3.6.1 မွနျတောငျးဆို

ဒစ်ဂျစ်တယ်သဲလွန်စတွေကိုရှင်းလင်းဖို့သင့်စစ်တမ်းခရီးသွားလုပ်ငန်းတွင်ချိတ်ဆက်ခပ်သိမ်းသောကာလမှာလူတိုင်းကသင့်မေးခွန်းများမေးကဲ့သို့ဖြစ်နိုင်ပါတယ်။

နမူနာစစ်တမ်းများနှင့်သန်းခေါင်စာရင်း: ယေဘုယျအားဖြင့်တောငျးနှစ်ခုအဓိကအမျိုးအစားများအတွက်လာပါတယ်။ သငျသညျလူအသေးငယ်တဲ့အရေအတွက် access ဘယ်မှာနမူနာစစ်တမ်းများ, ပြောင်းလွယ်ပြင်လွယ်အချိန်မီနှင့်အတော်လေးစျေးပေါစေနိုင်ပါတယ်။ သူတို့တစ်တွေနမူနာအပေါ်အခြေခံပြီးကြောင့်သို့သော်နမူနာစစ်တမ်းများ, မကြာခဏ၎င်းတို့၏ဆုံးဖြတ်ချက်အတွက်ကန့်သတ်ထားပါသည်; နမူနာစစ်တမ်းနှင့်အတူ, ကတိကျသောပထဝီဒေသများအကြောင်းကိုသို့မဟုတ်တိကျတဲ့လူဦးရေဆိုင်ရာအုပ်စုများအတွက်ခန့်မှန်းတွက်ချက်မှုလုပ်မကြာခဏခဲယဉ်းသည်။ သနျးခေါငျစာရငျး, အခြားရက်နေ့တွင်လူဦးရေအတွက်လူတိုင်းကိုအင်တာဗျူးဖို့ကြိုးစား။ (သူတို့ထိုကဲ့သို့သောတိုင်း 10 နှစ်အဖြစ်သတ်မှတ်ထားတဲ့အချိန်ဇယားပေါ်မှာဖြစ်ပျက်) သူတို့ကအကြီးအ resolution ကိုရှိသည်, ဒါပေမဲ့သူတို့ယေဘုယျအားဖြင့်စျေးကြီးတယ်, အာရုံထဲမှာကျဉ်းမြောင်းတဲ့ (သူတို့သာမေးခွန်းများကို၏သေးငယ်တဲ့အရေအတွက်ပါဝင်) နှင့်အချိန်မီမ (Kish 1979) ။ သုတေသီများနမူနာစစ်တမ်းများနှင့်သန်းခေါင်စာရင်း၏အကောင်းဆုံးဝိသေသလက္ခဏာများပေါင်းစပ်နိုင်လျှင်ယခုစိတ်ကူး; သုတေသီများနေ့တိုင်းလူတိုင်းတိုင်းမေးခွန်းမေးမြန်းနိုင်လျှင်မြင်ယောင်ကြည့်ပါ။

သိသာထင်ရှားတဲ့, ဒီအစဉ်အမြဲ, နေရာအနှံ့, စစ်တမ်းအမြဲ-အပေါ်လူမှုရေးသိပ္ပံပညာစိတ်ကူးယဉ်နေတဲ့ကြင်နာဖြစ်ပါတယ်။ ဒါပေမဲ့အဲဒါကိုကျနော်တို့ကလူများစွာကနေဒစ်ဂျစ်တယ်ခြေရာတွေနှင့်အတူလူ၏သေးငယ်တဲ့အရေအတွက်ကနေစစ်တမ်းမေးခွန်းများကိုပေါင်းစပ်ပြီးဖွငျ့ဤဆုံးခနျ့မှနျးဖို့ကိုစတင်နိုင်မပုံပေါ်ပါတယ်။ ငါပေါင်းစပ် amplified မေးဒီ type ကိုခေါ်ပါ။ ကောင်းစွာပြုမိလျှင်, ကျွန်တော်တို့ကို (သေးငယ်ပထဝီဒေသများအတွက်) ပိုပြီးဒေသခံဖြစ်ကြောင်းခန့်မှန်း, (တိကျသောလူဦးရေဆိုင်ရာအုပ်စုများအတွက်) ပိုပြီး granular နှင့်ထို့ထက် ပို. အချိန်မီထောက်ပံ့ပေးကူညီနိုင်ဘူး။

amplified မေးဥပမာတစျခုဆင်းရဲသောနိုင်ငံများအတွက်ဖွံ့ဖြိုးရေးလုပ်ငန်းများကူညီလမ်းညွှန်မယ်လို့ဒေတာစုဆောင်းဖို့လိုခငျြတဲ့သူကိုယောရှု Blumenstock ၏အလုပ်ကနေလာပါတယ်။ ပိုများသောအထူးသ, Blumenstock ကြွယ်ဝမှုနှင့်စစ်တမ်းတစ်ခု၏အပြောင်းလွယ်ပြင်လွယ်ခြင်းနှင့်ကြိမ်နှုန်းနှင့်အတူတစ်သန်းခေါင်စာရင်း၏ပြည့်စုံပေါင်းစပ်သုခချမ်းသာကိုတိုင်းတာတဲ့စနစ်တစ်ခုဖန်တီးချင်တယ် (Blumenstock 2014; Blumenstock, Cadamuro, and On 2015) ။ တကယ်တော့ငါပြီးသားအခန်း 1 မှာခေတ္တ Blumenstock ရဲ့အလုပ်ဖော်ပြခဲ့ပါတယ်။

စတင်နိုင်ရန်, Blumenstock ရဝမ်ဒါတွင်အကြီးဆုံးမိုဘိုင်းဖုန်းပံ့ပိုးပေးသူနှင့်အတူပူးပေါင်း။ အဆိုပါကုမ္ပဏီအဆိုပါမှတ်တမ်းများအသီးအသီးခေါ်ဆိုခနှင့်စာသားများသည်စတင်အချိန်အဖြစ်သတင်းစကား, ကြာချိန်ကို၎င်း, ခေါ်ဆိုမှုနှင့်လက်ခံ၏အနီးစပ်ဆုံးပထဝီတည်နေရာနှင့် ပတ်သက်. သတင်းအချက်အလက်ဆံ့သူ့ကို 2005 ခုနှစ်ကနေအမူအကျင့်ဖုံးအုပ်အကြောင်းကို 1.5 သန်းဖောက်သည်ထံမှအမည်ဝှက်ငွေပေးငွေယူမှတ်တမ်းများနှင့် 2009 ခုနှစ်ဖြစ်သည်။ ကျနော်တို့စာရင်းအင်းဆိုင်ရာကိစ္စရပ်များအကြောင်းပြောနေတာစတင်ခင်မှာ, ကဒီပထမခြေလှမ်းအခက်ခဲဆုံးတဦးဖြစ်စေခြင်းငှါထွက်ညွှန်ပြရကျိုးနပ်သည်။ အခန်း 2 မှာဖော်ပြထားတဲ့အတိုင်း, အများဆုံးဒစ်ဂျစ်တယ်သဲလွန်စဒေတာသုတေသီများမှလက်လှမ်းမမှီနိုင်။ ဒါကြောင့်ပုဂ္ဂလိကစျသောကွောငျ့, ထိုကုမ္ပဏီအများအပြားကသူတို့ရဲ့ဒေတာဝေမျှဖို့တရားမျှတချီတုံချတုံပါ၏ သူတို့ရဲ့ဖောက်သည်ဖြစ်နိုင်သူတို့ရဲ့မှတ်တမ်းများ shared-in ကိုခံရလိမ့်မည်ဟုအမြောက်အများ-နှင့်အတူသုတေသီများကမျှော်လင့်ထားဘဲဖြစ်ပါတယ်။ ဤကိစ္စတွင်ခုနှစ်, သုတေသီ data ကိုဖျောက်ပေးသည်ဖို့သတိထားခြေလှမ်းများကို ယူ. ၎င်းတို့၏အလုပ် third-party (ဆိုလိုသည်မှာ, သူတို့ရဲ့ IRB) ကကြီးကြပ်ခဲ့သည်။ သို့သော်ဤကြိုးပမ်းအားထုတ်မှုရှိနေသော်လည်း, ဤဒေတာဖြစ်နိုင်ပါသေးသက်သေပြဖြစ်ကြပြီးသူတို့ဖွယ်ရှိထိခိုက်မခံတဲ့သတင်းအချက်အလက်များဆံ့ (Mayer, Mutchler, and Mitchell 2016; Landau 2016) ။ ငါအခန်း 6 တွင်ဤကျင့်ဝတ်ဆိုင်ရာမေးခွန်းထံသို့ပြန်လာပါလိမ့်မယ်။

Blumenstock ဥစ္စာဓနနဲ့သုခချမ်းသာကိုတိုင်းတာအတွက်စိတ်ဝင်စားခဲ့ကွောငျးသတိရပါ။ သို့သော်ဤစရိုက်များခေါ်ဆိုမှုမှတ်တမ်းများတွင်တိုက်ရိုက်မရှိကြပေ။ တစ်နည်းအားဤခေါ်ဆိုမှုမှတ်တမ်းတွေ, အခန်း 2. ထဲမှာအသေးစိတ်ဆွေးနွေးခဲ့ကြသည်ခဲ့ကွောငျးဒစ်ဂျစ်တယ်ခြေရာတွေတစ်ဘုံအင်္ဂါရပ်ဤသုတေသနပြုဘို့မပြည့်စုံပါဒါပေမဲ့အဲဒါကိုခေါ်ဆိုမှုမှတ်တမ်းတွေဖြစ်နိုင်စည်းစိမ်နှင့်သုခချမ်းသာနှင့် ပတ်သက်. သတင်းအချက်အလက်အချို့ကိုရှိသည်သောဖွယ်ရှိပုံရသည်။ ဒီတော့ Blumenstock ရဲ့မေးခှနျးမေး၏တလမ်းတည်းဖြစ်နိုင်ပါတယ်: ကတစ်စုံတစ်ဦးကို၎င်းတို့၏ဒစ်ဂျစ်တယ်သဲလွန်စအချက်အလက်များကို အခြေခံ. စစ်တမ်းတစ်ခုတုံ့ပြန်လိမ့်မည်ကိုဘယ်လိုခန့်မှန်းဖို့ဖြစ်နိုင်ပါသလဲ ဒီတော့လျှင်, အနည်းငယ်ကလူတောင်းအားဖြင့်ငါတို့သည်အခြားသူလူတိုင်းရဲ့အဖြေကိုခန့်မှန်းနိုင်ပါ။

မျက်မြင်လက်တွေ့ဒီအကဲဖြတ်ရန်, သိပ္ပံနှင့်နည်းပညာ၏ခီဂါးလီ Institute မှ Blumenstock နှင့်သုတေသနလက်ထောက်အကြောင်းတထောင်မိုဘိုင်းဖုန်းဖောက်သည်များ၏နမူနာကိုခေါ်။ အဆိုပါသုတေသီများသည်ထိုကဲ့သို့သော "သင်တစ်ဦးပိုင်ဆိုင်ပါနဲ့ဖြစ်သကဲ့သို့, သင်တန်းသားများသည်စီမံကိန်းများ၏ရည်မှန်းချက်ပန်းတိုင်ရှင်းပြခဲ့သည်ခေါ်ဆိုမှုမှတ်တမ်းတွေရန်စစ်တမ်းတုံ့ပြန်မှုလင့်ထားသည်သူတို့ရဲ့ခွင့်ပြုချက်တောင်းပါ, အဲဒီနောက်သူတို့ရဲ့ကြွယ်ဝမှုနှင့်သုခချမ်းသာကိုတိုင်းတာရန်မေးခွန်းတွေဆက်တိုက်မေးတော်မူလျှင် ရေဒီယို? "နှင့်" သင်တစ်ဦးစက်ဘီးပိုင်ဆိုင်ပါသလား "(တစ်စိတ်တစ်ပိုင်းစာရင်းများအတွက်ပုံ 3,11 ကြည့်ပါ) ။ စစ်တမ်းများတွင်အားလုံးပါဝင်သူများငွေကြေးအလျော်ကြေးငွေခဲ့ကြသည်။

ကြီးကြပ်သင်ယူမှုအားဖြင့်နောက်တော်သို့လိုက် feature ကိုအင်ဂျင်နီယာ: Next ကို, Blumenstock ဒေတာသိပ္ပံဘုံတစ်ဦးနှစ်ဦး-Step လုပ်ထုံးလုပ်နည်းကိုအသုံးပြုခဲ့သည်။ ပထမဦးစွာအင်္ဂါရပ်အင်ဂျင်နီယာခြေလှမ်းအတွက်တွေ့ဆုံမေးမြန်းခဲ့ကွောငျးလူတိုင်းအတွက်, Blumenstock လူတစ်ဦးချင်းစီအကြောင်းဝိသေသလက္ခဏာများအစုတခုသို့ခေါ်ဆိုမှုမှတ်တမ်းတွေကူးပြောင်း; သိပ္ပံပညာရှင်များသည်ဤဝိသေသလက္ခဏာများ "features တွေကို" နှင့်လူမှုရေးသိပ္ပံပညာရှင်တွေဟာသူတို့ကိုခေါ်မယ်လို့မခေါ်စေခြင်းငှါ, "variable တွေကို။ " ဥပမာအချက်အလက်များ, လူတစ်ဦးချင်းစီ, လှုပ်ရှားမှုနှင့်အတူအရက် Blumenstock တွက်ချက်စုစုပေါင်းအရေအတွက်အဘို့, ကွဲပြားလူမျိုး၏အရေအတွက်ပုဂ္ဂိုလ်တစ်ဦးနှင့်အတူအဆက်အသွယ်ပမာဏကိုခဲ့ ပိုက်ဆံဤမျှအပေါ် airtime အပေါ်သုံးစွဲနှင့်။ ဝေဖန်, ကောင်းသောအင်္ဂါရပ်အင်ဂျင်နီယာသုတေသန setting ကိုသိကျွမ်းရန်လိုအပ်သည်။ ဒါကြောင့် (ကျွန်တော်တို့နိုင်ငံတကာမခေါ်သူတွေကိုချမ်းသာဖြစ်မျှော်လင့်ခြင်းငှါ) ပြည်တွင်းနှင့်နိုင်ငံတကာဖုန်းခေါ်ဆိုမှုများအကြားခွဲခြားရန်အရေးကြီးပါသည်လျှင်ဥပမာ, သို့ဖြစ်လျှင်ဤအ feature ကိုအင်ဂျင်နီယာခြေလှမ်းမှာအမှုကိုပြုရပါမည်။ ရဝမ်ဒါ၏နည်းနည်းဥာဏ်နှင့်တကွတစ်ဦးကသုတေသီဤအင်္ဂါမပါဝင်စေခြင်းငှါ,, အဲဒီနောက်မော်ဒယ်လ်များ၏ကြိုတင်ခန့်မှန်းချက်စွမ်းဆောင်ရည်ခံရလိမ့်မည်။

ထို့နောက်ကြီးကြပ်သင်ယူမှုခြေလှမ်းအတွက်, Blumenstock သူတို့ရဲ့ features တွေအပေါ်အခြေခံပြီးလူတစ်ဦးချင်းစီအတွက်အစစ်တမ်းတုန့်ပြန်ခန့်မှန်းရန်စာရင်းအင်းမော်ဒယ်တည်ဆောက်ခဲ့သည်။ ဤကိစ္စတွင်ခုနှစ်, Blumenstock 10-ခွံလက်ဝါးကပ်တိုင်-အတည်ပြုအတူ Logistic ဆုတ်ယုတ်အသုံးပြု, ဒါပေမဲ့သူကတခြားစာရင်းအင်းသို့မဟုတ်စက်သင်ယူမှုချဉ်းကပ်မှုအမျိုးမျိုးကိုအသုံးပြုကြပါပြီနိုင်။

ဒါကြောင့်ဘယ်လောက်ကောင်းကောင်းအလုပ်မလုပ်ခဲ့သနည်း Blumenstock "? သင်တစ်ဦးကရေဒီယိုကိုပိုင်ဆိုင်ပါနဲ့" ကဲ့သို့မေးခွန်းတွေကိုလေ့လာအဖြေခန့်မှန်းနိုင်ခဲ့တယ်နှင့် "သင်တစ်ဦးစက်ဘီးပိုင်ဆိုင်သလား" ခေါ်ဆိုခမှတ်တမ်းများမှဆင်းသက်လာ features တွေကိုသုံးပြီး? ၏စီ။ ထိုခန့်မှန်းချက်၏တိကျမှန်ကန်မှုကိုအချို့သောစရိုက်များ (ပုံ 3.11) အတွက်မြင့်မားနေကြ၏။ ဒါပေမယ့်တကရိုးရှင်းပြီးအခြားရွေးချယ်စရာဆန့်ကျင်နေတဲ့ရှုပ်ထွေးတဲ့ခန့်မှန်းနည်းလမ်းနှိုင်းယှဉ်ဖို့အမြဲအရေးပါသည်။ ဤကိစ္စတွင်ခုနှစ်, ရိုးရှင်းတဲ့အခြားရွေးချယ်စရာလူတိုင်းအသုံးအများဆုံးအဖြေပေးလိမ့်မည်ဟုကြိုတင်ခန့်မှန်းဖို့ဖြစ်ပါတယ်။ ဥပမာအားဖြင့်, 97,3% Blumenstock လူတိုင်းကိုမိမိကပိုရှုပ်ထွေးပြီးလုပ်ထုံးလုပ်နည်း (97.6% တိကျမှန်ကန်မှု) ၏စွမ်းဆောင်ရည်အားအံ့သြစရာကောင်းလောက်အောင်အလားတူသော 97,3%, တစ်ခုတိကျမှန်ကန်မှုခဲ့မယ်လို့ရေဒီယိုပိုင်ဆိုင်သတင်းပို့မယ်လို့ခန့်မှန်းခဲ့မယ်ဆိုရင်ဒါကြောင့်ရေဒီယိုပိုင်ဆိုင်ဖော်ပြခဲ့သည်။ တနည်းအားဖြင့်လူအပေါင်းတို့သည်ဖန်စီအချက်အလက်များနှင့်မော်ဒယ်လ် 97,6% မှ 97,3% ကနေခန့်မှန်းများ၏တိကျမှန်ကန်မှုကိုတိုးတက်လာခဲ့သည်။ သို့သော်ထိုကဲ့သို့သော "သင်တစ်ဦးစက်ဘီးပိုင်ဆိုင်သလား?" အဖြစ်အခြားမေးခွန်းများ, အဘို့, ဟောကိန်းများ 67,6% မှ 54,4% ကနေတိုးတက်လာသည်။ အချို့သောစရိုက်များပိုမိုယေဘုယျအားဖြင့်, ပုံ 3.12 ရှိုး Blumenstock ့ရိုးရှင်းတဲ့အခြေခံခန့်မှန်းအောင်ထက်ကျော်လွန်အများကြီးတိုးတက်ကောင်းမွန်ဘူး, ဒါပေမယ့်တခြားစရိုက်လက္ခဏာအချို့တိုးတက်မှုတခုရှိ၏။

ပုံ 3,11: ခေါ်ဆိုမှုမှတ်တမ်းတွေနှင့်အတူလေ့ကျင့်သင်ကြားစာရင်းအင်းမော်ဒယ်ခန့်မှန်းတိကျမှန်ကန်မှု။ Blumenstock (2014) ၏ဇယား 2 ကနေရလာဒ်။

ပုံ 3,11: ခေါ်ဆိုမှုမှတ်တမ်းတွေနှင့်အတူလေ့ကျင့်သင်ကြားစာရင်းအင်းမော်ဒယ်ခန့်မှန်းတိကျမှန်ကန်မှု။ ဇယား 2 ကနေရလာဒ် Blumenstock (2014)

3.12 ပုံ: ရိုးရှင်းတဲ့အခြေခံခန့်မှန်းဖို့ခေါ်ဆိုမှုမှတ်တမ်းတွေနှင့်အတူလေ့ကျင့်သင်ကြားစာရင်းအင်းမော်ဒယ်ကြိုတင်ခန့်မှန်းချက်မှန်ကန်မှု၏နှိုင်းယှဉ်ခြင်း။ ရမှတ်အနည်းငယ်ထပ်နေရှောင်ရှားဖို့ jittered ကြသည်; အတိအကျတန်ဖိုးများကိုအဘို့အ Blumenstock (2014) ၏ဇယား 2 တွင်ကြည့်ပါ။

3.12 ပုံ: ရိုးရှင်းတဲ့အခြေခံခန့်မှန်းဖို့ခေါ်ဆိုမှုမှတ်တမ်းတွေနှင့်အတူလေ့ကျင့်သင်ကြားစာရင်းအင်းမော်ဒယ်ကြိုတင်ခန့်မှန်းချက်မှန်ကန်မှု၏နှိုင်းယှဉ်ခြင်း။ ရမှတ်အနည်းငယ်ထပ်နေရှောင်ရှားဖို့ jittered ကြသည်; ဇယား 2 ကိုကြည့်ပါ Blumenstock (2014) အတိအကျကိုတန်ဖိုးများသည်။

ဤအချက်မှာသငျသညျတွင်-ပုံနှိပ်ထုတ်ဝေသိသိသာသာပိုကောင်းရလဒ်များကိုနှင့်အတူသိပ္ပံအတွက်စက္ကူ, ဤရလဒ်များကိုနည်းနည်းစိတ်ပျက်စရာဖြစ်ကြောင်းစဉ်းစားပေမယ့်ကိုယ့်တစ်နှစ်အကြာတွင် Blumenstock နှစ်ယောက်လုပ်ဖော်ကိုင်ဖက်များ-ဂါဗြေလ Cadamuro နဲ့ Robert စေခြင်းငှါ (Blumenstock, Cadamuro, and On 2015) ။ ထိုတိုးတက်မှုများအတွက်နှစ်ခုကိုအဓိကနည်းပညာဆိုင်ရာအကြောင်းရင်းရှိခဲ့သည်: 1) သူတို့ကပိုခေတ်မီနည်းစနစ် (ဆိုလိုသည်မှာ, အင်ဂျင်နီယာနှင့်တစ်ဦးပိုမိုခေတ်မီစက်သင်ယူမှုပုံစံ feature အသစ်တစ်ခုချဉ်းကပ်မှု) ကိုအသုံးပြုနှငျ့ 2) အစားလူတစ်ဦးချင်းစီစစ်တမ်းမေးခွန်းတွေရဲ့တုံ့ပြန်မှုအခြဖို့ကြိုးစားနေတဲ့ထက် (ဥပမာ, "သင်တစ်ဦးကရေဒီယိုကိုပိုင်ဆိုင်ပါသလား"), သူတို့တစ်တွေစုပေါငျးဥစ္စာဓနအညွှန်းကိန်းအခြဖို့ကြိုးစားခဲ့တယ်။

Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကနည်းလမ်းနှစ်ခုအတွက်သူတို့ရဲ့ချဉ်းကပ်မှု၏စွမ်းဆောင်ရည်ကိုသရုပ်ပြခဲ့သည်။ ပထမဦးစွာမိမိတို့နမူနာအတွက်လူတို့အဘို့, သူတို့ခေါ်ဆိုမှုမှတ်တမ်းတွေ (ပုံ 3.14) မှမိမိတို့ဥစ္စာကိုခန့်မှန်းတဲ့တော်တော်ကောင်းသောအလုပ်လုပ်နိုင်တာကိုတွေ့ရှိခဲ့ပါတယ်။ ဒုတိယအချက်မှာအစဉ်အမြဲပိုပြီးအရေးကြီးတာ, Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကသူတို့ရဲ့လုပ်ထုံးလုပ်နည်းရဝမ်ဒါအတွက်စည်းစိမ်ဥစ္စာ၏ပထဝီဖြန့်ဖြူး၏အရည်အသွေးမြင့်ခန့်မှန်းတွက်ချက်မှုများထုတ်လုပ်နိုင်ကြောင်းပြသခဲ့သည်။ ပိုများသောအထူးသ, သူတို့ခေါ်ဆိုမှုမှတ်တမ်းတွေအပေါင်းတို့၌ 1.5 သန်းလူမျိုး၏စည်းစိမ်ကိုခန့်မှန်းရန်, အကြောင်း 1000 လူများသူတို့၏နမူနာအပေါ်လေ့ကျင့်သင်ကြားခဲ့သည့်၎င်းတို့၏စက်သင်ယူမှုပုံစံ, ကိုအသုံးပြုခဲ့သည်။ ထို့ပွငျ, call ကိုဒေတာအတွက် embedded အ geospatial အချက်အလက်များကို (call ကိုဒေတာတစ်ခုချင်းစီကိုခေါ်ဆိုမှုအတွက်အနီးဆုံးဆဲလ်ရဲတိုက်၏တည်နေရာပါဝငျသောမှတ်မိ) နှင့်တကွ, သုတေသီများလူတစ်ဦးချင်းစီ၏နေအိမ်သို့များ၏ခန့်မှန်းရာအရပျခန့်မှန်းနိုင်ခဲ့ကြတယ်။ အတူတူအဲဒီနှစျခုခန့်မှန်းချက်ချပြီး, သုတေသနအလွန်အမင်းဒဏ်ငွေ Spatial အသေးစိတ်မှာစာရင်းပေးသွင်းထားသူဥစ္စာဓန၏ပထဝီဖြန့်ဖြူးထားတဲ့ခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ဥပမာအားဖြင့်, သူတို့ရဝမ်ဒါရဲ့ 2148 ဆဲလ် (တိုင်းပြည်အတွက်အသေးငယ်ဆုံးစီမံခန့်ခွဲရေးယူနစ်) ၏အသီးအသီးအတွက်ပျမ်းမျှအားစည်းစိမ်ဥစ္စာခန့်မှန်းနိုင်ဘူး။ ဤရွေ့ကားဥစ္စာဓနတန်ဖိုးများကိုသူတို့စစျဆေးဖို့ခက်ခဲခဲ့ကြဒါ granular ခဲ့ကြခန့်မှန်းခဲ့ပါတယ်။ ဒါကြောင့်သုတေသီများရဝမ်ဒါရဲ့ 30 ရက်ခရိုင်၏ပျမ်းမျှဥစ္စာဓန၏ခန့်မှန်းချက်ထုတ်လုပ်ရန်၎င်းတို့၏ရလဒ်များကိုစုစည်း။ ဤရွေ့ကားခရိုင်အဆင့်ကခန့်မှန်းရွှေစံရိုးရာစစ်တမ်း, ရဝမ်ဒါလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်း (ပုံ 3.14) အနေဖြင့်ခန့်မှန်းတွက်ချက်မှုမှပြင်းပြင်းထန်ထန်ဆကျနှယျနေကြ၏။ နှစ်ခုသတင်းရပ်ကွက်များအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုအလားတူခဲ့ကြပေမယ့်, Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုအကြောင်းကိုအဆ 50 စျေးနှုန်းချိုသာခြင်းနှင့် 10 ဆပိုမြန် (အတွက်ကုန်ကျစရိတ် variable ကိုကုန်ကျစရိတ်၏စည်းကမ်းချက်များ၌တိုင်းတာသောအခါ) တို့ဖြစ်သည်။ ကုန်ကျစရိတ်အတွက်ဒီသိသိသာသာကျဆင်းခြင်းမဟုတ်ဘဲတိုင်းနှစ်အနည်းငယ်-အဖြစ် run ခံရထက်လူဦးရေအချိုးအစားနဲ့ကနျြးမာရေးအတှကျစံကြောင်းစစ်တမ်းများ-ကြီးတွေဒစ်ဂျစ်တယ်သဲလွန်စဒေတာနဲ့ပေါင်းစပ်သေးငယ်တဲ့စစ်တမ်းမျိုးစပ်လစဉ်လတိုင်းကို run နိုင်ဆိုလိုသည်။

ပုံ 3,13: Blumenstock, Cadamuro နှင့်တွင် (2015) ၏သိထား။ ဖုန်းကုမ္ပဏီထံမှဒေတာလူတစ်ဦးချင်းစီတတန်းနှင့်တစ်ဦးချင်းစီရဲ့ feature (တနည်း, variable ကို) အတွက်တစ်ကော်လံနှင့်အတူ matrix ကိုကူးပြောင်းခဲ့သည်ကိုခေါ်ပါ။ ထို့နောက်သုတေသီများ feature ကို matrix ကိုအားဖြင့်ပုဂ္ဂိုလ်တစ်ဦးအနေဖြင့်စစ်တမ်းကောက်ယူတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ကြီးကြပ်သင်ယူမှုပုံစံကိုတည်ဆောက်ခဲ့သည်။ ထို့နောက်ကြီးကြပ်သင်ယူမှုပုံစံလူတိုင်းအတွက်စစ်တမ်းတုံ့ပြန်မှု impute ဖို့အသုံးပြုခဲ့ပါတယ်။ အနှစ်သာရထဲမှာ, သုတေသီများနှင့် ပတ်သက်. တစ်လူဦးရေသန်း၏စည်းစိမ် impute ဖို့အကြောင်းတထောငျလူမြိုး၏တုံ့ပြန်မှုကိုအသုံးပြုခဲ့သည်။ ဒါ့အပြင်သုတေသီသူတို့ရဲ့ဖုန်းခေါ်၏တည်နေရာပေါ်အခြေခံပြီးအားလုံး 1.5 သန်းလူတို့အဘို့နေအိမ်သို့များ၏ခန့်မှန်းရာအရပျခန့်မှန်းပါတယ်။ အဲဒီနှစျခုခန့်မှန်းချက်ပေါင်းစပ်-The ကြသောအခါခန့်မှန်းခြေကြွယ်ဝမှုနှင့်များ၏ခန့်မှန်းခြေအရပျကိုနေအိမ်သို့-The ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်း (ပုံ 3.14) မှခန့်မှန်းတွက်ချက်မှုဆင်တူနေကြ၏။

ပုံ 3,13: များ၏သိထား Blumenstock, Cadamuro, and On (2015) ။ ဖုန်းကုမ္ပဏီထံမှဒေတာလူတစ်ဦးချင်းစီတတန်းနှင့်တစ်ဦးချင်းစီရဲ့ feature (ဆိုလိုသည်မှာ, variable ကို) အတွက်တစ်ကော်လံနှင့်အတူ matrix ကိုကူးပြောင်းခဲ့သည်ကိုခေါ်ပါ။ ထို့နောက်သုတေသီများ feature ကို matrix ကိုအားဖြင့်ပုဂ္ဂိုလ်တစ်ဦးအနေဖြင့်စစ်တမ်းကောက်ယူတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ကြီးကြပ်သင်ယူမှုပုံစံကိုတည်ဆောက်ခဲ့သည်။ ထို့နောက်ကြီးကြပ်သင်ယူမှုပုံစံလူတိုင်းအတွက်စစ်တမ်းတုံ့ပြန်မှု impute ဖို့အသုံးပြုခဲ့ပါတယ်။ အနှစ်သာရထဲမှာ, သုတေသီများနှင့် ပတ်သက်. တစ်လူဦးရေသန်း၏စည်းစိမ် impute ဖို့အကြောင်းတထောငျလူမြိုး၏တုံ့ပြန်မှုကိုအသုံးပြုခဲ့သည်။ ဒါ့အပြင်သုတေသီသူတို့ရဲ့ဖုန်းခေါ်၏တည်နေရာပေါ်အခြေခံပြီးအားလုံး 1.5 သန်းလူတို့အဘို့နေအိမ်သို့များ၏ခန့်မှန်းရာအရပျခန့်မှန်းပါတယ်။ အဲဒီနှစျခုခန့်မှန်းချက်ပေါင်းစပ်-The ကြသောအခါခန့်မှန်းခြေကြွယ်ဝမှုနှင့်များ၏ခန့်မှန်းခြေအရပျကိုနေအိမ်သို့-The ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်း (ပုံ 3.14) မှခန့်မှန်းတွက်ချက်မှုဆင်တူနေကြ၏။

ပုံ 3,14: Blumenstock, Cadamuro နှင့်တွင် (2015) ကနေရလာဒ်။ တစ်ဦးချင်းစီအဆင့်မှာသုတေသီသူတို့ရဲ့ခေါ်ဆိုမှုမှတ်တမ်းတွေထဲကနေသူတစ်ဦးဦးရဲ့စည်းစိမ်ကိုခန့်မှန်းမှာကျိုးကြောင်းဆီလျော်အလုပ်လုပ်ဖို့နိုင်ခဲ့ကြတယ်။ ခရိုင်အဆင့်ဥစ္စာဓန-သောနေအိမ်သို့-ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်းမှရလဒ်များကိုမှအလားတူခဲ့ကြ၏စည်းစိမ်ကိုရပျရပျ၏တစ်ဦးချင်းစီ-Level ခန့်မှန်းချက်အပေါ်အခြေခံခဲ့ကြခြင်း၏ခန့်မှန်းချက်။

ပုံ 3,14: ကနေရလာဒ် Blumenstock, Cadamuro, and On (2015) ။ တစ်ဦးချင်းစီအဆင့်မှာသုတေသီသူတို့ရဲ့ခေါ်ဆိုမှုမှတ်တမ်းတွေထဲကနေသူတစ်ဦးဦးရဲ့စည်းစိမ်ကိုခန့်မှန်းမှာကျိုးကြောင်းဆီလျော်အလုပ်လုပ်ဖို့နိုင်ခဲ့ကြတယ်။ ခရိုင်အဆင့်ဥစ္စာဓန-သောနေအိမ်သို့-ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်းမှရလဒ်များကိုမှအလားတူခဲ့ကြ၏စည်းစိမ်ကိုရပျရပျ၏တစ်ဦးချင်းစီ-Level ခန့်မှန်းချက်အပေါ်အခြေခံခဲ့ကြခြင်း၏ခန့်မှန်းချက်။

နိဂုံးအတွက်, Blumenstock ၏ရွှေ-စံစစ်တမ်းခန့်မှန်းချက်နှင့်အတူနှိုင်းယှဉ်ခန့်မှန်းချက်ထုတ်လုပ်ရန်ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာနှင့်အတူချဉ်းကပ်မှုပေါင်းစပ်စစ်တမ်းဒေတာတောင်း amplified ။ ဒီအထူးသဖြင့်ဥပမာအားလည်း amplified မေးခြင်းနှင့်အစဉ်အလာစစ်တမ်းနည်းလမ်းများအကြား trade-off အချို့ကိုရှငျး။ ပထမဦးစွာ amplified တောင်းခန့်မှန်းချက်, သိသိသာသာစျေးနှုန်းချိုသာနှင့်ထို့ထက် ပို. granular ပိုပြီးအချိန်မီခဲ့ကြသည်။ သို့သော်အခြားတစ်ဖက်တွင်, ဤအချိန်တွင် amplified မေးဒီလိုမျိုးအဘို့ခိုင်ခံ့သောသီအိုရီအခြေခံမရှိ။ ဒါကသောအခါမကအလုပ်လုပ်ကိုင်ခြင်းနှင့်မည်သည့်အခါကဒီဥပမာလေးတစ်ခုမပြပါဘူး, ဖြစ်ပါတယ်။ ထို့ပြင်ထို amplified ဈေးများကိုချဉ်းကပ်သေးသည်၎င်း၏ခန့်မှန်းချက်ပတ်ပတ်လည်မသေချာမရေရာများကိုတွက်ချက်ရန်ကောင်းသောနည်းလမ်းများရှိသည်မဟုတ်ပါဘူး။ သို့သော် amplified ဈေးများကိုစာရင်းဇယား-မော်ဒယ်-based Post-stratification အတွက်သုံးကြီးမားသောဒေသများသို့နက်ရှိုင်းသောဆက်သွယ်မှုများကိုရှိပါတယ် (Little 1993) , ရှိသည်ဟုမှတ်စရာ (Rubin 2004) နဲ့အသေးစားဧရိယာခန့်မှန်းချက် (Rao and Molina 2015) ကတညျးဒါကြောင့်ငါကတိုးတက်မှုလိမ့်မည်ကိုမျှော်လင့် လျင်မြန်ခြင်းရှိကြလော့။

Amplified ဈေးများကိုသင့်ရဲ့အထူးသဖြင့်အခြေအနေအံဝင်ခွင်ကျနိုင်အခြေခံစာရွက်အောက်ပါအတိုင်း။ နှစ်ဦးပါဝင်ပစ္စည်းများနှစ်ယောက်ခြေလှမ်းများရှိပါတယ်။ အဆိုပါနှစ်ဦးပါဝင်ပစ္စည်းများ) ကျယ်ပြန့်ပေမယ့်ပါးလွှာသောဒစ်ဂျစ်တယ်သဲလွန်စ Datasets (ကသငျသညျအသီးအသီးပုဂ္ဂိုလ်များအကြောင်းကိုလိုအပ်သောသတင်းအချက်အလက်များစွာသောလူရှိတယ်ဒါပေမယ့်မ, သည်) နှင့်ကျဉ်းမြောင်းသောဒါပေမဲ့အထူကြောင်း 2) စစ်တမ်းတစ်ခု (ထိုဖြစ်ပါတယ်, ဒါကြောင့်ရှိပါတယ် 1 များမှာ သာအနည်းငယ်ကလူ, ဒါပေမယ့်) သင်သောသူတို့သည်လူအကြောင်းကိုလိုအပ်သောသတင်းအချက်အလက်ရှိပါတယ်။ ထို့နောက်နှစ်ဦးခြေလှမ်းများရှိပါတယ်။ ပထမဦးစွာစစ်တမ်းအဖြေကိုကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကိုအသုံးပြုတဲ့စက်သင်ယူမှုပုံစံတည်ဆောက်နှစ်ခုစလုံးဒေတာသတင်းရပ်ကွက်များအတွက်လူတို့အဘို့။ ထို့နောက်ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာအတွက်လူတိုင်း၏စစ်တမ်းအဖြေကို impute ကိုစက်သင်ယူမှုပုံစံကိုအသုံးပြုပါ။ သငျသညျလူအများကြီးဖို့မေးမြန်းချင်သောသူအချို့မေးခွန်းရှိပါလျှင်ထို့ကြောင့်, သူတို့ရဲ့အဖြေကိုကြိုတင်ခန့်မှန်းဖို့အသုံးပြုစေခြင်းငှါထိုလူကနေဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကြည့်ရှုပါ။

အစအဦးအဆုံးသည်မဖြစ်သေး: လည်းတတိယခေတ်မှဒုတိယခေတ်ကနေအကူးအပြောင်းနှင့် ပတ်သက်. အရေးပါသောသငျခနျးစာကိုသရုပ်ဖော်ပြဿနာမှာ Blumenstock ရဲ့ပထမနှင့်ဒုတိယကြိုးပမ်းမှုနှိုငျးယှဉျသုတေသနလုပ်ငန်းကွင်းဆင်းချဉ်းကပ်။ အကြောင်း, အကြိမ်ပေါင်းများစွာဖြစ်ပါသည်, ကိုပထမဦးဆုံးချဉ်းကပ်မှုကအကောင်းဆုံးဖြစ်လိမ့်မည်မဟုတ်ပေ, သို့သော်သုတေသီအလုပ်လုပ်ဆက်လက်လျှင်, အမှုအရာပိုကောင်းရရှိနိုင်သည်။ ပိုများသောယေဘုယျအားဖြင့်, ဒစ်ဂျစ်တယ်ခေတ်တွင်လူမှုရေးသုတေသနနည်းလမ်းသစ်များအကဲဖြတ်ကြသောအခါ, နှစ်ယောက်ကွဲပြားအကဲဖြတ်စေရန်အရေးကြီးပါသည်: 1) ကိုမည်သို့ကောင်းစွာယခုဤလုပ်ငန်းကိုတတ်နှင့် 2) ကိုမည်သို့ကောင်းစွာသင်ဤဒေတာရှုခင်းအဖြစ်အနာဂတ်၌အလုပ်လုပ်ကိုင်စေခြင်းငှါ, ထင်ပါသလဲ အပြောင်းအလဲများနှင့်သုတေသီများပြဿနာကိုပိုမိုအာရုံစူးစိုက်မှုကိုမွှုပျနှံအဖြစ်။ သုတေသီများ (သုတေသနဒီအထူးသဖြင့်အပိုင်းအစဘယ်လောက်ကောင်းဖြစ်ပါသည်) အကဲဖြတ်၏ပထမဦးဆုံးကြင်နာစေရန်လေ့ကျင့်သင်ကြားကြသည်, ဖြစ်သော်လည်း, ဒုတိယမကြာခဏပိုအရေးကြီးတယ်။