Bit By Bit: Social Research in the Digital Age
  • အကွောငျး
    • ပွင့်လင်းကိုပြန်လည်ဆန်းစစ်ခြင်း
    • ဆင့်ခေါ်ချက်
    • ကုဒ်
    • အာဘော်အကြောင်း
    • သီးသန့်လုံခြုံရေး & သဘောတူညီချက်
  • ဘာသာစကားများ
    • English
    • Afrikaans
    • Albanian
    • Amharic
    • Arabic
    • Armenian
    • Azerbaijani
    • Basque
    • Belarusian
    • Bengali
    • Bosnian
    • Bulgarian
    • Catalan
    • Cebuano
    • Chichewa
    • Chinese Simplified
    • Chinese Traditional
    • Corsican
    • Croatian
    • Czech
    • Danish
    • Dutch
    • Esperanto
    • Estonian
    • Filipino
    • Finnish
    • French
    • Frisian
    • Galician
    • Georgian
    • German
    • Greek
    • Gujarati
    • Haitian Creole
    • Hausa
    • Hawaiian
    • Hebrew
    • Hindi
    • Hmong
    • Hungarian
    • Icelandic
    • Igbo
    • Indonesian
    • Irish
    • Italian
    • Japanese
    • Javanese
    • Kannada
    • Kazakh
    • Khmer
    • Korean
    • Kurdish (Kurmanji)
    • Kyrgyz
    • Lao
    • Latin
    • Latvian
    • Lithuanian
    • Luxembourgish
    • Macedonian
    • Malagasy
    • Malay
    • Malayalam
    • Maltese
    • Maori
    • Marathi
    • Mongolian
    • Myanmar (Burmese)
    • Nepali
    • Norwegian
    • Pashto
    • Persian
    • Polish
    • Portuguese
    • Punjabi
    • Romanian
    • Russian
    • Samoan
    • Scots Gaelic
    • Serbian
    • Sesotho
    • Shona
    • Sindhi
    • Sinhala
    • Slovak
    • Slovenian
    • Somali
    • Spanish
    • Sudanese
    • Swahili
    • Swedish
    • Tajik
    • Tamil
    • Telugu
    • Thai
    • Turkish
    • Ukrainian
    • Urdu
    • Uzbek
    • Vietnamese
    • Welsh
    • Xhosa
    • Yiddish
    • Yoruba
    • Zulu
  • Teaching
  • Media
  • Read Online
  • စာအုပ်ကို Buy
    • Princeton University Press
    • Amazon
    • Barnes and Noble
    • IndieBound
  • နိဒါန်း
  • 1 နိဒါန်း
    • 1.1 တစ်ဦးမှင် blot
    • 1.2 ဒီဂျစ်တယ်ခေတ်မှလှိုက်လှဲစွာကြိုဆိုပါသည်
    • 1.3 သုတေသနဒီဇိုင်း
    • 1.4 ဤစာစောင်၏ Themes
    • 1.5 ဤစာအုပ်၏ကောက်ကြောင်း
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
  • 2 လေ့လာခြင်းအပြုအမူ
    • 2.1 နိဒါန်း
    • 2.2 နဲ့ Big ဒေတာ
    • 2.3 ကြီးမားသောအချက်အလက်များ၏ဆယ်ပါးဘုံဝိသေသလက္ခဏာများ
      • 2.3.1 နဲ့ Big
      • 2.3.2 အမြဲတမ်း-On
      • 2.3.3 Nonreactive
      • 2.3.4 မပြည့်စုံ
      • 2.3.5 တပိုင်တနိုင်
      • 2.3.6 Nonrepresentative
      • 2.3.7 ပျံ့
      • 2.3.8 algorithm သည်ရှက်ကြောက်
      • 2.3.9 Dirty
      • 2.3.10 ထိခိုက်မခံတဲ့
    • 2.4 သုတေသနမဟာဗျူဟာများ
      • 2.4.1 မဲရေတွက်မှုအရာ
      • 2.4.2 ကြိုတင်ခန့်မှန်းခြင်းနှင့် nowcasting
      • 2.4.3 ခန့်မှန်းခြေအားဖြင့်စမ်းသပ်ချက်
    • 2.5 နိဂုံး
    • သင်္ချာဆိုင်ရာမှတ်စု
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
    • လှုပ်ရှားမှုများ
  • 3 မေးမေးခွန်းတွေကို
    • 3.1 နိဒါန်း
    • 3.2 စောင့်ကြည့်နှိုင်းယှဉ်မေး
    • 3.3 စုစုပေါင်းစစ်တမ်းအမှားမူဘောင်
      • 3.3.1 ကိုယ်စားပြုမှု
      • 3.3.2 တိုင်းတာခြင်း
      • 3.3.3 ကုန်ကျစရိတ်
    • 3.4 အဘယ်သူမေးရန်
    • 3.5 မေးခွန်းများမေး၏နယူးနည်းလမ်းများ
      • 3.5.1 သဘာဝပတ်ဝန်းကျင်ဒင်္အကဲဖြတ်
      • 3.5.2 ဝီကီစစ်တမ်းများ
      • 3.5.3 Gamification
    • 3.6 ကြီးတွေဒေတာသတင်းရင်းမြစ်ဆက်စပ်စစ်တမ်းများ
      • 3.6.1 သန့်စင်မေးမြန်းခြင်း
      • 3.6.2 မွနျတောငျးဆို
    • 3.7 နိဂုံး
    • သင်္ချာဆိုင်ရာမှတ်စု
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
    • လှုပ်ရှားမှုများ
  • 4 အပြေးစမ်းသပ်ချက်
    • 4.1 နိဒါန်း
    • 4.2 စမ်းသပ်ချက်ဘာတွေလဲ?
    • 4.3 စမ်းသပ်ချက်နှစ်ယောက်ရှုထောင်: ဓာတ်ခွဲခန်း-Field နဲ့ Analog-ဒီဂျစ်တယ်
    • 4.4 ရိုးရှင်းတဲ့စမ်းသပ်ချက် ကျော်လွန်. Moving
      • 4.4.1 သက်တမ်း
      • 4.4.2 ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော
      • 4.4.3 ယန္တရားများ
    • 4.5 ကဖြစ်ပျက်ဖော်ဆောင်ရေး
      • 4.5.1 အသုံးပြုခြင်းတည်ဆဲပတ်ဝန်းကျင်မှာ
      • 4.5.2 သင့်ကိုယ်ပိုင်စမ်းသပ်မှု Build
      • 4.5.3 သင့်ကိုယ်ပိုင်ထုတ်ကုန် Build
      • 4.5.4 အင်အားကြီးနှင့်အတူအဖော်
    • 4.6 အကြံဉာဏ်
      • 4.6.1 သုည variable ကိုကုန်ကျစရိတ်ဒေတာ Create
      • 4.6.2 သင့်ရဲ့ဒီဇိုင်းသို့ကျင့်ဝတ် Build: အစားထိုးမွမ်းမံနှင့်လျှော့ချ
    • 4.7 နိဂုံး
    • သင်္ချာဆိုင်ရာမှတ်စု
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
    • လှုပ်ရှားမှုများ
  • 5 အစုလိုက်အပြုံလိုက်ပူးပေါင်း Creating
    • 5.1 နိဒါန်း
    • 5.2 လူ့တွက်ချက်မှု
      • 5.2.1 က Galaxy တိရစ္ဆာန်ရုံ
      • 5.2.2 နိုင်ငံရေးအရစာတမ်းတွင်၏လူအုပျ-နိုင်တဲ့ coding
      • 5.2.3 နိဂုံး
    • 5.3 ကို Open ဖုန်းခေါ်ဆိုမှု
      • 5.3.1 Netflix နဲ့ဆု
      • 5.3.2 Foldit
      • 5.3.3 ရွယ်တူချင်းမှမူပိုင်ခွင့်
      • 5.3.4 နိဂုံး
    • 5.4 Distributed ဒေတာစုဆောင်း
      • 5.4.1 eBird
      • 5.4.2 PhotoCity
      • 5.4.3 နိဂုံး
    • 5.5 သင့်ကိုယ်ပိုင်ဒီဇိုင်း
      • 5.5.1 လှုံ့ဆော်ပေးသင်တန်းသားများ
      • 5.5.2 သြဇာပင်သောင်းပြောင်းထွေလာရောနှော
      • 5.5.3 အာရုံစိုက်အာရုံစူးစိုက်မှု
      • 5.5.4 အံ့သြ Enable
      • 5.5.5 ကျင့်ဝတ် Be
      • 5.5.6 Final ဒီဇိုင်းအကွံဉာဏျ
    • 5.6 နိဂုံး
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
    • လှုပ်ရှားမှုများ
  • 6 ဆိုင်ရာကိုယ်ကျင့်တရား
    • 6.1 နိဒါန်း
    • 6.2 သုံးဥပမာ
      • 6.2.1 စိတ်ခံစားမှုဘယ်လိုကူးစက်
      • 6.2.2 အရသာ, ဆက်ဆံရေးနှင့်အချိန်
      • 6.2.3 Encore
    • 6.3 ဒစ်ဂျစ်တယ်ကွဲပြားခြားနားသည်
    • 6.4 လေးအခြေခံမူ
      • 6.4.1 Persons များအတွက်လေးစား
      • 6.4.2 ကောင်းတဲ့
      • 6.4.3 တရားမျှတရေး
      • 6.4.4 ဥပဒေနှင့်ပြည်သူ့အကျိုးစီးပွားများအတွက်လေးစား
    • 6.5 နှစ်ဦးကျင့်ဝတ်ဆိုင်ရာမူဘောင်
    • 6.6 အခက်အခဲ၏ဧရိယာ
      • 6.6.1 သဘောတူချက်
      • 6.6.2 ကိုနားလည်ခြင်းနှင့်အချက်အလက်ဆိုင်ရာအန္တရာယ်စီမံခန့်ခွဲခြင်း
      • 6.6.3 သီးသန့်လုံခြုံရေး
      • 6.6.4 မသေချာမရေရာ၏မျက်နှာ၌ဆုံးဖြတ်ချက်များဖော်ဆောင်ရေး
    • 6.7 လက်တွေ့အကြံပေးချက်များ
      • 6.7.1 အဆိုပါ IRB တစ်ဦးကြမ်းပြင်, မတစ်ဦးမျက်နှာကြက်သည်
      • 6.7.2 လူတိုင်းအခြားသူရဲ့ဖိနပ်အတွက်ကိုယ့်ကိုယ်ကိုသွင်းထား
      • 6.7.3 discrete, စဉ်ဆက်မပြတ်မအဖြစ်သုတေသနလုပ်ငန်းကျင့်ဝတ်၏စဉ်းစားပါ
    • 6.8 နိဂုံး
    • သမိုင်းဆိုင်ရာနောကျဆကျတှဲ
    • အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့
    • လှုပ်ရှားမှုများ
  • 7 အနာဂတ်
    • 7.1 ရှေ့ဆက်ရှာနေ
    • 7.2 အနာဂတ်မှာ၏ Themes
      • 7.2.1 readymades နှင့် custommades ၏ blending
      • 7.2.2 ပါဝင်သူဗဟိုပြုဒေတာစုဆောင်း
      • 7.2.3 သုတေသနလုပ်ငန်းဒီဇိုင်းဆိုင်ရာကိုယ်ကျင့်တရား
    • 7.3 Back ကိုအစအဦးမှ
  • ကျေးဇူးတင်လွှာ
  • ကိုးကား
ဒီဘာသာပြန်ချက်ကွန်ပျူတာအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ×

အဘယ်အရာကိုလာမယ့်ဖတ်ရှုဖို့

  • နိဒါန်း (အပိုင်း 2.1)

ကြောင်းစောင့်ကြည့်တစ်ခုမှာကြင်နာဤအခနျးတှငျမပါဝင်တာဖြစ်ပါတယ် ethnography ဖြစ်ပါတယ်။ ဒစ်ဂျစ်တယ်နေရာများအတွက် ethnography အပေါ်ပိုပြီးအဘို့အတွေ့ Boellstorff et al. (2012) နှင့်ရောထွေးဒစ်ဂျစ်တယ်နှင့်ရုပ်ပိုင်းဆိုင်ရာနေရာများအတွက် ethnography အပေါ်ပိုပြီးအဘို့အတွေ့ Lane (2016) ။

  • Big ဒေတာ (အပိုင်း 2.2)

အဲဒီမှာမရှိတစ်ခုတည်းသဘောတူချက်နှင့်အဓိပ္ပါယ် "ကြီးမားတဲ့ဒေတာ," ဖြစ်ပါတယ်ဒါပေမယ့်အများကြီးအဓိပ္ပာယ်မှာ "3 Vs" ပေါ်တွင်အာရုံစူးစိုက်ဟန်: အသံအတိုးအကျယ်, အမျိုးမျိုးနှင့်အလျင် (ဥပမာ Japec et al. (2015) ) ။ ကြည့်ရှုပါ De Mauro et al. (2015) အဓိပ္ပာယ်များပြန်လည်သုံးသပ်။

အခြားသူတွေအပါအဝင်ဤကိစ္စတွင်လည်းရာ၌ခန့်ထားပြီဖြစ်သော်လည်းကြီးမားသောအချက်အလက်များ၏ကဏ္ဍကအစိုးရအုပ်ချုပ်ရေးအချက်အလက်များ၏အကြှနျုပျ၏ပါဝင်တစ်နည်းနည်းပုံမှန်မဟုတ်သောဖြစ်ပါတယ် Legewie (2015) , Connelly et al. (2016) နှင့် Einav and Levin (2014) ။ သုတေသနအတွက်အစိုးရအုပ်ချုပ်ရေးအချက်အလက်များ၏တန်ဖိုးကိုအကြောင်းပိုမိုအဘို့အတွေ့ Card et al. (2010) , Adminstrative Data Taskforce (2012) နှင့် Grusky, Smeeding, and Snipp (2015) ။

အစိုးရကစာရင်းအင်းစနစ်, အထူးသဖြင့်အမေရိကန်သန်းခေါင်စာရင်းဗျူရိုအတွင်းမှအုပ်ချုပ်ရေးသုတေသနတစ်ဦးအမြင်အဘို့အတွေ့ Jarmin and O'Hara (2016) ။ စာရင်းအင်းဆွီဒင်နိုင်ငံမှာအုပ်ချုပ်ရေးမှတ်တမ်းများသုတေသနစာအုပ်-အရှည်ကုသမှုများအတွက်ကိုတွေ့မြင် Wallgren and Wallgren (2007) ။

အဆိုပါအခနျးတှငျ, ငါသည်အကျဉ်းချုံးထိုကဲ့သို့သောတွစ်တာကဲ့သို့သောလူမှုမီဒီယာဒေတာအရင်းအမြစ်နှင့်အတူထိုကဲ့သို့သောအထွေထွေလူမှုစစ်တမ်း (GSS) အဖြစ်တစ်ဦးရိုးရာစစ်တမ်းနှင့်နှိုင်းယှဉ်ပါ။ ရိုးရာစစ်တမ်းများနှင့်လူမှုရေးမီဒီယာဒေတာများအကြားတစ်ဦးနှံ့နှံ့စပ်စပ်နဲ့သတိထားနှိုင်းယှဉ်ဘို့အတွေ့ Schober et al. (2016) ။

  • ကြီးမားသောအချက်အလက်များ၏ဘုံဝိသေသလက္ခဏာများ (အပိုင်း 2.3)

ကြီးမားသောအချက်အလက်များ၏ဤရွေ့ကား 10 ဝိသေသလက္ခဏာများကွဲပြားခြားနားသောစာရေးဆရာများအမျိုးမျိုးအားဖြင့်ကွဲပြားခြားနားတဲ့နည်းလမ်းတွေအမျိုးမျိုးမှာဖော်ပြထားတဲ့ပါပြီ။ ဤအကိစ္စများအပေါ်မှာငါ့စဉ်းစားတွေးခေါ်သြဇာလွှမ်းမိုးမှုကြောင့်စာရေးသားခြင်းလည်းပါဝင်သည် Lazer et al. (2009) , Groves (2011) , Howison, Wiggins, and Crowston (2011) , boyd and Crawford (2012) , SJ Taylor (2013) , Mayer-Schönberger and Cukier (2013) , Golder and Macy (2014) , Ruths and Pfeffer (2014) , Tufekci (2014) , Sampson and Small (2015) , K. Lewis (2015b) , Lazer (2015) , Horton and Tambe (2015) , Japec et al. (2015) နှင့် Goldstone and Lupyan (2016) ။

ဤအခနျးတစျလြှောကျလုံးငါအတော်လေးကြားနေသည်ထင်သောဝေါဟာရကိုဒစ်ဂျစ်တယ်ခြေရာတွေကိုအသုံးပြုပါတယ်။ ဒစ်ဂျစ်တယ်သဲလွန်စတွေကိုရှင်းလင်းဘို့နောက်ထပ်လူကြိုက်များတဲ့သက်တမ်းဒစ်ဂျစ်တယ်ခြေရာများဖြစ်ပါတယ် (Golder and Macy 2014) , ဒါပေမယ့် Hal Abelson, ကဲန် Ledeen နှင့်ဟယ်ရီ Lewis ကအဖြစ် (2008) ထုတ်ညွှန်တစ်ဦးထက်ပိုသောသင့်လျော်သောဝေါဟာရကိုဖြစ်ကောင်းဒစ်ဂျစ်တယ်လက်ဗွေရာဖြစ်ပါတယ်။ သငျသညျခြေရာများဖန်တီးတဲ့အခါ, သင်ဘာတွေဖြစ်နေတယ်ဆိုတာကိုသတိပြုမိကြသည်နှင့်သင့်ခြေရာများယေဘုယျအားပုဂ္ဂိုလ်ရေးအရကိုသင်ခြေရာကောက်မရနိုင်ပါ။ အတူတူသင့်ရဲ့ဒစ်ဂျစ်တယ်သဲလွန်စတွေကိုရှင်းလင်းဘို့စစ်မှန်တဲ့မဟုတ်ပါဘူး။ တကယ်တော့သင်ကခြေရာတွေကိုသငျသညျအနည်းငယ်သာအသိပညာရှိသည်သောအကြောင်းကိုလူအပေါင်းတို့သည်အချိန်ထွက်ခွာနေကြသည်။ ဤအခြေရာတွေသူတို့အပေါ်မှာသင့်ရဲ့နာမကိုအမှီရှိသည်မဟုတ်ကြဘူးပေမယ့်နှင့်, သူတို့မကြာခဏသင်တို့ဆီသို့ပြန်နှင့်ဆက်စပ်နိုင်ပါတယ်။ မမြင်ရတဲ့နှင့်ပုဂ္ဂိုလ်ရေးအရဖော်ထုတ်: တနည်းအားဖြင့်သူတို့ကပိုလက်ဗွေရာကဲ့သို့ဖြစ်ကြ၏။

  • Big (အပိုင်း 2.3.1)

ကြီးမားသောအချက်အလက်စာရင်းများအတွက်စာရင်းအင်းစမ်းသပ်မှုပြဿနာဆပ်အဘယ်ကြောင့်ပိုမိုအဘို့အတွေ့ M. Lin, Lucas, and Shmueli (2013) နှင့် McFarland and McFarland (2015) ။ ဤရွေ့ကားကိစ္စများလက်တွေ့ကျတဲ့အရေးပါမှုထက်စာရင်းအင်းအရေးပါမှုကိုအာရုံစိုက်ဖို့သုတေသီများဦးဆောင်လမ်းပြသင့်ပါတယ်။

Raj Chetty နှင့်လုပ်ဖော်ကိုင်ဖက်များကအခွန်မှတ်တမ်းများမှဝင်ရောက်ခွင့်ရရှိထားဘယ်လိုအကြောင်းပိုမိုအဘို့အတွေ့ Mervis (2014) ။

အကြီးစားဒေတာအစုလည်းယေဘုယျအားဖြင့်တစ်ခုတည်းကွန်ပျူတာများ၏စွမ်းရည်ထက်ကျော်လွန်ဖြစ်ကြောင်းကွန်ပျူတာပြဿနာများကိုဖန်တီးနိုင်ပါတယ်။ ထို့ကြောင့်, ကြီးမားသောအချက်အလက်စာရင်းများအတွက်အပေါ် computing အောင်သုတေသီများမကြာခဏများစွာသောကွန်ပျူတာများကိုကျော်တခါတရံအပြိုင်ပရိုဂရမ်းမင်းကိုခေါ်နေတဲ့ဖြစ်စဉ်ကိုအလုပျပျံ့နှံ့သွားခဲ့သည်။ programming စင်ပြိုင်ဖို့နိဒါန်းအဘို့, Hadoop လို့ခေါ်တဲ့ဘာသာစကားအထူးသဖြင့်တွေ့ Vo and Silvia (2016) ။

  • (အပိုင်း 2.3.2) ကိုအမြဲတမ်း-On

အမြဲ-on ကိုထည့်သွင်းစဉ်းစားတဲ့အခါမှာဒေတာ, သင်အချိန်ကြာလာတာနဲ့အမျှအတိအကျတူညီလူတွေနှိုင်းယှဉ်ကြသည်ရှိမရှိဒါမှမဟုတ်သင်ကလူအချို့ကိုပြောင်းလဲအုပ်စုကိုနှိုင်းယှဉ်ကြသည်ရှိမရှိထည့်သွင်းစဉ်းစားရန်အရေးကြီးပါသည်, ဥပမာအားတွေ့မြင် Diaz et al. (2016) ။

  • Nonreactive (အပိုင်း¿စက္က: Non-reactive?)

nonreactive အစီအမံအပေါ်တစ်ဦးဂန္စာအုပ်ဖြစ်ပါတယ် Webb et al. (1966) ။ ကြောင်းစာအုပ်ထဲတွင်ဥပမာဒစ်ဂျစ်တယ်အသက်အရွယ် predate, ဒါပေမဲ့သူတို့နေဆဲ illuminating နေကြသည်။ ဘာဖြစ်လို့လဲဆိုတော့အစုလိုက်အပြုံလိုက်စောင့်ကြည့်၏ရှေ့မှောက်တွင်သူတို့ရဲ့အပြုအမူကိုပြောင်းလဲလူများဥပမာတွေ့ Penney (2016) နှင့် Brayne (2014) ။

reactivity ကိုအနီးကပ်သုတေသီများဝယ်လိုအားသက်ရောက်မှုကိုခေါ်အရာကို related ဖြစ်ပါတယ် (Orne 1962; Zizzo 2010) နှင့် Hawthorne အကျိုးသက်ရောက်မှု (Adair 1984; Levitt and List 2011) ။

  • မပြည့်စုံ (အပိုင်း 2.3.4)

စံချိန်ချိတ်ဆက်အပေါ်ပိုပြီးအဘို့အတွေ့ Dunn (1946) နှင့် Fellegi and Sunter (1969) (သမိုင်း) နှင့် Larsen and Winkler (2014) (ခေတ်သစ်) ။ အလားတူချဉ်းကပ်မှုကိုလည်းထောက်လှမ်းပွား, ထိုကဲ့သို့သောဒေတာ deduplication, ဥပမာအားဖြင့်ဖော်ထုတ်ခြင်း, နာမည်တိုက်ဆိုင်သည့်အဖြစ်အမည်များကိုအောက်မှာကွန်ပျူတာသိပ္ပံအတွက်ဖွံ့ဖြိုးပြီးနှင့်စံချိန်ထောက်လှမ်းပွားခဲ့ကြ (Elmagarmid, Ipeirotis, and Verykios 2007) ။ ပုဂ္ဂိုလ်ရေးအရသတင်းအချက်အလက်ဖော်ထုတ်၏ဂီယာလိုအပ်မချိတ်ဆက်မှတ်တမ်းတင်ဖို့ privacy ကို-ထိန်းသိမ်းချဉ်းကပ်မှုလည်းရှိပါတယ် (Schnell 2013) ။ Facebook မှာလည်းအပြုအမူမဲပေး၎င်းတို့၏မှတ်တမ်းများလင့်ထားသည်တစ်ဦးဖြစ်စဉ်ကိုတိုးတက်ဖွံ့ဖြိုးမူပြီ ဒီငါမျြးအခနျးကွီး 4 မှာအကြောင်းကိုသင်ပြောပြပါ့မယ်ကြောင်းစမ်းသပ်မှုတစ်ခုအကဲဖြတ်ရန်ပြုခံခဲ့ရသည် (Bond et al. 2012; Jones et al. 2013) ။

ဆောက်လုပ်ရေးတရားဝင်မှုအပေါ်ပိုပြီးအဘို့, ၏အခန်း 3 ကိုကြည့်ပါ Shadish, Cook, and Campbell (2001) ။

  • တပိုင်တနိုင် (အပိုင်း 2.3.5)

အဆိုပါ AOL ရှာဖွေရေးမှတ်တမ်း debacle အပေါ်ပိုပြီးအဘို့အတွေ့ Ohm (2010) ။ ငါစမ်းသပ်ချက်ကိုဖော်ပြရန်သောအခါအကျအခနျး 4 မှာကုမ္ပဏီများနှင့်အစိုးရများနှင့်အတူ ပူးပေါင်း. အကြောင်းကိုအကြံဉာဏ်ကိုဆက်ကပ်။ စာရေးဆရာတစ်ဦးအရေအတွက်ကိုတပိုင်တနိုင်ဒေတာပေါ်တွင်မူတည်ကြောင်းသုတေသနအကြောင်းကိုစိုးရိမ်ပူပန်မှုများတွေ့ထုတ်ဖော်ပြောဆိုခဲ့ကြ Huberman (2012) နှင့် boyd and Crawford (2012) ။

တက္ကသိုလ်သုတေသီတွေက data ကို access ကိုဆည်းပူးရန်အဘို့အတစ်ခုမှာကောင်းသောလမ်းတစ်အလုပ်သင်ဆရာဝန်သို့မဟုတ်လာရောက်လည်ပတ်သုတေသီအဖြစ်ကုမ္ပဏီတစ်ခုမှာအလုပ်လုပ်ကိုင်ဖို့ဖြစ်ပါတယ်။ ဒေတာ access ကို enable လုပ်ထားခြင်းအပြင်, ဤဖြစ်စဉ်ကိုလည်းဆန်းစစ်ဘို့အရေးကြီးပါတယ်တည်းဟူသော, သုတေသီ data ကိုဖန်တီးခဲ့ပုံကိုအကြောင်းပိုမိုလေ့လာသင်ယူကူညီပေးပါမည်။

အစိုးရ data ကိုမှဝင်ရောက်ခွင့်ရရှိမှု၏စည်းကမ်းချက်များ၌, Mervis (2014) Raj Chetty နှင့်လုပ်ဖော်ကိုင်ဖက်များကလူမှုရေး mobility အပေါ်သူတို့ရဲ့သုတေသနလုပ်ငန်းများတွင်အသုံးပြုအခွန်မှတ်တမ်းများမှဝင်ရောက်ခွင့်ရရှိထားပုံကိုဆြေးြေိံးထားသည်။

  • non-ကိုယ်စားလှယ် (စက္က: Non-ကိုယ်စားလှယ်)

တစ်ဦးအယူအဆအဖြစ် "ကိုယ်စားပြုမှု" ၏သမိုင်းကြောင်းအပေါ်ပိုပြီးအဘို့အတွေ့ Kruskal and Mosteller (1979a) , Kruskal and Mosteller (1979b) , Kruskal and Mosteller (1979c) နှင့် Kruskal and Mosteller (1980) ။

နှင်း၏လုပျငနျးနှင့် Doll နှင့်ဟေးလ်၏လုပျငနျးငါ၏အကျဉ်းချုပ်အတိုချုပ်ခဲ့ကြသည်။ ဝမ်းရောဂါအပေါ်နှင်းရဲ့အလုပ်အပေါ်ပိုမိုတွေ့ Freedman (1991) ။ ဗြိတိသျှဆရာဝန်များအပေါ်ပိုပြီးအဘို့ကိုတွေ့မြင်လေ့လာ Doll et al. (2004) နှင့် Keating (2014) ။

အတော်များများကသုတေသီများ Doll နှင့်ဟေးလ် 35 နှစ်အောက်အမျိုးသမီးဆရာဝန်တွေမှဆရာဝန်များကနေဒေတာတွေကိုစုဆောင်းခဲ့ပေမယ့်သူတို့ကရည်ရွယ်ချက်ရှိရှိသူတို့ရဲ့ပထမဦးဆုံးဆန်းစစ်၌ဤဒေတာကိုအသုံးမပြုခဲ့ကြောင်းသင်ယူဖို့အံ့သြသွားရလိမ့်မည်။ သူတို့စောဒကအဖြစ်: "အဆုတ်ကင်ဆာ 35 နှစ်အောက်အမျိုးသမီးများနှင့်အမျိုးသားများအတွက်အတော်လေးရှားပါးဖြစ်ပါတယ်ကတည်းကအသုံးဝင်သောကိန်းဂဏန်းများလာရန်အခြို့သောနှစ်ပေါင်းဤအုပ်စုများအတွက်ရရှိသောခံရဖို့မဖြစ်နိုင်ဖြစ်ကြသည်။ ဒီပဏာမအစီရင်ခံစာအတွက်ကျနော်တို့ 35 နှင့်အထက်အသက်ယောက်ျားကြှနျတျောတို့၏အာရုံစူးစိုက်မှုကိုထို့ကြောင့်ချုပ်ထားပြီ။ " Rothman, Gallacher, and Hatch (2013) အဘယ်ကြောင့်ကိုယ်စားပြုမှု" ၏တန်ဖိုးတစ်ခုထက်ပိုသောယေဘုယျအငြင်းအခုံဖြစ်စေလျက်, ရှောင်ကြဉ်ရပါမည်သည့်လိုက်စားခေါင်းစဉ်သည့် " ရည်ရွယ်ချက်ရှိရှိ nonrepresentative ဒေတာကိုဖန်ဆင်း၏။

Nonrepresentativeness တစ်ခုလုံးကိုလူဦးရေနှင့်ပတ်သက်ပြီးထုတ်ပြန်ချက်များစေရန်ဆန္ဒရှိသူကိုသုတေသီများနှင့်အစိုးရများအဘို့ဟာအဓိကပြဿနာဖြစ်ပါတယ်။ ဤသည်ပုံမှန်အားဖြင့်သူတို့ရဲ့အသုံးပြုသူများကိုအာရုံစိုက်နေသောကုမ္ပဏီများ, များအတွက်စိုးရိမ်စရာလျော့နည်းသည်။ စာရင်းအင်းနယ်သာလန်စီးပွားရေးလုပ်ငန်းကြီးတွေအချက်အလက်များ၏ nonrepresentativeness ၏ကိစ္စကိုစဉ်းစားပုံကိုပိုမိုအဘို့အတွေ့ Buelens et al. (2014) ။

ကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်၏ Non-ကိုယ်စားလှယ်သဘောသဘာဝနှင့် ပတ်သက်. စိုးရိမ်ပူပန်ကြောင်းဖော်ပြသုတေသီများ၏ဥပမာအဘို့အတွေ့ boyd and Crawford (2012) , K. Lewis (2015b) နှင့် Hargittai (2015) ။

လူမှုရေးစစ်တမ်းများနှင့် epidemiological သုတေသနများ၏ပန်းတိုင်ပိုပြီးအသေးစိတ်နှိုင်းယှဉ်ကြည့်ပါ Keiding and Louis (2016) ။

မဲဆန္ဒရှင်အကြောင်းကို Out-of-နမူနာယေဘုယျစေရန်တွစ်တာသုံးစွဲဖို့ကြိုးစားမှု, 2009 ဂျာမန်ရွေးကောက်ပွဲကနေအထူးသဖြင့်အမှုအပေါ်ပိုပြီးအဘို့အတွေ့ Jungherr (2013) နှင့် Jungherr (2015) ။ ၏လုပျငနျးမှနောက်ဆက်တွဲ Tumasjan et al. (2010) ကမ္ဘာတစ်ဝှမ်းရှိသုတေသီများပါတီများ-in ကိုရွေးကောက်ပွဲများအမျိုးမျိုးအမျိုးမျိုးခန့်မှန်းဖို့တွစ်တာအချက်အလက်များ၏စွမ်းရည်ကိုတိုးတက်စေရန်အလို့ငှာ၏ဖျောပွထားသ fancier နည်းလမ်းများ-ထိုကဲ့သို့သောအပြုသဘောနှင့်အပျက်သဘောအကြားခွဲခြားရန်စိတ်ဓါတ်များခွဲခြမ်းစိတ်ဖြာသုံးပြီးအဖြစ်အသုံးပြုခဲ့ကြ (Gayo-Avello 2013; Jungherr 2015, chap. 7.) ။ ဤတွင်ကိုဘယ်လိုဖွင့် Huberty (2015) ရွေးကောက်ပွဲတွေကြိုတင်ခန့်မှန်းဖို့ကဤကြိုးစားမှု၏ရလဒ်များကိုအကျဉ်းချုပ်:

စစ်မှန်တဲ့ရှေ့ဆက်-ရှာဖွေနေရွေးကောက်ပွဲဆိုင်ရာကြိုတင်ခန့်မှန်း၏တောင်းဆိုချက်များကိုအကြောင်းမဲ့သောအခါ "ဆိုရှယ်မီဒီယာပေါ်တွင် အခြေခံ. အားလုံးသိကြကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများမအောင်မြင်ခဲ့ကြပြီ။ ဤရွေ့ကားမအောင်မြင်မှုများလူမှုရေးမီဒီယာများ၏အခြေခံဂုဏ်သတ္တိများဖို့ထက်အတိုင်းအတာများသို့မဟုတ် algorithmic အခက်အခဲများကြောင့်ဖြစ်ပေါ်လာပါသည်။ တိုတောင်းသောခုနှစ်တွင်လူမှုမီဒီယာကိုမကျင့်, နှင့်ဖြစ်ကောင်း, မဲဆန္ဒရှင်တစ်တည်ငြိမ်, ဘက်မလိုက်, ကိုယ်စားလှယ်ရုပ်ပုံပူဇော်ပါလိမ့်မယ်ဘယ်တော့မှ; နှင့်လူမှုရေးမီဒီယာများ၏အဆင်ပြေနမူနာဒီပြဿနာတွေကို post ကို hoc fix ဖို့လုံလောက်သောဒေတာကင်းမဲ့နေသည်။ "

အခန်း 3 ၌ငါ သာ. အသေးစိတ်နမူနာများနှင့်ခန့်မှန်းချက်ကိုဖော်ပြရန်ပါလိမ့်မယ်။ ဒေတာ nonrepresentative များမှာရင်တောင်အချို့သောအခြေအနေများအောက်တွင်သူတို့ကောင်းသောခန့်မှန်းချက်ထုတ်လုပ်ရန်မာန်တင်းနိုင်ပါသည်။

  • မျော (အပိုင်း¿စက္က: မျော?)

System ကိုပျံ့ပြင်ပကနေကြည့်ရှုရန်အလွန်ခဲယဉ်းသည်။ သို့သျောလညျး, (ပိုပြီးအခနျးကွီး 4 တှငျဆှေးနှေး) ကို MovieLens စီမံကိန်းကိုအနေနဲ့ပညာရပ်ဆိုင်ရာသုတေသနအဖွဲ့ကထက်ပိုမို 15 နှစ်အဘို့ကို run ထားပြီးဖြစ်ပါသည်။ ထို့ကြောင့်သူတို့ကစနစ်အချိန်ကျော်ပြောင်းလဲထားပါတယ်နှင့်မည်သို့ဒီခွဲခြမ်းစိတ်ဖြာ impact အံ့သောငှါသှားရာလမျးအကြောင်းသတင်းအချက်အလက်မှတ်တမ်းတင်မျှဝေပေးနိုင်ပါပြီ (Harper and Konstan 2015) ။

ပညာရှင်တစ်ဦးကအရေအတွက်ကို Twitter ကိုအတွက်ပျံ့အပေါ်အာရုံစူးစိုက်ပြီ Liu, Kliman-Silver, and Mislove (2014) နှင့် Tufekci (2014) ။

လူဦးရေပျံ့နှငျ့ဆကျဆံရာတှငျတစျချဉ်းကပ်သုတေသီများတွေ့မြင်, အချိန်ကျော်အတူတူလူတွေလေ့လာဖို့ခွင့်ပြုထားတဲ့သုံးစွဲသူတစ်ဦး panel ကဖန်တီးရန်ဖြစ်ပါသည် Diaz et al. (2016) ။

  • algorithm သည်ရှက်ကြောက် (အပိုင်း¿စက္က: algorthmically-ရှက်ကြောက်?)

ကျွန်မပထမဦးဆုံးအသုံးအနှုန်းဟောပြောချက်ထဲမှာ Jon Kleinberg အသုံးပြုသော "Algorithm ကိုရှက်ကြောက်" ကျွန်တော်ကြားလျှင်, ဒါပေမယ့်ရသောအခါသို့မဟုတ်ရှိရာဆွေးနွေးချက်ပေးထားခဲ့သည်ကံမကောင်းငါမအောက်မေ့ပါဘူး။ ငါပုံနှိပ်အတွက်အသုံးအနှုန်းမြင်ဘူးသောပထမဦးဆုံးအကြိမ်၌ရှိ၏ Anderson et al. (2015) ချိန်းတွေ့ဆိုဒ်များအသုံးပြုတဲ့ algorithms လူမှုရေးဦးစားပေးလေ့လာဤဝက်ဘ်ဆိုက်များအနေဖြင့်ဒေတာသုံးစွဲဖို့သုတေသီများ '' စွမ်းရည်ကိုရှုပ်ထွေးစေခြင်းငှါ, ဘယ်လိုစိတ်ဝင်စားစရာကောင်းတဲ့ဆွေးနွေးမှုသော။ ဒါဟာစိုးရိမ်ပူပန်နေဖြင့်ကြီးပြင်း K. Lewis (2015a) မှတုန့်ပြန် Anderson et al. (2014) ။

Facebook မှာအပြင်, Twitter ကိုလည်း triadic ပိတ်သိမ်း၏စိတ်ကူးပေါ်အခြေခံပြီးအတိုင်းလိုက်နာမှအသုံးပြုသူများအတွက်လူတွေအကြံပြု; တွေ့မြင် Su, Sharma, and Goel (2016) ။ ဒါကြောင့် Twitter ကိုအတွက် triadic ပိတ်သိမ်း၏အဆငျ့ triadic ပိတ်သိမ်းဆီသို့အချို့သောလူ့သဘောသဘာဝနှင့် triadic ပိတ်သိမ်းမြှင့်တင်ရန်အချို့ algorithmic သဘောထားကိုပေါင်းစပ်ဖြစ်ပါတယ်။

Performance-in ကိုအထူးသဖြင့်အပေါ်မှာပိုပြီးအဘို့အအချို့သောလူမှုရေးသိပ္ပံသီအိုရီများ "အင်ဂျင်မဟုတ်ကင်မရာများ" (ဆိုလိုသည်မှာသူတို့ကမ္ဘာကြီးကိုပုံဖော်ထက်ရုံကဖော်ပြ) သောစိတ်ကူး -see Mackenzie (2008) ။

  • ညစ်ပတ်ပေရေ (အပိုင်း 2.3.9)

အစိုးရမဟုတ်သောစာရင်းအင်းအေဂျင်စီများစာရင်းအင်း data တွေကိုတည်းဖြတ်သန့်ရှင်းရေးဒေတာကိုခေါ်ပါ။ De Waal, Puts, and Daas (2014) စစ်တမ်းဒေတာအတွက်ဖွံ့ဖြိုးပြီးစာရင်းအင်း data တွေကိုတည်းဖြတ်နည်းစနစ်ကိုဖော်ပြရန်နှင့်သောသူတို့သည်ကြီးမားသောဒေတာသတင်းရပ်ကွက်သက်ဆိုင်သောများမှာဖို့အတိုင်းအတာများနှင့်ဆနျးစစျ Puts, Daas, and Waal (2015) တို့အတွက်တူညီသောစိတ်ကူးများအချို့ကိုတင်ပြ တစ်ဦးထက်ပိုသောယေဘုယျပရိသတ်ကို။

လူမှုရေး bot တွေဟာခြုံငုံသုံးသပ်ဘို့တွေ့ Ferrara et al. (2016) ။ တွစ်တာထဲမှာ spam များကိုရှာဖွေတာအပေါ်အာရုံစူးစိုက်လေ့လာမှုများအချို့ကိုဥပမာအဘို့အတွေ့ Clark et al. (2016) နှင့် Chu et al. (2012) ။ နောက်ဆုံးအနေနဲ့ Subrahmanian et al. (2016) အတွက် DARPA က Twitter ကိုအောက်ခြေစိန်ခေါ်မှု, Twitter ပေါ်တွင် bot တွေဟာဖော်ထုတ်မယ်ဘို့ချဉ်းကပ်နှိုင်းယှဉ်ဖို့ဒီဇိုင်းရေးဆွဲတစ်ဦးအစုလိုက်အပြုံလိုက်ပူးပေါင်း၏ရလဒ်များကိုကိုဖော်ပြရန်။

  • အထိခိုက်မခံ (အပိုင်း 2.3.10)

Ohm (2015) အထိခိုက်မခံအချက်အလက်များ၏စိတ်ကူးပေါ်အစောပိုင်းကသုတေသနသုံးသပ်ပြီးနှင့် Multi-အချက်စမ်းသပ်ပေးထားပါတယ်။ သူအဆိုတင်သွင်းလေးပါးအချက်များအန္တရာယ်များ၏ပြင်းအား, အန္တရာယ်များ၏ဖြစ်နိုင်ခြေတစ်ခုလျှို့ဝှက်ဆက်ဆံရေးရှိနေခြင်းနှင့်အန္တရာယ်အများစုစိုးရိမ်ပူပန်မှုများထင်ဟပ်ခြင်းရှိမရှိဖြစ်ကြသည်။

  • ရေတွက်သောအရာတို့ကို (အပိုင်း 2.4.1)

New York မှာတက္ကစီ၏ Farber ရဲ့လေ့လာမှုကအစောပိုင်းကလေ့လာမှုအပေါ်အခြေခံခဲ့ပါတယ် Camerer et al. (1997) စက္ကူခရီးစဉ်စာရွက်များသုံးခုကွဲပြားခြားနားသောအဆင်ပြေစေရန်နမူနာအသုံးပြုခဲ့တဲ့။ သူတို့လျော့နည်းအလုပ်လုပ်ခဲ့၎င်းတို့၏လုပ်ခလစာမြင့်မားတဲ့ခဲ့ကြသည်ဘယ်မှာရက်: ဒီအစောပိုင်းကလေ့လာမှု drivers တွေကိုပစ်မှတ််ငွေရရှိသူတွေဖြစ်သလိုပဲကြောင်းတွေ့ရှိခဲ့ပါတယ်။

နောက်ဆက်တွဲအလုပ်များတွင်ဘုရင်နှင့်လုပ်ဖော်ကိုင်ဘက်များထပ်မံတရုတ်တွင်အွန်လိုင်းဆင်ဆာဖြတ်တောက်မှုစူးစမ်းကြပါပြီ (King, Pan, and Roberts 2014, [@king_how_2016] ) ။ တရုတ်တွင်အွန်လိုင်းဆင်ဆာဖြတ်တောက်မှုကိုတိုင်းတာဖို့ဆက်စပ်ချဉ်းကပ်ဘို့အတွေ့ Bamman, O'Connor, and Smith (2012) ။ များတွင်အသုံးပြုတတူသောစာရင်းအင်းနည်းလမ်းများအပေါ်ပိုပြီးအဘို့ King, Pan, and Roberts (2013) 11 သန်းရေးသားချက်များ၏စိတ်ဓါတ်များကိုခန့်မှန်းရန်တွေ့ Hopkins and King (2010) ။ ကြီးကြပ်သင်ယူမှုအပေါ်မှာပိုပြီးအဘို့အတွေ့ James et al. (2013) (လျော့နည်းနည်းပညာပိုင်းဆိုင်ရာ) နှင့် Hastie, Tibshirani, and Friedman (2009) (အသေးစိတ်နည်းပညာဆိုင်ရာ) ။

  • ကြိုတင်ခန့်မှန်းခြင်းနှင့် nowcasting (အပိုင်း 2.4.2)

ကြိုတင်ခန့်မှန်းစက်မှုဇုန် data တွေကိုသိပ္ပံပညာ၏ကြီးမားသောအစိတ်အပိုင်းတစ်ခုဖြစ်ပါသည် (Mayer-Schönberger and Cukier 2013; Provost and Fawcett 2013) ။ အများအားလူမှုရေးသုတေသီများအားဖြင့်ပြုသောအမှုကြောင်းကြိုတင်ခန့်မှန်းတစ်ခုမှာအမျိုးအစားလူဦးရေဆိုင်ရာကြိုတင်ခန့်မှန်း၏, ဥပမာအဘို့အတွေ့ Raftery et al. (2012) ။

Google ကတုပ်ကွေး Trends တုပ်ကွေးရောဂါပျံ့နှံ့ nowcast မှရှာဖွေရေးဒေတာသုံးစွဲဖို့ပထမဦးဆုံးစီမံကိန်းကမဟုတ်ခဲ့ပေ။ တကယ်တော့, United States မှာသုတေသီများ (Polgreen et al. 2008; Ginsberg et al. 2009) နှင့်ဆွီဒင် (Hulth, Rydevik, and Linde 2009) အချို့သောရှာဖွေရေးဝေါဟာရများကိုတွေ့ရှိခဲ့ကြပါပြီ (ဥပမာ, "တုပ်ကွေး") အမျိုးသားရေးပြည်သူ့ကျန်းမာရေးစောင့်ကြည့်ခန့်မှန်း ကဖြန့်ချိခင်ဒေတာ။ နောက်ပိုင်းတွင်အများကြီးနဲ့အခြားစီမံကိန်းများအတွက်ရောဂါစောင့်ကြပ်ထောက်လှမ်းဘို့ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာသုံးစွဲဖို့ကြိုးစားခဲ့ပြီ တွေ့မြင် Althouse et al. (2015) ပြန်လည်သုံးသပ်။

ကျန်းမာရေးရလဒ်များကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စ data တွေကိုသုံးပြီးအပြင်, ကိုလည်းရွေးကောက်ပွဲရလဒ်များကိုကြိုတင်ခန့်မှန်းဖို့ Twitter ကိုဒေတာကို အသုံးပြု. အလုပ်၏ကြီးမားသောငွေပမာဏရှိခဲ့သည်; ပြန်လည်သုံးသပ်ခြင်းအဘို့ကိုတွေ့မြင် Gayo-Avello (2011) , Gayo-Avello (2013) , Jungherr (2015) (အခန်း 7), နှင့် Huberty (2015) ။ ထိုကဲ့သို့သောစုစုပေါင်းပြည်တွင်းထုတ်ကုန် (ဂျီဒီပီ) အဖြစ်စီးပွားရေးညွှန်းကိန်းများ၏ Nowcasting တွေ့အလယ်ပိုင်းဘဏ်များအတွက်ကိုလည်းဘုံဖြစ်ပါတယ် Bańbura et al. (2013) ။ စားပွဲပေါ်မှာ 2.8 ကမ္ဘာပေါ်မှာအဖြစ်အပျက်အချို့ကိုကြင်နာကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စအချို့ကိုမျိုးကိုအသုံးပြုလေ့လာမှုအနည်းငယ်ဥပမာပါဝင်သည်။

စားပွဲတင် 2.8: တချို့က Event ကိုခန့်မှန်းရန် Big Data အရင်းအမြစ်ကိုသုံးပါဒါကလေ့လာရေး
ဒစ်ဂျစ်တယ်သဲလွန်စ အကျိုး ဆင့်ခေါ်ချက်
တွစ်တာ US မှာရုပ်ရှင်၏ box office ဝင်ငွေ Asur and Huberman (2010)
ရှာရန်မှတ်တမ်းများ US မှာရုပ်ရှင်, ဂီတ, စာအုပ်တွေနဲ့ဗီဒီယိုဂိမ်း၏အရောင်း Goel et al. (2010)
တွစ်တာ Dow Jones စက်မှုပျမ်းမျှ (အမေရိကန်စတော့ရှယ်ယာဈေးကွက်) Bollen, Mao, and Zeng (2011)
လူမှုမီဒီယာနှင့်ရှာဖွေရေးမှတ်တမ်းများ အမေရိကန်ပြည်ထောင်စု, ယူနိုက်တက်ကင်းဒမ်း, ကနေဒါနှင့်တရုတ်နိုင်ငံများတွင်ရင်းနှီးမြှုပ်နှံသူစိတ်ဓါတ်များနှင့်စတော့ရှယ်ယာစျေးကွက်၏စစ်တမ်းများ Mao et al. (2015)
ရှာရန်မှတ်တမ်းများ စင်္ကာပူနှင့်ဘန်ကောက်မြို့များတွင်သွေးလွန်တုပ်ကွေး၏ပျံ့နှံ့ Althouse, Ng, and Cummings (2011)

နောက်ဆုံးအနေနဲ့ Jon Kleinberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2015) , ကြိုတင်ခန့်မှန်းပြဿနာများနှစ်ခုထဲသို့ကျကြောင်းထောက်ပြမသိမသာကွဲပြားခြားနားသောအမျိုးအစားများနှင့်လူမှုရေးသိပ္ပံပညာရှင်တွေဟာတဦးတည်းကိုအာရုံစိုက်နှင့်အခြားလျစ်လျူရှုရန်တော်မှာပြီပါပြီ။ ငါမိုးခေါင်ရင်ဆိုင်နေရသူသူမအားအန္န, မခေါ်ပါလိမ့်မယ်နှင့်တကွမိုဃ်းရွာ၏အခွင့်အလမ်းကိုတိုးမြှင့်ဖို့မိုးရွာရွာကခုန်လုပ်ဖို့ shaman ငှားရမ်းရန်ဆုံးဖြတ်ရမယ်, တဦးတည်းမူဝါဒအားထုတ်လုပ်သူဆိုပါစို့။ နောက်ထပ်မူဝါဒကထုတ်လုပ်သူ, ငါအိမ်ပြန်လမ်းစိုစွတ်သောရတဲ့ရှောင်ရှားရန်အလုပ်မလုပ်ဖို့ထီးယူရှိမရှိဆုံးဖြတ်ရမယ်, သူမ၏ဘက်တီကိုခေါ်ပါလိမ့်မယ်။ သူတို့ရာသီဥတုနားလည်ပါလျှင်သူ Anna နဲ့ Betty နှစ်ဦးစလုံးပိုကောင်းတဲ့ဆုံးဖြတ်ချက်ဖြစ်စေနိုင်ပါတယ်, ဒါပေမဲ့သူတို့ကွဲပြားခြားနားသောအရာတို့ကိုသိရန်လိုအပ်ပါသည်။ အန္နမိုဃ်းကိုရွာစေကခုန်မိုဃ်းကိုရွာစေခြင်းများဖြစ်ပေါ်ခြင်းရှိမရှိနားလည်ရန်လိုအပ်ပါသည်။ ဘက်တီ, အခြားတစ်ဖက်တွင်, ကြောင်းကျိုးဆက်စပ်အကြောင်းကိုဘာမှနားလည်ရန်မလိုအပ်ပါဘူး, သူမကပဲဟာတိကျမှန်ကန်တဲ့ခန့်မှန်းချက်လိုအပ်ပါသည်။ လူမှုသုတေသီများမကြာခဏ Anna-သောသူတို့သည်ကြောင်းကျိုးဆက်စပ်၏မေးခွန်းများကိုပါဝင် Kleinberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက "မိုးရွာရွာကခုန်ကဲ့သို့သော" မူဝါဒကိုဘာဖြစ်လို့လဲဆိုတော့ပြဿနာများ-မခေါ်အားဖြင့်ရင်ဆိုင်ခဲ့ရသည်တကဲ့သို့ပြဿနာများအပေါ်အာရုံစူးစိုက်။ ဘက်တီ-ရာ Kleinberg နှင့်လုပ်ဖော်ကိုင်ဖက်များက "ထီးကဲ့သို့" မူဝါဒကိုမခေါ်အားဖြင့်ရင်ဆိုင်ခဲ့ရသည်တတူသောမေးခွန်းလွှာများလွန်းအတော်လေးအရေးကြီးသောဖြစ်ပြဿနာများ-နိုင်ပါသည်, သို့သော်လူမှုရေးသုတေသီများအနေဖြင့်အများကြီးလျော့နည်းအာရုံစူးစိုက်မှုကိုလက်ခံရရှိပါပြီ။

  • approximating စမ်းသပ်ချက် (အပိုင်း 2.4.3)

အဆိုပါဂျာနယ်သည် PS နိုင်ငံရေးသိပ္ပံကြီးတွေဒေတာ, ကြောင်းကျိုးဆက်စပ်အခြနှင့်တရားဝင်သီအိုရီအပေါ်တစ်ဦးစာတမ်းဖတ်ပွဲခဲ့ခြင်းနှင့် Clark and Golder (2015) တစ်ဦးချင်းစီအလှူငွေအနှစ်ချုပ်။ အမေရိက၏အမရေိကနျပွညျထောငျစု၏သိပ္ပံအမျိုးသားအကယ်ဒမီ၏အဆိုပါဂျာနယ်တရားစွဲဆိုထားကြောင်းကျိုးဆက်စပ်အခြနှင့်ကြီးမားသောအချက်အလက်ပေါ်တစ်ဦးစာတမ်းဖတ်ပွဲခဲ့ခြင်းနှင့် Shiffrin (2016) တစ်ဦးချင်းစီအလှူငွေအကျဉ်းချုပ်။ ကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်များ၏အတွင်းပိုင်းကိုသဘာဝစမ်းသပ်ချက်အလိုအလြောကျရှာဖွေတွေ့ရှိရန်ကြိုးစားကြောင်းစက်သင်ယူမှုချဉ်းကပ်ဘို့အတွေ့ Jensen et al. (2008) , Sharma, Hofman, and Watts (2015) နှင့် Sharma, Hofman, and Watts (2016) ။

သဘာဝကစမ်းသပ်ချက်၏စည်းကမ်းချက်များ၌, Dunning (2012) များစွာသောဥပမာနဲ့မိတ်ဆက်, စာအုပ်-အရှည်ကုသမှုပေးစွမ်းသည်။ သဘာဝကစမ်းသပ်ချက်တစ်ခုသံသယအမြင်အဘို့အတွေ့ Rosenzweig and Wolpin (2000) (ဘောဂဗေဒ) သို့မဟုတ် Sekhon and Titiunik (2012) (နိုင်ငံရေးသိပ္ပံ) ။ Deaton (2010) နှင့် Heckman and Urzúa (2010) ကသဘာဝစမ်းသပ်ချက်အာရုံစိုက်အရေးမကြီးကြောင်းကျိုးဆက်စပ်ဆိုးကျိုးများခန့်မှန်းအာရုံစိုက်ဖို့သုတေသီများဦးဆောင်လမ်းပြနိုင်မငြင်းခုန်; Imbens (2010) ကသဘာဝစမ်းသပ်ချက်၏တန်ဖိုးတစ်ခုထက်ပိုသောအကောင်းမြင်ရှုထောနှင့်အတူဤအငြင်းခုံ counters ။

တစ်သုတေသီ်ထမ်းဆောင်၏အကျိုးသက်ရောက်မှုမှရေးဆွဲထားကြောင်း၏အကျိုးသက်ရောက်မှုခန့်မှန်းထံမှသွားနိုင်ပုံကိုဖော်ပြသည့်အခါကျွန်မဆာပ variable တွေကိုလို့ခေါ်တဲ့ technique ကိုဖော်ပြခဲ့သည်။ Imbens and Rubin (2015) , သူတို့ရဲ့အခန်းကြီး 23 နှင့် 24 များတွင်တစ်ခုမိတ်ဆက်ပေးဥပမာတစ်ခုအဖြစ်မူကြမ်းထီကိုအသုံးပြုပါ။ compliers အပေါ်စစ်မှုထမ်းများ၏အကျိုးသက်ရောက်မှုတစ်ခါတစ်ရံ complier ပျမ်းမျှအားကြောင်းကျိုးဆက်စပ်အကျိုးသက်ရောက်မှု (CAcE) နှင့်တခါတရံတွင်ဒေသခံပျမ်းမျှအားကုသမှုအကျိုးသက်ရောက်မှု (Late) ဟုခေါ်သည်။ Sovey and Green (2011) , Angrist and Krueger (2001) နှင့် Bollen (2012) ကနိုင်ငံရေးသိပ္ပံ, စီးပွားရေး, လူမှုဗေဒအတွက်နျဆာပ variable တွေကိုများ၏အသုံးပြုမှု၏ပြန်လည်သုံးသပ်ချက်များကို ပူဇော်. , Sovey and Green (2011) များအတွက်တစ်ဦး "စာဖတ်သူကိုရဲ့စစ်ဆေးရမည့်စာရင်း" ကိုထောက်ပံ့ပေး ဆာ variable တွေကိုသုံးပြီးလေ့လာမှုများအကဲဖြတ်။

ဒါဟာတကယ်တော့စနစ်တကျ randomized သည် 1970 မူကြမ်းထီမဟုတျကွောငျးထွက်လှည့်; စင်ကြယ်သောကျပန်းကနေသေးငယ်တဲ့သွေဖီရှိခဲ့သည် (Fienberg 1971) ။ Berinsky and Chatfield (2015) ဒီသေးငယ်တဲ့သွေဖည်ခိုင်မာအရေးမပါကြောင်းကိုစောဒကတက်သည်နှင့်စနစ်တကျကောက်ယူ Randomization ၏အရေးပါမှုကိုဆွေးနွေးပါ။

ကိုက်ညီခြင်း၏စည်းကမ်းချက်များ၌တွေ့ Stuart (2010) အနေနဲ့အကောင်းမြင်သုံးသပ်မှုအဘို့နှင့် Sekhon (2009) တစ်ဦးအဆိုးမြင်ပြန်လည်သုံးသပ်ဘို့။ တံစဉ်များကိုတစ်ဦးကြင်ကြင်နာနာအဖြစ်ကိုက်ညီအပေါ်ပိုပြီးအဘို့အတွေ့ Ho et al. (2007) ။ လူတစ်ဦးချင်းစီအဘို့တစ်ခုတည်းစုံလင်သောပွဲစဉ်ရှာဖွေခြင်းမကြာခဏခက်ခဲသည်, ဤရှုပ်ထွေးနေတဲ့အရေအတွက်ကမိတ်ဆက်။ အတိအကျပွဲကိုမရရှိနိုင်သောအခါပထမဦးဆုံး, သုတေသီများနှစ်ခုယူနစ်များအကြားနှင့်ပေးထားသောအကွာအဝေးအလုံအလောက်နီးကပ်လျှင်အကွာအဝေးကိုတိုင်းတာဖို့ဘယ်လိုဆုံးဖြတ်ဖို့လိုအပ်ပါတယ်။ သုတေသီများသည်ဤပိုပြီးတိကျတဲ့ခန့်မှန်းချက်ဖြစ်ပေါ်စေနိုင်ပါသည်ကတည်းကကုသမှုအုပ်စုတစ်ခုချင်းစီကိုအမှုအတှကျအမျိုးစုံပွဲစဉ်သုံးလိုပါလျှင်တစ်ဦးကစက္ကန့်ရှုပ်ထွေးပေါ်ပေါက်။ အဆိုပါကိစ္စရပ်များကိုနှစ်ယောက်စလုံးအဖြစ်အခြားသူများရဲ့အခနျး 18 ထဲမှာအသေးစိတ်ဖော်ပြထားကြသည် Imbens and Rubin (2015) ။ အပိုင်း II ကိုလည်းကြည့်ရှုပါ ( ??? ) ။

ကြည့်ရှုပါ Dehejia and Wahba (1999) နှင့်ကိုက်ညီသည့်နည်းလမ်းများတစ် randomized ထိန်းချုပ်ထားစမ်းသပ်မှုကနေသူတို့အားအလားတူခန့်မှန်းထုတ်လုပ်နိုင်ခဲ့ကြတယ်ဘယ်မှာဥပမာတစ်ခုပါ။ ဒါပေမယ့်တွေ့ Arceneaux, Gerber, and Green (2006) နှင့် Arceneaux, Gerber, and Green (2010) နှင့်ကိုက်ညီသည့်နည်းလမ်းများစမ်းသပ်အခြေခံစံနှုန်းမျိုးပွားရန်ပျက်ကွက်ဘယ်မှာဥပမာဘို့။

Rosenbaum (2015) နှင့် Hernán and Robins (2016) ကြီးတွေဒေတာသတင်းရင်းမြစ်အတွင်းအသုံးဝင်သောနှိုင်းယှဉ်ရှာဖွေတွေ့ရှိအခြားအကြံပေးချက်ကိုဆက်ကပ်။

Powered by Open Review Toolkit

Buy The Book

Image of Bit by Bit cover Princeton University Press Amazon Barnes and Noble IndieBound