4.4.2 ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော

စမ်းသပ်ချက်ပုံမှန်အားဖြင့်ပျမ်းမျှအကျိုးသက်ရောက်မှုကိုတိုင်းတာ, ဒါပေမယ့်အကျိုးသက်ရောက်မှုကွဲပြားခြားနားသောလူတို့အဘို့ကွဲပြားစေနိုင်ပါတယ်။

ရိုးရှင်းတဲ့စမ်းသပ်ချက်ကျော်လွန်ရွေ့လျားဘို့ဒုတိယ key ကိုစိတ်ကူးကုသမှုသက်ရောက်မှုများ၏ပင်သောင်းပြောင်းထွေလာရောနှောနေသည်။ ၏စမ်းသပ်မှု Schultz et al. (2007) အားကောင်းတူညီကုသမှုလူအမျိုးမျိုးအပေါ်ကွဲပြားခြားနားသောအကျိုးသက်ရောက်မှုများ (ပုံ 4.4) ရှိနိုင်ပါသည်, သို့သော်သောင်းပြောင်းထွေလာရောနှော၏ဤခွဲခြမ်းစိတ်ဖြာ့ Analog ခေတ်စမ်းသပ်မှုများအတွက်အမှန်တကယ်အတော်လေးပုံမှန်မဟုတ်သောသည်မည်မျှဖော်ပြသည်။ အများစုမှာ Analog စအသက်အရွယ်စမ်းသပ်ချက်သူတို့ကိုအကြောင်းနည်းနည်း Pre-ကုသမှုလူသိများသည်ဖြစ်သောကြောင့် "Widgets တွေ" လဲလှယ်အဖြစ်ကုသလျက်ရှိသောသင်တန်းသားများ၏သေးငယ်တဲ့အရေအတွက်ပါဝငျသညျ။ သုတေသီများပိုပြီးသင်တန်းသားများရှိသည်နှင့်သူတို့ကိုအကြောင်းပိုမိုသိရန်လေ့ရှိသောကြောင့်ဒစ်ဂျစ်တယ်စမ်းသပ်ချက်ခုနှစ်, ဒါပေမဲ့, အဲဒီဒေတာန့်အသတ်လျော့နည်းဘုံဖြစ်ကြသည်။ ဒီမတူညီတဲ့ data ကိုပတ်ဝန်းကျင်အတွက်, ကျွန်တော်တိုးတက်လာနိုင်ပါတယ်ဘယ်လိုကုသမှုအလုပ်လုပ်ပုံအကြောင်းကိုသဲလွန်စပေးနိုင်ရန်အတွက်ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှောခန့်မှန်း, ဘယ်လိုအကျိုးခံစားရဖို့အများအားဖြင့်ဖွယ်ရှိသူတို့အားပစ်မှတ်ထားခံရနိုင်ပါတယ်။

လူမှုရေးစံချိန်စံညွှန်းနှင့်စွမ်းအင်သုံးစွဲမှု၏အခြေအနေတွင်ကုသသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော၏ဥပမာနှစျပြည်ထဲရေးစွမ်းအင်ဝန်ကြီးဌာနအစီရင်ခံစာများအပေါ်နောက်ထပ်သုတေသနများမှလာကြ၏။ ပထမဦးစွာ Allcott (2011) နောက်ထပ်နမူနာခွဲထွက်နှင့် Pre-ကုသမှုစွမ်းအင်ကိုအသုံးပြုမှု၏ decile အားဖြင့်ပင်မစွမ်းအင်အစီရင်ခံစာ၏အကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်ကြီးမားသောနမူနာအရွယ်အစား (600,000 အိမ်ထောင်စုပေါင်း) ကိုအသုံးပြုခဲ့သည်။ နေစဉ် Schultz et al. (2007) လေးလံသောနှင့်အလင်းသည်အသုံးပြုသူများအကြားကွဲပြားခြားနားမှုကိုတွေ့ Allcott (2011) အလေးလံသောနဲ့အလင်းအသုံးပြုသူအုပ်စုအတွင်းကွဲပြားမှုလည်းရှိကြောင်းတွေ့ရှိခဲ့ရသည်။ ဥပမာ, အပြင်းထန်ဆုံးအသုံးပြုသူများသည် (ထိပ် decile ရှိသူတို့) နှစ်ကြိမ်အဖြစ်တာလေးလံသောအသုံးပြုသူအုပ်စု (ပုံ 4.7) ၏အလယ်၌တစ်စုံတစ်ဦးအဖြစ်သူတို့ရဲ့စွမ်းအင်ကိုအသုံးပြုမှုကိုလျှော့ချ။ ထို့ပြင် Pre-ကုသမှုအပြုအမူအားဖြင့်အကျိုးသက်ရောက်မှုခန့်မှန်းလည်းကိုပင်ပေါ့ပါးဆုံးအသုံးပြုသူများသည် (ပုံ 4.7) အတွက်တစ်ဦးထိကပြန်အကျိုးသက်ရောက်လည်းမရှိသေးသည်ကြောင်းထင်ရှား။

Allcott အတွက်ကုသမှုအကျိုးသက်ရောက်မှုများ (2011) ၏သောင်းပြောင်းထွေလာရောနှော: 4.7 ပုံ။ စွမ်းအင်ကိုအသုံးအတွက်လျော့နည်းအခြေခံအသုံးပြုမှု၏ကွဲပြားခြားနားသော deciles ရှိလူများအဘို့အမတူညီတဲ့ခဲ့သည်။

ဆေးကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော: 4.7 ပုံ Allcott (2011) ။ စွမ်းအင်ကိုအသုံးအတွက်လျော့နည်းအခြေခံအသုံးပြုမှု၏ကွဲပြားခြားနားသော deciles ရှိလူများအဘို့အမတူညီတဲ့ခဲ့သည်။

တစ်ဦးဆက်စပ်လေ့လာမှုမှာ, Costa and Kahn (2013) ပြည်ထဲရေးစွမ်းအင်ဝန်ကြီးဌာနအစီရင်ခံစာ၏ထိရောက်မှုကိုတစ်ဦးပါဝင်သူ၏နိုင်ငံရေးသဘောတရားအပေါ်အခြေခံပြီးကွဲပြားခြားနားခြင်းနှင့်ကုသမှုအမှန်တကယ်အချို့သောအယူဝါဒနှင့်အတူလူတို့သည်မိမိတို့လျှပ်စစ်ဓာတ်အားအသုံးပြုမှုကိုတိုးမြှင့်စေခြင်းငှါနိုင်ကြောင်းခန့်မှန်းပြောဆိုသည်။ တနည်းအားဖြင့်သူတို့ပြည်ထဲရေးစွမ်းအင်ဝန်ကြီးဌာနအစီရင်ခံစာများပြည်သူပြည်သားအချို့အမျိုးအစားများများအတွက်ထိကပြန်အကျိုးသက်ရောက်ဖန်တီးခြင်းစေခြင်းငှါခန့်မှန်းသုံးသပ်သည်။ ဒီဖြစ်နိုင်ချေကိုအကဲဖြတ်ဖို့, ကော်စတာနှင့် Kahn ထိုကဲ့သို့သောနိုင်ငံရေးပါတီမှတ်ပုံတင်ခြင်း, ပတ်ဝန်းကျင်အဖွဲ့အစည်းများအလှူငွေများနှင့်ပြန်လည်ပြည့်ဖြိုးမြဲစွမ်းအင်ကိုအစီအစဉ်များအတွက်အိမ်သူအိမ်သားပါဝင်မှုအဖြစ်သတင်းအချက်အလက်များထည့်သွင်းတဲ့ Third-party စုစည်းထံမှဝယ်ယူဒေတာတွေနဲ့ Opower ဒေတာပေါင်းစည်း။ ဒီပေါင်းစပ် Datasets နှင့်အတူကော့စနှင့် Kahn ပြည်ထဲရေးစွမ်းအင်ဝန်ကြီးဌာနအစီရင်ခံစာများမတူညီတဲ့အတွေးအခေါ်တွေနဲ့သင်တန်းသားများအဘို့အမြင်ကျယ်အလားတူအကျိုးသက်ရောက်မှုများထုတ်လုပ်ကြောင်းတွေ့ရှိခဲ့; မည်သည့်အဖွဲ့ကထိကပြန်သက်ရောက်မှုများ (ပုံ 4.8) ပြကြောင်းသက်သေအထောက်အထားမရှိရှိ၏။

ကော်စတာနှင့် Kahn (2013) တွင်ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော: 4.8 ပုံ။ တစ်ခုလုံးကိုနမူနာများအတွက်ခန့်မှန်းခြေပျှမ်းမျှကုသမှုအကျိုးသက်ရောက်မှု -2,1% [-1,5%, -2,7%] ဖြစ်ပါတယ်။ အိမ်ထောင်စုနှင့် ပတ်သက်. သတင်းအချက်အလက်တွေနဲ့စမ်းသပ်မှုကနေသတင်းအချက်အလက်ပေါင်းစပ်ပြီးအသုံးပြုပုံကော်စတာနှင့် Kahn (2013) လူမျိုး၏အလွန်တိကျတဲ့အုပ်စုများအတွက်ကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်စာရင်းအင်းမော်ဒယ်တွေရဲ့စီးရီးကိုအသုံးပြုခဲ့သည်။ ထိုခန့်မှန်းချက် (ဇယား 3 နဲ့ကော်စတာနှင့် Kahn (2013) တွင်ဇယား 4 မှာမော်ဒယ် 4 နဲ့မော်ဒယ် 6 ကိုကြည့်ပါ) သူတို့ရဲ့ကိန်းဂဏန်းမော်ဒယ်များတွင်ပါဝင်သော covariates အပေါ်မူတည်နေသောကြောင့်နှစ်ဦးခန့်မှန်းတွက်ချက်မှုအသီးအသီးအုပ်စုအတွက်ပေးအပ်ကြသည်။ ဒီဥပမာသရုပ်ဖော်အဖြစ်, ကုသမှုသက်ရောက်မှုများကွဲပြားခြားနားသောလူများနှင့်စာရင်းအင်းမော်ဒယ်တွေကလာသောကုသမှုသက်ရောက်မှုများ၏ခန့်မှန်းတွက်ချက်မှုအဘို့ကွဲပြားနိုင်ပါတယ်သူတို့အားမော်ဒယ်များ (Grimmer, ရှုပ်ထွေးနှင့် Westwood 2014) ၏အသေးစိတျအပေါ်မှာပဲမူတည်နိုင်ပါတယ်။

ဆေးကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှော: 4.8 ပုံ Costa and Kahn (2013) ။ တစ်ခုလုံးကိုနမူနာများအတွက်ခန့်မှန်းခြေပျှမ်းမျှကုသမှုအကျိုးသက်ရောက်မှု -2,1% [-1,5%, -2,7%] ဖြစ်ပါတယ်။ အိမ်ထောင်စုနှင့် ပတ်သက်. သတင်းအချက်အလက်တွေနဲ့စမ်းသပ်မှုကနေသတင်းအချက်အလက်ပေါင်းစပ်ပြီးအသုံးပြုပုံ Costa and Kahn (2013) လူမျိုး၏အလွန်တိကျတဲ့အုပ်စုများအတွက်ကုသမှုအကျိုးသက်ရောက်မှုကိုခန့်မှန်းရန်စာရင်းအင်းမော်ဒယ်တွေရဲ့စီးရီးကိုအသုံးပြုခဲ့သည်။ ထိုခန့်မှန်းချက် (ဇယား 3 နဲ့အတွက်ဇယား 4 မှာမော်ဒယ် 4 နဲ့မော်ဒယ် 6 မြင်ရသူတို့စာရင်းအင်းမော်ဒယ်များတွင်ပါဝင်သော covariates အပေါ်မူတည်နေသောကြောင့်နှစ်ဦးခန့်မှန်းတွက်ချက်မှုအသီးအသီးအုပ်စုအတွက်တင်ပြကြသည် Costa and Kahn (2013) ) ။ ဒီဥပမာသရုပ်ဖော်အဖြစ်, ကုသမှုသက်ရောက်မှုများကွဲပြားခြားနားသောလူများနှင့်စာရင်းအင်းမော်ဒယ်တွေကလာသောကုသမှုသက်ရောက်မှုများ၏ခန့်မှန်းတွက်ချက်မှုအဘို့ကွဲပြားနိုင်ပါတယ်သူတို့အားမော်ဒယ်တွေရဲ့အသေးစိတ်ကိုအပေါ်မှီခိုနိုင် (Grimmer, Messing, and Westwood 2014)

အဲဒီနှစျခုဥပမာဒစ်ဂျစ်တယ်ခေတ်တွင်, သရုပျဖျောအဖြစ်ကျနော်တို့အများကြီးပိုပြီးသင်တန်းသားများရှိသည်နိုင်နှင့်ကျွန်တော်တို့သူတို့အားသင်တန်းသားများအကြောင်းပိုမိုသိသောကြောင့်, ကျနော်တို့ကုသမှုသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှောခန့်မှန်းဖို့ပျှမ်းမျှကုသမှုအကျိုးသက်ရောက်မှုများခန့်မှန်းမှရွှေ့နိုင်ပါတယ်။ ကုသသက်ရောက်မှုများ၏သောင်းပြောင်းထွေလာရောနှောအကြောင်းကိုလေ့လာခြင်း, ကအထိရောက်ဆုံးသည်အဘယ်မှာရှိတစ်ဦးဆေးကုသမှု၏ပစ်မှတ်ထား enable အသစ်သီအိုရီဖွံ့ဖြိုးတိုးတက်မှုအတွက်လှုံ့ဆော်ကြောင်းအချက်များကိုပေးစွမ်းနှင့်တစ်ဦးဖြစ်နိုင်သမျှယန္တရားနှင့် ပတ်သက်. ယခုငါလှည့်အရာမှခေါင်းစဉ်အရိပ်အမြွက်ပေးနိုင်ပါသည်။