3.4.2 က Non-ဖြစ်နိုင်ခြေနမူနာ: တွက်ဆ

Non-ဖြစ်နိုင်ခြေနမူနာအတူ, အလေးအယူဆနမူနာ process ကိုကြောင့်ဖြစ်ရတဲ့ပျက်ယွင်းပြန်ပြင်နိုင်ပါသည်။

သုတေသီများဖြစ်နိုင်ခြေနမူနာကနေတုံ့ပြန်မှုအလေးချိန်သောတူညီသောလမ်းအတွက်, သူတို့လည်းမဟုတ်သောဖြစ်နိုင်ခြေနမူနာကနေတုံ့ပြန်မှုအလေးချိန်နိုင်ပါတယ်။ ဥပမာ, CPS မှတစ်ဦးကအခြားရွေးချယ်စရာအဖြစ်, သင်အလုပ်လက်မဲ့နှုန်းမှာခန့်မှန်းရန်စစ်တမ်းတစ်ခုအဘို့အသင်တန်းသားများကိုစုဆောင်းဖို့ဝက်ဘ်ဆိုက်များထောင်ပေါင်းများစွာ၏အပေါ်အလံကိုကြော်ငြာထားကြောင်းမြင်ယောင်ကြည့်ပါ။ သဘာဝကျကျ, သင်သည်သင်၏နမူနာ၏ရိုးရှင်းသောယုတ်အလုပ်လက်မဲ့နှုန်းကောင်းတစ်ဦးခန့်မှန်းချက်ဖြစ်လိမ့်မယ်လို့သံသယဖြစ်လိမ့်မည်။ သငျသညျလူတချို့အခြားသူများထက်သင့်ရဲ့စစ်တမ်းဖြည့်စွက်ဖို့ပိုများပါတယ်ထင်သောကြောင့်, သင့်ရဲ့သံသယဖြစ်နိုင်သည်။ ဥပမာအားဖြင့်, web ပေါ်မှာအချိန်အများကြီးမဖြုန်းပါဘူးသူကလူကိုသင့်စစ်တမ်းဖြည့်စွက်ဖို့လျော့နည်းများပါတယ်။

ကျနော်တို့နောက်ဆုံးအပိုင်းမြင်သည်အတိုင်းကိုငါတို့သည်နမူနာကိုရှေးခယျြ-အဖြစ်ခဲ့သည်ငါတို့သည်အဘယ်သို့ဖြစ်နိုင်ခြေနမူနာ-ထို့နောက်အတူပြုပါသိသည်မှန်လျှင်, သို့သော်ကျနော်တို့နမူနာ process ကိုကြောင့်ဖြစ်ရတဲ့ပျက်ယွင်းပြန်ပြင်နိုင်ပါသည်။ Non-ဖြစ်နိုင်ခြေနမူနာအတူလုပ်ကိုင်ရသောအခါကံမကောင်းစွာပဲ, ကျနော်တို့နမူနာကိုရှေးခယျြခဲ့ပုံကိုမသိကြပါ။ ဒါပေမယ့်ကျနော်တို့နမူနာလုပ်ငန်းစဉ်နှင့် ပတ်သက်. ယူဆချက်ပါစေပြီးတော့တူညီတဲ့လမ်းအတွက်တွက်ဆလျှောက်ထားနိုင်ပါသည်။ ဤအယူဆမှန်ကန်သောရောက်နေတယ်ဆိုရင်, ထို့နောက်တွက်ဆအနမူနာ process ကိုကြောင့်ပေါ်ပေါက်လာတဲ့ပျက်ယွင်း undo ပါလိမ့်မယ်။

ဥပမာအားဖြင့်, သင်တို့၏နဖူးစည်းစာတမ်းကြော်ငြာတုန့်ပြန်, သငျသညျ 100,000 ဖြေဆိုသူစုဆောင်းဆိုပါစို့။ သို့သော်သင်တို့သည်ဤ 100,000 ဖြေဆိုသူအမေရိကန်အရွယ်ရောက်ပြီးသူတစ်ဦးရိုးရှင်းသောကျပန်းနမူနာဖြစ်ကြောင်းမယုံကြည်ကြဘူး။ သငျသညျအမေရိကန်လူဦးရေ၏ရန်သင့်ဖြေဆိုသူနှိုငျးယှဉျရသောအခါတကယ်တော့, သငျသညျအခြို့သောပြည်နယ်များ (ဥပမာ, နယူးယောက်) မှလူကိုကိုယ်စားပြု-ကျော်နှင့်အချို့သောပြည်နယ်များ (ဥပမာ, Alaska) မှလူအောက်မှာ-ကိုယ်စားပြုဖြစ်ကြောင်းဖြစ်ကြောင်း။ ရှာပါ ထို့ကြောင့်သင်တို့၏နမူနာများအလုပ်လက်မဲ့နှုန်းသည်ပစ်မှတ်လူဦးရေအတွက်အလုပ်လက်မဲ့နှုန်းသည်တစ်မကောင်းတဲ့ခန့်မှန်းချက်ဖြစ်ဖွယ်ရှိသည်။

အနမူနာဖြစ်စဉ်တွင်ဖြစ်ပျက်သောပုံပျက် undo တလမ်းလူတစ်ဦးချင်းစီမှအလေး assign ဖို့ဖြစ်ပါတယ်; အောက်မှာ-ကိုယ်စားပြုနမူနာ (ဥပမာ, Alaska) ၌နေသောပြည်နယ်များမှလူများတို့အားနမူနာအတွက် Over-ကိုယ်စားပြုဖြစ်ကြောင်းပြည်နယ် (ဥပမာ, နယူးယောက်) နှင့်အဆင့်မြင့်အလေးအထဲကလူတွေကိုအနိမ့်အလေး။ ပိုများသောအထူးစီတုံ့ပြန်များအတွက်အလေးချိန်အမေရိကန်လူဦးရေမှာသူတို့ရဲ့ပျံ့နှံ့ရန်သင့်နမူနာဆွေမျိုး၌မိမိတို့ပျံ့နှံ့နှင့်ဆက်စပ်သောဖြစ်ပါတယ်။ ဒီတွက်ဆလုပ်ထုံးလုပ်နည်း Post-stratification ဟုခေါ်သည်နှင့်အလေးချိန်၏စိတ်ကူး Rhode Island ကနေဖြေဆိုသူကယ်လီဖိုးနီးယားမှဖြေဆိုသူထက်လျော့နည်းအလေးချိန်ပေးခဲ့ဘယ်မှာပုဒ်မ 3.4.1 အတွက်ဥပမာသငျသညျသတိပေးသင့်ပါတယ်။ post-stratification သငျသညျအုပျစုသို့သင်တို့၏ဖြေဆိုသူထားရန်နှင့်အုပ်စုတစ်ခုချင်းစီအတွက်ပစ်မှတ်လူဦးရေရဲ့အချိုးအစားကိုသိရန်လုံလောက်သောကိုသိသောလိုအပ်သည်။

ဖြစ်နိုင်ခြေနမူနာနှင့် non-ဖြစ်နိုင်ခြေနမူနာများ၏တွက်ဆ (နည်းပညာဆိုင်ရာနောက်ဆက်တွဲတွင်ကြည့်ပါ) သင်္ချာတူညီကြပေမဲ့, သူတို့ကွဲပြားခြားနားသောအခြေအနေများတွင်ကောင်းစွာအလုပ်လုပ်ကြသည်။ ထိုသုတေသနပညာရှင်တစ်ဦးစုံလင်သောဖြစ်နိုင်ခြေနမူနာ (ဆိုလိုသည်မှာမရှိလွှမ်းခြုံအမှားနှင့်မျှမတို့သည် non-တုန့်ပြန်) ရှိပါတယ်လျှင်, တွက်ဆအားလုံးကိစ္စများတွင်အားလုံးစရိုက်များဘို့ဘက်မလိုက်ခန့်မှန်းချက်ထုတ်လုပ်ပါလိမ့်မယ်။ ဖြစ်နိုင်ခြေနမူနာ၏လှုပ်ရှားသူများသူတို့ကိုဒါကြောင့်ဆွဲဆောင်မှုရှာတွေ့အဘယ်ကြောင့်ဒီအခိုင်သီအိုရီအာမခံချက်ဖြစ်ပါတယ်။ တုံ့ပြန်မှုတို့ကိုလိုလားသောဆက်ဆံရေးကိုအသီးအသီးအုပ်စုတွင်လူတိုင်းအတွက်တူညီတဲ့လျှင်အခြားတစ်ဖက်တွင်, Non-ဖြစ်နိုင်ခြေနမူနာ weighting သာအားလုံးစရိုက်များဘို့ဘက်မလိုက်ခန့်မှန်းချက်ထုတ်လုပ်ပါလိမ့်မယ်။ တစ်နည်း, New York မှာလူတိုင်းပါဝင်၏တူညီသောဖြစ်နိုင်ခြေရှိပြီး Alaska လူတိုင်းဒီတော့အပေါ်ပါဝင်နှင့်အတူတူပင်ဖြစ်နိုင်ခြေရှိပါတယ်လျှင် Post-stratification ဘက်မလိုက်ခန့်မှန်းချက်ထုတ်လုပ်ရန်လိမ့်မည်သုံးပြီးပြန်ကျွန်တော်တို့ရဲ့ဥပမာစဉ်းစား။ ဒီယူဆချက်ကိုတစ်သားတည်းဖြစ်တည်ခြင်း-တုန့်ပြန်-လိုလားသောဆက်ဆံရေး-အတွင်း-အုပ်စုများယူဆချက်ကိုခေါ်နဲ့ post-stratification Non-ဖြစ်နိုင်ခြေနမူနာအတူကောင်းစွာအလုပ်လုပ်ပါလိမ့်မယ်လျှင် သိ. အတွက်အဓိကအခန်းကဏ္ဍဖြစ်ပါတယ်။

ကံမကောင်းစွာပဲကျွန်တော်တို့ရဲ့ဥပမာထဲမှာ, တစ်သားတည်းဖြစ်တည်ခြင်း-တုန့်ပြန်-လိုလားသောဆက်ဆံရေး-အတွင်း-အုပ်စုများယူဆချက်စစ်မှန်တဲ့ဖြစ်မဖြစ်နိုင်ပုံရသည်။ သည်က Alaska အတွက်လူတိုင်းကိုသင့်စစ်တမ်းများတွင်ဖြစ်ခြင်း၏တူညီသောဖြစ်နိုင်ခြေရှိကြောင်းမဖြစ်နိုင်ပုံရသည်။ ဒါပေမဲ့အဲဒါကိုကပိုအလားအလာထင်ရစေပါအားလုံးသော Post-stratification အကြောင်းကိုစိတ်တွင်စောင့်ရှောက်ဖို့သုံးအရေးကြီးသောအချက်များ, ရှိပါတယ်။

ပထမဦးစွာတစ်သားတည်းဖြစ်တည်ခြင်း-တုန့်ပြန်-လိုလားသောဆက်ဆံရေး-အတွင်း-အုပ်စုများယူဆချက်အုပ်စုများတိုး၏နံပါတ်အဖြစ်ပိုပြီးယုတ္တိတန်သည်ဟုဆိုရမည်ဖြစ်လာသည်။ နှင့်အညီ, သုတေသီများရုံတစ်ခုတည်းပထဝီရှုထောင်အပေါ်အခြေခံပြီးအုပ်စုများမှကန့်သတ်သည်မဟုတ်။ ဥပမာအားဖြင့်ကျနော်တို့ပြည်နယ်, အသက်, လိင်, နှင့်ပညာရေးအဆင့်အတန်းအပေါ်အခြေပြုအဖွဲ့များကဖန်တီးနိုင်ဘူး။ ဒါဟာတစ်သားတည်းဖြစ်တည်ခြင်းတုန့်ပြန်လိုလားသောဆက်ဆံရေး Alaska တွင်နေထိုင်သောလူအားလုံး၏အုပ်စုအတွင်းထက် 18-29 ၏အုပ်စု, အမျိုးသမီး, Alaska တွင်နေထိုင်သောကောလိပ်ဘွဲ့ရအတွင်းရှိကွောငျးကိုပိုပြီးယုတ္တိတန်သည်ဟုဆိုရမည်ပုံရသည်။ ထို့ကြောင့် Post-stratification တိုးအတွက်အသုံးပြုအုပ်စုများ၏အရေအတွက်အတိုင်း, ယူဆချက်ကပိုကျိုးကြောင်းဆီလျော်ဖြစ်လာကူညီပံ့ပိုးရန်လိုအပ်ခဲ့ပါတယ်။ တစ်ဦးသုတေသီများ Post-stratification များအတွက်အုပ်စုတွေရဲ့ကြီးမားတဲ့အရေအတွက်ဖန်တီးလိုတူဤအချက်ကိုပေးသောကြောင့်ဖြစ်ပုံရသည်။ ဒေတာ sparsity: ဒါပေမယ့်အုပ်စုများတိုးများအရေအတွက်အတိုင်း, သုတေသီများတစ်ဦးကွဲပြားခြားနားပြဿနာသို့ပြေး။ လူကိုသာသေးငယ်တဲ့အရေအတွက်အသီးအသီးအုပ်စုထဲမှာရှိပါတယ်လျှင်, ထိုခန့်မှန်းချက်ကိုပိုပြီးမသေချာမရေရာဖြစ်ရလိမ့်မည်မရှိ, ဖြေဆိုသူရှိကြောင်းအဖွဲ့တစ်ဖွဲ့ရှိပါတယ်ရှိရာအစွန်းရောက်အမှု၌, ထို့နောက် Post-stratification လုံးဝဆင်းချိုးတော်မူ၏။ homogeneous- တုန့်ပြန်-propensity-အတွင်း-အုပ်စုများယူဆချက်နှင့်အုပ်စုတစ်ခုချင်းစီအတွက်ကျိုးကြောင်းဆီလျော်နမူနာအရွယ်အစားများအတွက်ဝယ်လိုအားများပိုမိုခိုင်မာအကြားကဒီမွေးရာပါတင်းမာမှုထဲကနည်းလမ်းနှစ်ခုရှိပါတယ်။ တစျခုမှာချဉ်းကပ်မှုအလေးတွက်ချက်နှင့်အခြားတစ်ဦးထက်ပိုသောခေတ်မီဆန်းပြားကိန်းဂဏန်းမော်ဒယ်မှရွှေ့ဖို့ဖြစ်ပါတယ်အုပ်စုတစ်ခုချင်းစီအတွက်ကျိုးကြောင်းဆီလျော်နမူနာအရွယ်အစားသေချာကူညီပေးသည်သည့်ပိုကြီးပိုမတူကွဲပြားနမူနာ, စုဆောင်းဖို့ဖြစ်ပါတယ်။ ငါကိုအောက်တွင်အသေးစိတ်ဖော်ပြရန်လိမ့်မယ်အဖြစ်နှင့်အညီ, တခါတရံတွင်သုတေသီများ, နှစ်ဦးစလုံးလုပ်ပါ။

Non-ဖြစ်နိုင်ခြေနမူနာကနေ Post-stratification အတူလုပ်ကိုင်ရသောအခါတစ်ဦးကဒုတိယထည့်သွင်းစဉ်းစားဖြစ်နိုင်ခြေနမူနာခွဲခြားစိတ်ဖြာသည​​့်အခါတစ်သားတည်းဖြစ်တည်ခြင်း-တုန့်ပြန်-propensity-အတွင်း-အုပ်စုများယူဆချက်ပြီးသားမကြာခဏလုပ်ကြောင်းဖြစ်ပါတယ်။ ဒီယူဆချက်အလေ့အကျင့်အတွက်ဖြစ်နိုင်ခြေနမူနာအတှကျလိုအပျသောအကြောင်းပြချက်ဖြစ်နိုင်ခြေနမူနာ Non-တုန့်ပြန်ရှိသည်, အထက်တွင်ဖော်ပြခဲ့သကဲ့သို့မဟုတ်သောတုန့်ပြန်များအတွက်ချိန်ညှိဘို့အသုံးအများဆုံးနည်းလမ်း Post-stratification ဖြစ်ပါတယ်။ ဟုတ်ပါတယ်, လို့များစွာသောသုတေသီများတယောယူဆချက်သငျသညျလညျးအလုပျသငျ့ကွောငျးမဆိုလိုပါပါစေ။ ဒါပေမဲ့အဲဒါကိုအလေ့အကျင့်အတွက်ဖြစ်နိုင်ခြေနမူနာဖို့ Non-ဖြစ်နိုင်ခြေနမူနာနှိုင်းယှဉ်လာသောအခါ, ကျနော်တို့နှစ်ဦးစလုံးခန့်မှန်းချက်ထုတ်လုပ်နိုင်ရန်အတွက်ယူဆချက်နှင့်အရန်သတင်းအချက်အလက်များအပေါ်မူတည်ကြောင်းသတိရရမည်ဟုဆိုလိုဘူး။ အများဆုံးလက်တွေ့ကျကျ setting များကိုခုနှစ်တွင်အခြရန်မယူဆချက်-အခမဲ့ချဉ်းကပ်ရိုးရိုးလည်းရှိ၏။

သငျသညျအလုပ်လက်မဲ့နှုန်း-ပြီးတော့ကျွန်တော်တို့ရဲ့ဥပမာထဲမှာအထူးသဖြင့်-in ကိုခန့်မှန်းချက်တစ်ခုဂရုစိုက်မယ်ဆိုရင်နောက်ဆုံးအနေနဲ့သင်တစ်သားတည်းဖြစ်တည်ခြင်း-တုန့်ပြန်-propensity-အတွင်း-အုပ်စုများယူဆချက်ထက်အားနည်းတစ်ခွအေနအေလိုအပ်ပါတယ်။ အထူးသငျသညျလူတိုင်းတူညီတဲ့တုန့်ပြန် propensity ရှိပါတယ်ယူဆဖို့မလိုအပ်ပါဘူး, သငျသညျကိုသာအုပ်စုတစ်ခုချင်းစီအတွင်းတုန့်ပြန် propensity နှင့်အလုပ်လက်မဲ့နှုန်းအကြားမျှဆက်စပ်မှုရှိကြောင်းယူဆဖို့လိုပါတယ်။ သင်တန်း၏, ပင်ဒီအားနည်းခွအေနအေအချို့သောအခြေအနေများတွင်ကိုင်မည်မဟုတ်။ ဥပမာအားဖြင့်, စေတနာ့ဝန်ထမ်းအလုပ်ကျင့်သောအမေရိကန်များ၏အချိုးအစားခန့်မှန်းမြင်ယောင်ကြည့်ပါ။ စေတနာ့ဝန်ထမ်းအလုပ်လုပျတဲ့သူကလူစစ်တမ်းတစ်ခုအတွက်ဖြစ်ဖို့သဘောတူဖို့ပိုများပါတယ်လျှင်, သုတေသီများအားဖြင့်မျက်မြင်လက်တွေ့သရုပ်ပြခဲ့ကြောင်းစေတနာ့ဝန်ထမ်း, သူတို့က Post-stratification ချိန်ညှိပြုပါလျှင်ပင်, တစ်ဦးရလဒ်၏ပမာဏကိုခန့်မှန်း Over-လိမ့်မည်စနစ်တကျ Abraham, Helms, and Presser (2009)

ငါအစောပိုင်းကပြောခဲ့သကဲ့သို့, Non-ဖြစ်နိုင်ခြေနမူနာသောကွောငျ့စစ်တမ်းသုတေသန၏အစောပိုင်းကာလ၌အများဆုံးရှက်စရာဆုံးရှုံးမှုအချို့ကိုမှာသူတို့ရဲ့အခန်းကဏ္ဍ၏အစိတ်အပိုင်းအတွက်, လူမှုရေးသိပ္ပံပညာရှင်တွေကြီးသံသယနှင့်အတူကြည့်ရှုအားပေးကြသည်။ ကျွန်တော်တို့ Non-ဖြစ်နိုင်ခြေနမူနာအတူပါလာကြပါပြီဘယ်လောက်ဝေးတစ်ရှင်းရှင်းလင်းလင်းဥပမာအားမှန်ကန်စွာအမေရိကန်, Xbox အသုံးပြုသူတစ်ဦးသည် non-ဖြစ်နိုင်ခြေနမူနာကို အသုံးပြု. 2012 ခုနှစ်အမေရိကန်ရွေးကောက်ပွဲတွင်၏ရလဒ်ကိုပြန်လည်ကောင်းမွန်ကဝေဝမ်, ဒါဝိဒ်သည် Rothschild, Sharad Goel နှင့်အင်ဒရူး Gelman ၏သုတေသနဖြစ်ပါသည် အမေရိကန်များ၏ -a decidedly Non-ကျပန်းနမူနာ (Wang et al. 2015) ။ အဆိုပါသုတေသီများ Xbox ဂိမ်း system ထဲကနေဖြေဆိုသူစုဆောင်း, နှင့်သင်မျှော်လင့်ထားစေခြင်းငှါ, အတိုင်း, Xbox နမူနာယောက်ျားနှင့် skewed ငယ်ရွယ် skewed: 18 - 29 နှစ်တွင်ကြားရှိမဲဆန္ဒရှင်များ၏ 19% ပေမယ့်, Xbox နမူနာ၏ 65% ကိုတက်စေပါနှင့်ယောက်ျား 47% တက်ပါစေ မဲဆန္ဒရှင်များနှင့် Xbox နမူနာ (ပုံ 3.4) ၏ 93% ၏။ သောကွောငျ့ဤအခိုင်လူဦးရေဆိုင်ရာဘက်လိုက်၏, ထိုကုန်ကြမ်း, Xbox ဒေတာရွေးကောက်ပွဲပြန်၏ဆင်းရဲသားညွှန်ပြချက်ခဲ့သည်။ ဒါဟာဘရက်ခ်အိုဘားမားကျော် Mitt Romney အဘို့ခိုင်ခံ့သောအောင်ပွဲခန့်မှန်းခဲ့ပါတယ်။ တဖန်, ဒီအသားစိမ်း, unadjusted Non-ဖြစ်နိုင်ခြေနမူနာများ၏အန္တရာယ်များ၏နောက်ဥပမာနှင့်စာပေ Digest မဂ္ဂဇင်း fiasco ၏ဆင်တူသည်။

ဝမ် et al အတွက်ဖြေဆိုသူဒေသစစ်တမ်းများ: 3.4 ပုံ။ (2015) ။ ဖြေဆိုသူ Xbox မှစုဆောင်းခဲ့ကြသောကြောင့်, သူတို့က 2012 ခုနှစ်ရွေးကောက်ပွဲတွင်မဲဆန္ဒရှင်မှဆွေမျိုးလူငယ်နှင့်အထီးဖြစ်ဖို့ပိုဖွယ်ရှိဖြစ်ဖို့ပိုဖွယ်ရှိနေကြ၏။

အတွက်ဖြေဆိုသူဒေသစစ်တမ်းများ: 3.4 ပုံ Wang et al. (2015) ။ ဖြေဆိုသူ Xbox မှစုဆောင်းခဲ့ကြသောကြောင့်, သူတို့က 2012 ခုနှစ်ရွေးကောက်ပွဲတွင်မဲဆန္ဒရှင်မှဆွေမျိုးလူငယ်နှင့်အထီးဖြစ်ဖို့ပိုဖွယ်ရှိဖြစ်ဖို့ပိုဖွယ်ရှိနေကြ၏။

သို့သော်ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကဒီပြဿနာတွေကိုသတိပြုမိခဲ့ကြနှင့်နမူနာလုပ်ငန်းစဉ်အတွက်ပြင်ပေးဖို့ဖြေဆိုသူအလေးချိန်ဖို့ကြိုးစားခဲ့တယ်။ အထူးသဖြင့်, ငါသည်သူတို့မအကြောင်းကိုပြောလွန် stratification ၏တစ်ဦးထက်ပိုခေတ်မီပုံစံကိုအသုံးပြုခဲ့သည်။ က Post-stratification အကြောင်းပင်ကိုယ်ဆောက်နှင့်ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကအသုံးပြုတဲ့အထူးသဖြင့် version ကိုတွက်ဆသည် non-ဖြစ်နိုင်ခြေနမူနာဖို့စိတ်လှုပ်ရှားဖွယ်အကောင်းဆုံးချဉ်းကပ်မှု၏တစျသောကွောငျ့ဒါဟာသူတို့ရဲ့ချဉ်းကပ်မှုအကြောင်းကိုနည်းနည်းပိုပြီးလေ့လာသင်ယူရကျိုးနပ်သည်။

ပုဒ်မ 3.4.1 အတွက်အလုပ်လက်မဲ့ခန့်မှန်းအကြောင်းကိုကျွန်တော်တို့ရဲ့ရိုးရှင်းတဲ့ဥပမာထဲမှာ, ကျနော်တို့နေထိုင်ရာပြည်နယ်အပေါ်အခြေခံအုပ်စုများသို့လူဦးရေပိုင်းခွဲ။ ဆနျ့ကငျြ, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များအားဖြင့်သတ်မှတ်ပါတယ် 176.256 အုပ်စုများသို့ထဲသို့လူဦးရေကိုခှဲဝေ: ကျား, မ (2 အမျိုးအစား), မျိုးနွယ် (4 အမျိုးအစား), အသက်အရွယ် (4 အမျိုးအစား), ပညာရေး (4 အမျိုးအစား), ပြည်နယ် (51 အမျိုးအစား) ပါတီ ID ကို (3 အမျိုးအစား), သဘောတရား (3 အမျိုးအစား) နှင့် 2008 ခုနှစ်မဲ (3 အမျိုးအစား) ။ ပိုပြီးအုပ်စုများနှင့်တကွ, သုတေသီများကအုပ်စုတစ်ခုချင်းစီအတွင်း, တုန့်ပြန် propensity အိုဘားမားပံ့ပိုးမှုဖြင့် uncorrelated ခဲ့သည်တိုးဖွယ်ရှိဖြစ်လိမ့်မယ်လို့မျှော်လင့်ထားပါတယ်။ ငါတို့သည်ငါတို့၏ဥပမာထဲမှာကိုပြုသကဲ့သို့ ဆက်လက်. မဟုတ်ဘဲတစ်ဦးချင်းအဆင့်အလေးဆောက်လုပ်ထက်, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကအိုဘားမားကိုမဲပေးမယ်လို့အုပ်စုတစ်ခုချင်းစီအတွက်လူများ၏အချိုးအစားကိုခန့်မှန်းရန်ရှုပ်ထွေးပြီးမော်ဒယ်ကိုအသုံးပြုခဲ့သည်။ နောက်ဆုံးအနေနဲ့သူတို့ထောက်ခံမှုခန့်မှန်းခြေစုစုပေါင်း level ကိုထုတ်လုပ်ရန်အုပ်စုတစ်ခုချင်းစီ၏လူသိများအရွယ်အစားနှင့်အတူထောက်ခံမှုဤအုပ်စုခန့်မှန်းပေါင်းစပ်။ တနည်းအားဖြင့်သူတို့က, ကွဲပြားခြားနားသောအုပ်စုများသို့လူဦးရေထကုန်တယ်အသီးအသီးအုပ်စုထဲမှာသမ္မတအိုဘားမားကများအတွက်အထောက်အပံ့ခန့်မှန်းခြေ, ပြီးတော့တစ်ဦးခြုံငုံခန့်မှန်းချက်ထုတ်လုပ်ရန်အုပ်စုခန့်မှန်းတဲ့ချိန်ပျမ်းမျှအားကိုယူ။

ထို့ကြောင့်၎င်းတို့၏ချဉ်းကပ်မှုအတွက်ကြီးမားသောစိန်ခေါ်မှုတစ်ရပ်သည်ဤ 176.256 အုပ်စုများ၏အသီးအသီးအတွက်အိုဘားမားများအတွက်အထောက်အပံ့ခန့်မှန်းဖို့ဖြစ်ပါတယ်။ သူတို့ရဲ့ panel က 345.858 ထူးခြားသောသင်တန်းသားများပါဝင်ပေမယ့်, ရွေးကောက်ပွဲမဲရုံများ၏စံချိန်စံညွှန်းများဖြင့်ကြီးမားသောအရေအတွက်, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များနီးပါးမျှဖြေဆိုသူခဲ့သောအဘို့အများကြီးအုပ်စုများရှိကြ၏။ ထို့ကြောင့်သူတို့အများအပြားကနေသုတေသီများခစျြစနိုးတိကျတဲ့အုပ်စုအတွင်းအိုဘားမားများအတွက်အထောက်အပံ့ကိုခန့်မှန်းရန်, အမှန်ကတော့မစ္စတာပီမခေါ်ရာ Post-stratification နှင့်အတူ multilevel ဆုတ်ယုတ်ကိုခေါ် technique ကို, မစ္စတာ P. ရေကန်သတင်းအချက်အလက်များအသုံးပြုအုပ်စုတစ်ခုချင်းစီအတွက်အထောက်အပံ့ကိုခန့်မှန်းရန် နီးနီးကပ်ကပ်ဆက်စပ်အဖွဲ့များက။ ဥပမာအားဖြင့်, အလယ်အလတ်အဖြစ် Self-ခွဲခြားသတ်မှတ်သူအမှတ်ပုံတင်ဒီမိုကရက်နေသောကောလိပ်ဘွဲ့ရ, နေသောသူ, 18-29 အကြားနှစ်အရွယ်အမျိုးသမီး, အစွမ်းကုန်တို့တွင်အအိုဘားမားများအတွက်အထောက်အပံ့ခန့်မှန်း၏စိန်ခေါ်မှုထည့်သွင်းစဉ်းစားခြင်း, အဘယ်သူသည် 2008 ခုနှစ်ဒီအတွက်အိုဘားမားမဲပေး အလွန်အလွန်တိကျတဲ့အုပ်စုဖြစ်ပြီး, ဤဝိသေသလက္ခဏာများနှင့်အတူနမူနာထဲမှာဘယ်သူမှလည်းမရှိကြောင်းဖြစ်နိုင်ပါတယ်။ ထိုကွောငျ့, အတူတူ, ဒီအုပ်စုအကြောင်းမစ္စတာပီရေကန်ခန့်မှန်းစေပါရန်အလွန်ဆင်တူအုပ်စုတွေရှိလူများကနေခန့်မှန်းထားသည်။

ဒီဆန်းစစ်ချက်နည်းဗျူဟာကိုသုံးပြီး, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကအလွန်နီးကပ်စွာအိုဘားမားက 2012 ခုနှစ်ရွေးကောက်ပွဲ (ပုံ 3.5) တွင်လက်ခံရရှိကြောင်းခြုံငုံထောက်ခံမှုခန့်မှန်းဖို့ Xbox Non-ဖြစ်နိုင်ခြေနမူနာကိုအသုံးပြုရန်နိုင်ခဲ့ကြတယ်။ တကယ်တော့သူတို့ရဲ့ခန့်မှန်းချက်လူထုအမြင်ရွေးကောက်ပွဲတစ်ခုစုစုပေါင်းထက်ပိုမိုတိကျမှန်ကန်သောခဲ့ကြသည်။ ထို့ကြောင့်ဤကိစ္စတွင်အတွက်, တွက်ဆ-အထူးမစ္စတာ Non-ဖြစ်နိုင်ခြေဒေတာအတွက်ဘက်လိုက်မှုဆုံးကောင်းတစ်ဦးကိုအလုပ်လုပ်ဖို့ P. -ပုံရသည်, သင် unadjusted, Xbox ဒေတာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုမှာကြည့်ရှုသောအခါမြင်နိုင်ဖြစ်ကြောင်းဘက်လိုက်။

ဝမ် et al မှခန့်မှန်း: 3.5 ပုံ။ (2015) ။ Unadjusted Xbox နမူနာတိခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ သို့သော်ထိုချိန် Xbox နမူနာဖြစ်နိုင်ခြေ-based တယ်လီဖုန်းစစ်တမ်းများပျမ်းမျှထက်ပိုမိုတိကျမှန်ကန်ခဲ့ကြကြောင်းခန့်မှန်းတွက်ချက်မှုကိုထုတ်လုပ်ခဲ့ပါတယ်။

ကနေခန့်မှန်း: 3.5 ပုံ Wang et al. (2015) ။ Unadjusted Xbox နမူနာတိခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ သို့သော်ထိုချိန် Xbox နမူနာဖြစ်နိုင်ခြေ-based တယ်လီဖုန်းစစ်တမ်းများပျမ်းမျှထက်ပိုမိုတိကျမှန်ကန်ခဲ့ကြကြောင်းခန့်မှန်းတွက်ချက်မှုကိုထုတ်လုပ်ခဲ့ပါတယ်။

ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များ၏လေ့လာမှုကနေနှစ်ဦးကိုအဓိကသင်ခန်းစာတွေရှိတယ်။ ပထမဦးစွာ unadjusted Non-ဖြစ်နိုင်ခြေနမူနာမကောင်းတဲ့ခန့်မှန်းဖို့ဦးဆောင်လမ်းပြနိုင်, ဒီများစွာသောသုတေသီများရှေ့တော်၌ကြားရကြပြီတဲ့သငျခနျးစာကိုဖြစ်ပါတယ်။ သို့သော်ဒုတိယသင်ခန်းစာက Non-ဖြစ်နိုင်ခြေနမူနာကြောင်း, စနစ်တကျတွက်ချက်အခါ, တကယ်တော့အတော်လေးကောင်းသောခန့်မှန်းချက်ထုတ်လုပ်နိုင်သည်။ တကယ်တော့သူတို့ရဲ့ခန့်မှန်းပိုရိုးရာရွေးကောက်ပွဲရွေးကောက်ပွဲတခုသတင်းအချက်အလက်စုစည်းခြင်း pollster.com ကနေခန့်မှန်းချက်ထက်ပိုမိုတိကျမှန်ကန်သောခဲ့ကြသည်။

နောက်ဆုံးအနေနဲ့ကျနော်တို့ဒီတစ်ခုသတ်သတ်မှတ်မှတ်လေ့လာမှုကနေလေ့လာသင်ယူနိုင်သလဲဆိုတာဖို့အရေးကြီးတယ်န့်အသတ်ရှိပါတယ်။ Post-stratification ဒီအထူးသဖြင့်အမှု၌ကောင်းစွာအလုပ်လုပ်ခဲ့ဘာလို့လဲဆိုတော့ကြောင့်အခြားကိစ္စများတွင်ကောင်းစွာအလုပ်လုပ်မည်ကိုအဘယ်သူမျှမအာမခံချက်လည်းမရှိ။ pollsters နှစ် 100 နီးပါးများအတွက်ရွေးကောက်ပွဲများလေ့လာနေပုံမှန်တုံ့ပြန်ချက်လည်းရှိ၏ (ကျနော်တို့ရွေးကောက်ပွဲအနိုင်ရရှိသူကိုတွေ့နိုင်ပါသည်) နှင့်ပါတီမှတ်ပုံတင်နှင့်လူဦးရေဆိုင်ရာသွင်ပြင်လက္ခဏာများမဲပေး၏အတော်လေးကြိုတင်ခန့်မှန်းချက်များမှာခဲ့ကြသောကြောင့်, တကယ်တော့ရွေးကောက်ပွဲဖြစ်ကောင်းအလွယ်ကူဆုံး settings ကို၏တဝတည်းဖြစ်ကြ၏။ ဤအချက်မှာ, ကျနော်တို့ကို non-ဖြစ်နိုင်ခြေနမူနာဖို့တွက်ဆချိန်ညှိလုံလုံလောက်လောက်တိကျမှုခန့်မှန်းချက်ကိုထုတ်လုပ်မည်သည့်အခါကိုသိရန်အစိုင်အခဲသီအိုရီနှင့်လက်တွေ့အတွေ့အကြုံကကင်းမဲ့နေသည်။ ရှင်းရှင်းလင်းလင်းကြောင်းအရာတစ်ခုမှာ, သို့သော်, သငျသညျကို non-ဖြစ်နိုင်ခြေနမူနာအတူလုပ်ကိုင်ဖို့အတင်းအကြပ်ကြသည်လျှင်, ညှိပြီးခန့်မှန်းသည် non-ချိန်ညှိခန့်မှန်းချက်ထက်ပိုကောင်းလိမ့်မည်ဟုယုံကြည်ရန်အားကြီးသောအကြောင်းပြချက်ရှိပါတယ်ဖြစ်ပါသည်။