကခန့်မှန်းထားပါတယ်။ ကမဆိုဖြစ်နိုင်ခြေနမူနာဒီဇိုင်းအတွက်ဘက်မလိုက်ခန့်မှန်းချက်မှဦးဆောင်ကြောင့် Horvitz-Thompson ကခနျ့မှနျးအလွန်အသုံးဝင်သည် (Horvitz and Thompson 1952) ။ အဆိုပါ Horvitz-Thompson ကခနျ့မှနျးဒါမကြာခဏတက်လာသောကြောင့်, အဲဒါကိုအဖြစ်ပြန်လည်ရေးသားနိုင်သောသတိထားမိဖို့အထောက်အကူဖြစ်ပါသည်

\[ \hat{\bar{y}} = \frac{1}{N} \sum_{i \in s} w_i y_i \qquad(3.3)\]

ဘယ်မှာ \(w_i = 1 / \pi_i\) ။ eq အဖြစ်။ 3.3 ထို Horvitz-Thompson ကခန့်မှန်းအလေးပြောင်းပြန်ရွေးချယ်ရေးများ၏ဖြစ်နိုင်ခြေနဲ့ဆက်စပ်နေတာဘယ်မှာချိန်နမူနာကိုဆိုလိုတာဖြစ်ပါတယ်, ဖော်ပြသည်။ တစ်နည်းမှာလျော့နည်းဖွယ်ရှိပုဂ္ဂိုလ်တစ်ဦးနမူနာ, လူတစ်ဦးအတွက်ခန့်မှန်းချက်များတွင်ရသင့်ကြောင်းပိုအလေးချိန်တွင်ထည့်သွင်းရမည်။

အစောပိုင်းကဖော်ပြထားသကဲ့သို့, သုတေသီများမကြာခဏပါဝင်၏မညီမျှမှုဖြစ်နိုင်ခြေနှင့်အတူလူအမြည်း။ ပါဝင်၏မညီမျှမှုဖြစ်နိုင်ခြေဖို့ဦးဆောင်လမ်းပြနိုင်မယ့်ဒီဇိုင်းဥပမာတစျခုက Post-stratification ခေါ်ခန့်မှန်းချက်လုပ်ထုံးလုပ်နည်းမှနီးကပ်စွာဆက်စပ်သောကွောငျ့နားလည်ရန်အရေးကြီးသည်ဖြစ်သော stratified နမူနာဖြစ်ပါသည်။ stratified နမူနာခုနှစ်တွင်တစ်သုတေသီသို့ပစ်မှတ်လူဦးရေကိုစူး \(H\) နှစ်ဦးနှစ်ဖက်သီးသန့်နှင့်ပြည့်စုံစေ့စပ်အုပ်စုများ။ ဒီအုပ်စုတွေအလွှာဟုခေါ်ကြသည်နှင့်အမျှညွှန်ပြနေကြသည် \(U_1, \ldots, U_h, \ldots, U_H\) ။ ဒီဥပမာထဲမှာ, အလွှာပြည်နယ်များဖြစ်ကြသည်။ အဆိုပါအုပ်စုများ၏အရွယ်အစားအဖြစ်ညွှန်ပြနေကြသည် \(N_1, \ldots, N_h, \ldots, N_H\) ။ တစ်ဦးကသုတေသီသူမကအလုပ်လက်မဲ့၏ပြည်နယ်အဆင့်ခန့်မှန်းစေဦးချင်းစီပြည်နယ်အတွက်လုံလောက်တဲ့လူရှိကြောင်းသေချာစေရန်အလို့ငှာ stratified နမူနာအသုံးပြုချင်ပေလိမ့်မည်။

လူဦးရေအလွှာသို့တက်ခွဲထားပြီးတပြိုင်နက်, သုတေသီအရွယ်အစားကိုအစားထိုးခြင်းမရှိဘဲရိုးရှင်းတဲ့ကျပန်းနမူနာရွေးချယ်ယူဆ \(n_h\) လွတ်လပ်စွာတစ်ခုချင်းစီအလွှာကနေ။ ထို့ပြင် (ငါနောက်လာမည့်အပိုင်းများတွင် Non-တုံ့ပြန်မှုကိုကိုင်တွယ်လိမ့်မယ်) ကိုနမူနာအတွက်ရွေးချယ်ထားသည့်လူတိုင်းကိုတစ်တုံ့ပြန်ဖြစ်လာတယ်လို့ထင်မြင်ယူဆပါတယ်။ ဤကိစ္စတွင်ခုနှစ်, ပါဝင်မှုများ၏ဖြစ်နိုင်ခြေဖြစ်ပါသည်

\[ \pi_i = \frac{n_h}{N_h} \mbox{ for all } i \in h \qquad(3.4)\]

ဤအဖြစ်နိုင်ခြေလူတစ်ဦးအနေဖြင့်လူတစ်ဦးမှအမျိုးမျိုးကွဲပြားနိုင်သည်ကြောင့်ဤနမူနာဒီဇိုင်းကနေခန့်မှန်းအောင်သောအခါ, သုတေသီများ Horvitz-Thompson ကခနျ့မှနျး (eq ။ 3.2) ကို အသုံးပြု. ပါဝင်၏သူတို့ရဲ့ဖြစ်နိုင်ခြေများ၏ပြောင်းပြန်အားဖြင့်အသီးအသီးတုံ့ပြန်အလေးချိန်ဖို့လိုအပ်ပါတယ်။

အဆိုပါ Horvitz-Thompson ကခနျ့မှနျးဘက်မလိုက်သော်လည်း, သုတေသီများ (ဆိုလိုသည်မှာအောက်ပိုင်းကှဲလှဲ) ကိုပိုမိုတိကျမှန်ကန်ထုတ်လုပ်နိုင်သည်ရန်သတင်းအချက်အလက်နှင့်အတူနမူနာပေါင်းစပ်ပြီးအားဖြင့်ခန့်မှန်းထားသည်။ အချို့လူများကကအံ့သြစရာဿုံကွပ်မျက်ခံရဖြစ်နိုင်ခြေနမူနာလည်းမရှိလျှင်ပင်ဤစကားမှန်ကြောင်းကိုရှာပါ။ ငါအကြာတွင်အရန်သတင်းအချက်အလက် nonresponse နှင့်အတူဖြစ်နိုင်ခြေနမူနာကနေနဲ့ Non-ဖြစ်နိုင်ခြေနမူနာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုအောင်များအတွက်အလွန်အရေးကြီးသည်ကိုပြသပါလိမ့်မယ်အဖြစ်ကြောင့်အရန်သတင်းအချက်အလက်ကိုအသုံးပြုပြီးဤနည်းပညာများသည်အထူးသဖြင့်အရေးကြီးလှသည်။

အရန်သတင်းအချက်အလက်များကိုအသုံးပြုရန်တစ်ခုမှာဘုံ technique ကို Post-stratification ဖြစ်ပါတယ်။ တစ်သုတေသီ 50 ပြည်နယ်တစ်ခုချင်းစီအတွက်ယောက်ျားနှင့်မိန်းမများ၏အရေအတွက်ကိုသိဥပမာ, ကိုမြင်ယောင်ကြည့်; ငါတို့ကဲ့သို့သည်ဤအုပ်စုသည်အရွယ်အစားဖျောညှနျးနိုငျသညျ \(N_1, N_2, \ldots, N_{100}\) ။ နမူနာနှင့်အတူဤအရန်သတင်းအချက်အလက်ပေါင်းစပ်ဖို့, သုတေသီထဲသို့နမူနာခွဲနိုင်ပါတယ် \(H\) , (ဤကိစ္စတွင်ပေါင်း 100 အတွက်) အုပ်စုများအုပ်စုတိုင်းအဘို့ခန့်မှန်းစေပါ, အဲဒီနောက်ထိုအအုပ်စုဟာချိန်ပျမ်းမျှအားဖန်တီးဆိုလိုတယ်:

\[ \hat{\bar{y}}_{post} = \sum_{h \in H} \frac{N_h}{N} \hat{\bar{y}}_h \qquad(3.5)\]

အကြမ်းအားဖြင့်, eq အတွက်ခန့်မှန်းထားပါတယ်။ ထိုသို့လူသိများသည့်လူဦးရေသတင်းအချက်အလက်-The များကိုအသုံးပြုဘာလို့လဲဆိုတော့ 3.5 ကပိုတိကျဖြစ်ဖွယ်ရှိသည် \(N_h\) တစ်ဦးသည်ညီမျှမှုနမူနာကိုရှေးခယျြခံရဖို့ဖြစ်ပျက်လျှင်မှန်ကန်သောခန့်မှန်းချက်စီစဉျ။ အဲဒါကိုစဉ်းစားရန်တလမ်းတည်းဖြင့် Post-stratification ဒေတာပြီးသားစုဆောင်းထားပြီးအပြီး stratification approximating တူသောဖြစ်ပါတယ်။

မညီမျှမှုဖြစ်နိုင်ခြေများနှင့် stratified နမူနာနှင့်အတူနမူနာကော, အစားထိုးခြင်းမရှိဘဲရိုးရှင်းတဲ့ကျပန်းနမူနာ: နိဂုံးပိုင်းမှာတော့ဤအပိုင်းကိုအနည်းငယ်နမူနာဒီဇိုင်းများဖော်ပြထားခဲ့သည်။ အဆိုပါ Horvitz-Thompson ကခနျ့မှနျးနှင့် Post-stratification: ဒါဟာလည်းခန့်မှန်းချက်နှင့် ပတ်သက်. နှစ်ဦးကိုအဓိကစိတ်ကူးများဖော်ပြထားခဲ့သည်။ ဖြစ်နိုင်ခြေနမူနာဒီဇိုင်းများတစ်ဦးထက်ပိုသောပုံမှန်ချက်နှင့်အဓိပ္ပါယ်များအတွက်ရဲ့အခန်း 2 ကိုကြည့်ပါ Särndal, Swensson, and Wretman (2003) ။ stratified နမူနာတစ်ခုထက်ပိုသောတရားဝင်နှင့်ပြည့်စုံကုသမှုများအတွက်, ပုဒ်မ 3.7 တွေ့မြင် Särndal, Swensson, and Wretman (2003) ။ အဆိုပါ Horvitz-Thompson ကခနျ့မှနျး၏ဂုဏ်သတ္တိများတစ်ခုနည်းပညာပိုင်းဆိုင်ရာဖော်ပြချက်များအတွက်တွေ့ Horvitz and Thompson (1952) , Overton and Stehman (1995) , ဒါမှမဟုတ် @ sarndal_model_2003 ပုဒ်မ 2.8 ။ Post-stratification တစ်ဦးထက်ပိုသောပုံမှန်ကုသမှုများအတွက်ကိုတွေ့မြင် Holt and Smith (1979) , Smith (1991) , Little (1993) , သို့မဟုတ်ပုဒ်မ 7.6 Särndal, Swensson, and Wretman (2003)

nonresponse နှင့်အတူဖြစ်နိုင်ခြေနမူနာ

အားလုံးနီးပါးကိုမှန်ကန်စစ်တမ်းများ nonresponse ရှိသည် ဖြစ်. , ဆိုလိုသည်ကားနမူနာလူဦးရေထဲမှာမလူတိုင်းအတွက်တိုင်းမေးခွန်းတစ်ခုကိုဖွကွေား။ ကို item nonresponse နှင့်ယူနစ် nonresponse: nonresponse နှစ်ခုအဓိကအမျိုးမျိုးရှိပါတယ်။ ကို item nonresponse များတွင်အချို့သောဖြေဆိုသူ (တစ်ခါတစ်ရံဖြေဆိုသူသူတို့အထိခိုက်မခံစဉ်းစားပါကြောင်းမေးခွန်းများကိုဖြေချင်ကြပါဘူး, ဥပမာ) အခြို့ပစ္စည်းများကိုမဖြေကြဘူး။ ယူနစ် nonresponse ခုနှစ်တွင်နမူနာလူဦးရေအတွက်ရွေးချယ်ဖြစ်ကြောင်းလူအခြို့မှာအားလုံးစစ်တမ်းတုံ့ပြန်ကြပါဘူး။ ယူနစ် nonresponse ဘို့နှစ်ခုအသုံးအများဆုံးအကြောင်းပြချက်နမူနာလူတစ်ဦးကိုဆက်သွယ်မရနိုငျနှင့်နမူနာလူတစ်ဦးကိုဆက်သွယ်ပေမယ့်ပါဝင်ဆောင်ရွက်ရန်ငြင်းဆန်ကြောင်းဖြစ်ကြသည်။ ဤအပိုင်းကို၌ငါယူနစ် nonresponse အာရုံစိုက်ပါလိမ့်မယ်; ကို item nonresponse စိတ်ဝင်စားစာဖတ်သူများ Little ကနှင့် Rubin ကကြည့်ရှုသင့်ပါတယ် (2002)

သုတေသီများမကြာခဏနှစ်ဇာတ်စင်နမူနာဖြစ်စဉ်ကိုအဖြစ်ယူနစ် Non-တုံ့ပြန်မှုနှင့်အတူစစ်တမ်းများစဉ်းစားပါ။ ပထမအဆင့်မှာသုတေသီတစ်ဦးနမူနာရွေးချယ် \(s\) လူတစ်ဦးစီပါဝင်တစ်ခုဖြစ်နိုင်ခြေရှိကြောင်းထိုကဲ့သို့သော \(\pi_i\) (ဘယ်မှာ \(0 < \pi_i \leq 1\) ) ။ ထို့နောက်ဒုတိယအဆင့်တွင်, လူတွေဖြစ်နိုင်ခြေနှင့်အတူနမူနာတုံ့ပြန်သို့ရှေးခယျြထားကြသူ \(\phi_i\) (ဘယ်မှာ \(0 < \phi_i \leq 1\) ) ။ ဤသည်ဖြေဆိုသူ၏နောက်ဆုံးထားနှစ်ခုအဆင့်လုပ်ငန်းစဉ်အားရလဒ်များကို \(r\) ။ အဲဒီနှစျခုအဆင့်ဆင့်အကြားအရေးပါသောခြားနားချက်သုတေသီများနမူနာကိုရွေးချယ်ခြင်း၏ဖြစ်စဉ်ကိုထိန်းချုပ်ပေမယ့်သူတို့နမူနာလူတွေဖြေဆိုသူဖြစ်လာရာမထိန်းချုပ်ဘူးသောကွောငျ့ဖွစျသညျ။ အတူတူအဲဒီနှစျခုဖြစ်စဉ်များချပြီး, တစ်စုံတစ်ဦးကိုတစ်ဦးတုံ့ပြန်ဖြစ်လိမ့်မည်ဟုဖြစ်နိုင်ခြေဖြစ်ပါသည်

\[ pr(i \in r) = \pi_i \phi_i \qquad(3.6)\]

ရိုးရှင်းများ၏ဘို့အလိုငှါ, ငါမူရင်းနမူနာဒီဇိုင်းကိုအစားထိုးခြင်းမရှိဘဲရိုးရှင်းတဲ့ကျပန်းနမူနာရှိရာကိစ္စထည့်သွင်းစဉ်းစားရပါလိမ့်မယ်။ တစ်သုတေသီအရွယ်အစားနမူနာရွေးချယ် အကယ်. \(n_s\) ဖြစ်ထွန်းကြောင်း \(n_r\) : ဖြေဆိုသူ, နှင့်သုတေသီ Non-တုံ့ပြန်မှုလျစ်လျူရှုနှင့်ဖြေဆိုသူယုတ်ကိုအသုံးပြုလျှင်, ခန့်မှန်းချက်၏ဘက်လိုက်မှုဖြစ်လိမ့်မည်

\[ \mbox{bias of sample mean} = \frac{cor(\phi, y) S(y) S(\phi)}{\bar{\phi}} \qquad(3.7)\]

ဘယ်မှာ \(cor(\phi, y)\) တုံ့ပြန်မှု propensity နှင့်ရလဒ်ကို (ဥပမာ, အလုပ်လက်မဲ့အခြေအနေ) အကြားလူဦးရေဆက်စပ်မှုဖြစ်ပါသည်, \(S(y)\) ရလဒ်များ၏လူဦးရေစံသွေဖည်ဖြစ်ပါတယ် (ဥပမာ, အလုပ်လက်မဲ့ အဆင့်အတန်း), \(S(\phi)\) တုံ့ပြန်မှု propensity ၏လူဦးရေမှာစံသွေဖည်ကြောင်း, \(\bar{\phi}\) တုံ့ပြန်မှု propensity ဆိုလိုလူဦးရေဖြစ်ပါသည် (Bethlehem, Cobben, and Schouten 2011, sec. 2.2.4)

Eq ။ 3.7 အောက်ပါအခြေအနေများမဆိုတွေ့ဆုံခဲ့ပြီးလျှင် nonresponse ဘက်လိုက်မှုမိတ်ဆက်ပေးမည်မဟုတ်ကြောင်းပြသထားတယ်:

  • အဘယ်သူမျှမအလုပ်လက်မဲ့ status ကိုအတွက်အပြောင်းအလဲရှိပါသည် \((S(y) = 0)\)
  • အဲဒီမှာတုံ့ပြန်မှုတို့ကိုလိုလားသောဆက်ဆံရေးကိုမမူကွဲဖြစ်ပါတယ် \((S(\phi) = 0)\)
  • အဲဒီမှာတုံ့ပြန်မှု propensity နှင့်အလုပ်လက်မဲ့ status ကိုအကြားအဘယ်သူမျှမဆက်စပ်ဖြစ်ပါတယ် \((cor(\phi, y) = 0)\)

ကံမကောင်းစွာပဲအဲဒီအခြေအနေများအဘယ်သူအားမျှဖွယ်ရှိပုံရသည်။ ဒါဟာအလုပ်အကိုင်အဆင့်အတန်းတွင်သို့မဟုတ်တုံ့ပြန်မှုတို့ကိုလိုလားသောဆက်ဆံရေးကိုမမူကွဲရှိလိမ့်မည်မမူကွဲရှိလိမ့်မည်ကြောင်း implausible ပုံရသည်။ ထို့ကြောင့် eq အတွက်သော့ချက်ဝေါဟာရကို။ 3.7 ထိုဆက်စပ်မှုဖြစ်ပါသည်: \(cor(\phi, y)\) ။ လူတွေအလုပ်လက်မဲ့တုံ့ပြန်ရန်ကပိုများပါတယ်တဲ့သူမှန်လျှင်ဥပမာ, ထို့နောက်ခန့်မှန်းအလုပ်အကိုင်အနှုန်းကိုအထက်သို့ biased လိမ့်မည်။

nonresponse လည်းမရှိသည့်အခါခန့်မှန်းချက်အောင်ရန်အလှည့်ကွက်ရန်သတင်းအချက်အလက်သုံးစွဲဖို့ဖြစ်ပါတယ်။ ဥပမာအားဖြင့်, သငျသညျအရန်သတင်းအချက်အလက်ကိုသုံးနိုင်သည်ရသောတလမ်းတည်းဖြင့် Post-stratification ဖြစ်ပါတယ် (ပြန်လည်သိမ်းဆည်း eq ။ 3.5 အထက်မှ) ။ ဒါဟာ Post-stratification ခနျ့မှနျး၏ဘက်လိုက်မှုကြောင်းထွက်လှည့်:

\[ bias(\hat{\bar{y}}_{post}) = \frac{1}{N} \sum_{h=1}^H \frac{N_h cor(\phi, y)^{(h)} S(y)^{(h)} S(\phi)^{(h)}}{\bar{\phi}^{(h)}} \qquad(3.8)\]

ဘယ်မှာ \(cor(\phi, y)^{(h)}\) , \(S(y)^{(h)}\) , \(S(\phi)^{(h)}\) , နှင့် \(\bar{\phi}^{(h)}\) အထက်အဖြစ်သတ်မှတ်ပေမယ့်အုပ်စုတစ်စုရှိလူများကန့်သတ်ထားပါသည် \(h\) (Bethlehem, Cobben, and Schouten 2011, sec. 8.2.1) ။ တစ်ခုချင်းစီကို Post-stratification အုပ်စုတစ်စုအတွက်ဘက်လိုက်မှုသေးငယ်သည်ဆိုပါကထို့ကြောင့်ခြုံငုံဘက်လိုက်မှုအသေးစားဖြစ်လိမ့်မည်။ တစ်ခုချင်းစီကို Post-stratification အုပ်စုတစ်စုအတွက်ဘက်လိုက်မှုအသေးအောင်စဉ်းစားရန်ကျွန်မသဘောကျတယ်ကြောင်းနည်းလမ်းနှစ်ခုရှိပါတယ်။ ပထမဦးစွာသင်နည်းနည်းတုံ့ပြန်မှု propensity (အတွင်းအပြောင်းအလဲရှိတစ်သားတည်းဖြစ်တည်ခြင်းအုပ်စုများဖွဲ့စည်းဖို့ကြိုးစားချင် \(S(\phi)^{(h)} \approx 0\) ) နှင့်ရလဒ် ( \(S(y)^{(h)} \approx 0\) ) ။ ဒုတိယအချက်အသင်မြင်သောလူအသငျသညျ (မမြင်နိုင်ကြဘူးသောကဲ့သို့ဖြစ်ကြ၏ဘယ်မှာအုပ်စုများဖွဲ့စည်းချင် \(cor(\phi, y)^{(h)} \approx 0\) ) ။ နှိုငျးယှဉျ eq ။ 3.7 နှင့် eq ။ 3.8 Post-stratification nonresponse ကြောင့်ဖြစ်ရတဲ့အတွက်ဘက်လိုက်မှုကိုလျှော့ချနိုင်တဲ့အခါရှင်းလင်းကူညီပေးသည်။

နိဂုံးချုပ်မှာတော့ဤအပိုင်းကို nonresponse နှင့်အတူဖြစ်နိုင်ခြေနမူနာများအတွက်မော်ဒယ်ထောက်ပံ့ခြင်းနှင့် nonresponse Post-stratification ချိန်ညှိခြင်းမရှိဘဲနှင့်အတူနှစ်ဦးစလုံးမိတ်ဆက်ပေးနိုငျသောဘက်လိုက်မှုကိုပြသထားသည်။ Bethlehem (1988) ထက်ပိုသောယေဘုယျနမူနာဒီဇိုင်းများများအတွက် nonresponse ကြောင့်ဖြစ်ရတဲ့အတွက်ဘက်လိုက်မှုတစ်ခုအနကျအဓိပ်ပါယျပေးထားပါတယ်။ nonresponse အဘို့ကိုထိန်းညှိဖို့ Post-stratification သုံးပြီးအပေါ်ကိုပိုမိုအဘို့အတွေ့ Smith (1991) နှင့် Gelman and Carlin (2002) ။ post-stratification စံကိုက်ညှိခန့်မှန်းချက်ကိုခေါ်နည်းစနစ်တစ်ခုထက်ပိုသောယေဘုယျမိသားစု၏အစိတ်အပိုင်းတစ်ခုဖြစ်ပါသည်, Zhang ကတွေ့မြင် (2000) ဆောင်းပါးတစ်ပုဒ်-အရှည်ကုသမှုနှင့်အဘို့အ Särndal and Lundström (2005) စာအုပ်-အရှည်ကုသမှုများအတွက်။ nonresponse များအတွက်ချိန်ညှိအခြားအခြားအတွက်ဆနည်းလမ်းများအပေါ်ပိုပြီးအဘို့အတွေ့ Kalton and Flores-Cervantes (2003) , Brick (2013) နှင့် Särndal and Lundström (2005)

non-ဖြစ်နိုင်ခြေနမူနာ

non-ဖြစ်နိုင်ခြေနမူနာဒီဇိုင်းများ၏ကြီးမားသောအမျိုးမျိုးပါဝင်သည် (Baker et al. 2013) ။ ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များအားဖြင့်, Xbox အသုံးပြုသူနမူနာအပေါ်အထူးအာရုံစိုက် (W. Wang et al. 2015) , သင်နမူနာဒီဇိုင်း၏သော့အစိတ်အပိုင်းတော့မဟုတ်ပါဘူးရှိရာတစ်ဦးအဖြစ်နမူနာမျိုးစဉ်းစားနိုင်ပါတယ် \(\pi_i\) ( ယင်းသုတေသီ-မောင်းနှင်ပါဝင်၏ဖြစ်နိုင်ခြေ) ဒါပေမယ့် \(\phi_i\) ကို (တုံ့ပြန်-မောင်းနှင်တုံ့ပြန်မှုတို့ကိုလိုလားသောဆက်ဆံရေး) ။ အဆိုပါဘာဖြစ်လို့လဲဆိုတော့သဘာဝ, ဒီစံပြမဖြစ် \(\phi_i\) ကိုမသိရှိပါ။ ယင်းသုတေသီကောင်းသောအရန်သတင်းအချက်အလက်နှင့်ဤပြဿနာများအတွက်အကောင့်တစ်ခုကောင်းသောစာရင်းအင်းမော်ဒယ်ရှိပါတယ်လျှင်မူကား, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကပြသကဲ့သို့, ဘေးဖယ်-in ကိုနမူနာ-ပင်၏ဤကြင်နာကြီးမားလွှမ်းခြုံအမှား-လိုအပ်ချက်နဲ့နမူနာဘောင်ကနေကပ်ဘေးဆိုင်ရာဖြစ်ဘူး။

Bethlehem (2010) nonresponse နှင့်လွှမ်းခြုံအမှားများကိုနှစ်ဦးစလုံးထည့်သွင်းရန် Post-stratification ပတ်သက်. အထက်အနကျအဓိပ်ပါယျအများအပြားချဲ့ထွင်။ လွှမ်းခြုံအမှားများနှင့်အတူ Non-ဖြစ်နိုင်ခြေနမူနာ-နှင့်ဖြစ်နိုင်ခြေနမူနာအတူလုပ်ကိုင်ခြင်းနှင့် nonresponse-ပါဝင်သည်နမူနာကိုက်ညီသော Post-stratification အခြားနည်းစနစ်များအပြင် (Ansolabehere and Rivers 2013; ??? ) , propensity တွက်ဆဂိုးသွင်း (Lee 2006; Schonlau et al. 2009) နှင့်စံကိုက်ညှိ (Lee and Valliant 2009) ။ ဒီလိုနည်းပညာအကြားတစ်ခုမှာဘုံဆောင်ပုဒ်ကတော့အရန်အချက်အလက်များ၏အသုံးပြုမှုဖြစ်ပါတယ်။