2.4.3 Approximating ਪ੍ਰਯੋਗ

ਅਸੀਂ ਅਨੁਮਾਨਿਤ ਪ੍ਰਯੋਗਾਂ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਸਾਡੇ ਕੋਲ ਨਹੀਂ ਹਨ ਜਾਂ ਨਹੀਂ ਕਰ ਸਕਦੇ. ਦੋ ਤਰੀਕੇ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਵੱਡੇ ਡੈਟਾ ਸ੍ਰੋਤਾਂ ਤੋਂ ਲਾਭ ਲੈਂਦੇ ਹਨ, ਉਹ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਮੇਲਿੰਗ ਹਨ.

ਕੁਝ ਮਹੱਤਵਪੂਰਣ ਵਿਗਿਆਨਕ ਅਤੇ ਨੀਤੀਗਤ ਪ੍ਰਸ਼ਨ ਕਾਰਨ ਹਨ ਉਦਾਹਰਨ ਲਈ, ਨੌਕਰੀ ਦੇ ਤਨਖਾਹ ਪ੍ਰੋਗਰਾਮ ਦੇ ਕੀ ਨਤੀਜੇ ਹਨ? ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਵਾਲੇ ਇਕ ਖੋਜਕਰਤਾ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਦੀ ਕਮਾਈ ਨਾਲ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਸਾਈਨ ਅਪ ਕੀਤਾ ਹੋਵੇ ਜਿਹਨਾਂ ਨੇ ਨਹੀਂ ਕੀਤਾ. ਪਰ ਇਨ੍ਹਾਂ ਸਮੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਤਨਖ਼ਾਹ ਵਿਚ ਕਿਸੇ ਵੀ ਫਰਕ ਦਾ ਸਿਖਲਾਈ ਦੀ ਵਜ੍ਹਾ ਹੈ ਅਤੇ ਲੋਕਾਂ ਦੇ ਵਿਚਕਾਰ ਜੋ ਪਹਿਲਾਂ ਸਾਈਨ ਅਪ ਕਰਦੇ ਹਨ ਅਤੇ ਜੋ ਨਹੀਂ ਕਰਦੇ ਉਨ੍ਹਾਂ ਵਿਚ ਪਹਿਲਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਅੰਤਰ ਹੈ? ਇਹ ਇੱਕ ਮੁਸ਼ਕਲ ਪ੍ਰਸ਼ਨ ਹੈ, ਅਤੇ ਇਹ ਉਹ ਹੈ ਜੋ ਆਪਣੇ ਆਪ ਹੀ ਹੋਰ ਡਾਟਾ ਨਾਲ ਨਹੀਂ ਜਾਂਦਾ ਹੈ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਸੰਭਵ ਤੌਰ 'ਤੇ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਅੰਤਰਾਂ ਬਾਰੇ ਚਿੰਤਾ ਇਹ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿ ਤੁਹਾਡੇ ਡੇਟਾ ਵਿਚ ਕਿੰਨੇ ਵਰਕਰ ਕੰਮ ਕਰਦੇ ਹਨ.

ਕਈ ਹਾਲਤਾਂ ਵਿਚ, ਕੁਝ ਇਲਾਜਾਂ ਦੇ ਕਾਰਨਾਮਾ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ, ਜਿਵੇਂ ਕਿ ਨੌਕਰੀ ਦੀ ਸਿਖਲਾਈ, ਇਕ ਨਿਰੰਤਰ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗ ਚਲਾਉਣਾ ਹੈ ਜਿੱਥੇ ਇੱਕ ਖੋਜਕਾਰ ਬੇਤਰਤੀਬੀ ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਇਲਾਜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਦੂਜਿਆਂ ਦੁਆਰਾ ਨਹੀਂ. ਮੈਂ ਪ੍ਰਯੋਗਾਂ ਲਈ ਸਾਰੇ ਅਧਿਆਇ 4 ਨੂੰ ਸਮਰਪਿਤ ਕਰਾਂਗਾ, ਇਸ ਲਈ ਇੱਥੇ ਮੈਂ ਦੋ ਰਣਨੀਤੀਆਂ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨ ਜਾ ਰਿਹਾ ਹਾਂ ਜੋ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟਾ ਨਾਲ ਵਰਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ. ਪਹਿਲੀ ਰਣਨੀਤੀ ਸੰਸਾਰ ਵਿੱਚ ਹੋ ਰਹੇ ਕਿਸੇ ਚੀਜ਼ ਦੀ ਤਲਾਸ਼ ਕਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਜੋ ਬੇਤਰਤੀਬ (ਜਾਂ ਲਗਭਗ ਬੇਤਰਤੀਬੀ) ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਇਲਾਜ ਮੁਹਈਆ ਕਰਦੀ ਹੈ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਨਹੀਂ. ਦੂਸਰੀ ਰਣਨੀਤੀ, ਜੋ ਕਿ ਇਲਾਜ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਪਾਉਂਦੀ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿਚਾਲੇ ਪਹਿਲਾਂ-ਪਹਿਲ ਫਰਕ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖ ਕੇ, ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਅੰਕੜਿਆਂ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ.

ਇੱਕ ਸੰਦੇਹਵਾਦੀ ਦਾਅਵਾ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਇਹਨਾਂ ਰਣਨੀਤੀਆਂ ਦੋਵਾਂ ਤੋਂ ਬਚਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਲਪਨਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਹਨਾਂ ਅਨੁਮਾਨਾਂ ਜਿਨ੍ਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ ਅਤੇ ਉਹ, ਪ੍ਰਥਾ ਵਿੱਚ, ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ. ਹਾਲਾਂਕਿ ਮੈਂ ਇਸ ਦਾਅਵੇ ਪ੍ਰਤੀ ਹਮਦਰਦੀ ਹਾਂ, ਪਰ ਮੈਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਇਹ ਬਹੁਤ ਦੂਰ ਹੈ. ਇਹ ਬਿਲਕੁਲ ਸੱਚ ਹੈ ਕਿ ਗੈਰ ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟੇ ਤੋਂ ਭਰੋਸੇਮੰਦ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਇਹ ਮੁਸ਼ਕਲ ਹੈ, ਪਰ ਮੈਂ ਇਹ ਨਹੀਂ ਸੋਚਦਾ ਕਿ ਇਹ ਮਤਲਬ ਹੈ ਕਿ ਸਾਨੂੰ ਕਦੇ ਵੀ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ. ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ, ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਪਹੁੰਚਾਂ ਸਹਾਇਕ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜੇਕਰ ਸਹਾਇਕ ਪ੍ਰਣਾਲੀ ਤੁਹਾਨੂੰ ਇੱਕ ਪ੍ਰਯੋਗ ਕਰਨ ਤੋਂ ਰੋਕਦੀ ਹੈ ਜਾਂ ਨੈਤਿਕ ਪਾਬੰਦੀਆਂ ਦਾ ਮਤਲਬ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਇੱਕ ਪ੍ਰਯੋਗ ਨਹੀਂ ਚਲਾਉਣਾ ਚਾਹੁੰਦੇ. ਅੱਗੇ, ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਪਹੁੰਚ ਸਹਾਇਕ ਹੋ ਸਕਦੇ ਹਨ ਜੇ ਤੁਸੀਂ ਇੱਕ ਰਲਵੇਂ ਕੰਟਰੋਲ ਕੀਤੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਡਿਜ਼ਾਇਨ ਕਰਨ ਲਈ ਮੌਜੂਦ ਡਾਟਾ ਦਾ ਫਾਇਦਾ ਉਠਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ.

ਅੱਗੇ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਵੀ ਧਿਆਨ ਦੇਣਾ ਜਰੂਰੀ ਹੈ ਕਿ ਸਾਕਾਰਾਤਮਕ ਅੰਦਾਜ਼ਿਆਂ ਨੂੰ ਸਮਾਜਿਕ ਖੋਜ ਵਿੱਚ ਸਭ ਤੋਂ ਗੁੰਝਲਦਾਰ ਵਿਸ਼ਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਅਤੇ ਇੱਕ ਜੋ ਤੀਬਰ ਅਤੇ ਭਾਵਨਾਤਮਕ ਬਹਿਸ ਨੂੰ ਅਗਵਾਈ ਦੇ ਸਕਦਾ ਹੈ. ਅੱਗੇ ਕੀ ਹੋਵੇਗਾ, ਮੈਂ ਇਸ ਬਾਰੇ ਸਹਿਮਤੀ ਬਣਾਉਣ ਲਈ ਹਰੇਕ ਪਹੁੰਚ ਦਾ ਇੱਕ ਆਸ਼ਾਵਾਦੀ ਵੇਰਵਾ ਮੁਹੱਈਆ ਕਰਾਂਗਾ, ਤਾਂ ਮੈਂ ਉਸ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੈਦਾ ਹੋਈਆਂ ਕੁਝ ਚੁਣੌਤੀਆਂ ਦਾ ਵਰਣਨ ਕਰਾਂਗਾ. ਇਸ ਅਧਿਆਇ ਦੇ ਅਖੀਰ ਵਿਚ ਹਰ ਪਹੁੰਚ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਸਾਮੱਗਰੀ ਵਿਚ ਉਪਲਬਧ ਹੈ. ਜੇ ਤੁਸੀਂ ਆਪਣੀ ਖੋਜ ਵਿਚ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹੋ, ਤਾਂ ਮੈਂ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪੁਸਤਕਾਂ ਵਿਚੋਂ ਇਕ ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਸਿਫ਼ਾਰਸ਼ ਕਰਦਾ ਹਾਂ (Imbens and Rubin 2015; Pearl 2009; Morgan and Winship 2014) .

ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਤੋਂ ਕਾਰਨਲ ਅੰਦਾਜ਼ੇ ਬਣਾਉਣ ਲਈ ਇੱਕ ਪਹੁੰਚ ਇੱਕ ਅਜਿਹੀ ਘਟਨਾ ਲੱਭਣ ਲਈ ਹੈ ਜਿਸ ਨੇ ਲਗਾਤਾਰ ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਇਲਾਜ ਦਿੱਤਾ ਹੈ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਨਹੀਂ. ਇਹਨਾਂ ਸਥਿਤੀਆਂ ਨੂੰ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਕੁਦਰਤੀ ਤਜਰਬੇ ਦੀਆਂ ਖਾਸ ਤਜਰਬਿਆਂ ਵਿਚੋਂ ਇਕ ਜੋਸ਼ੂਆ ਅਨਗ੍ਰਿਸਟ (1990) ਦੀ ਖੋਜ ਤੋਂ ਆਉਂਦਾ ਹੈ ਜਿਸ ਨਾਲ ਕਮਾਈ 'ਤੇ ਮਿਲਟਰੀ ਸੇਵਾਵਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ. ਵਿਅਤਨਾਮ ਦੀ ਲੜਾਈ ਦੇ ਦੌਰਾਨ, ਸੰਯੁਕਤ ਰਾਜ ਨੇ ਇੱਕ ਡਰਾਫਟ ਰਾਹੀਂ ਆਪਣੀਆਂ ਫੌਜਾਂ ਦੇ ਆਕਾਰ ਨੂੰ ਵਧਾ ਦਿੱਤਾ. ਇਹ ਫੈਸਲਾ ਕਰਨ ਲਈ ਕਿ ਕਿਸ ਨਾਗਰਿਕ ਨੂੰ ਸੇਵਾ ਵਿੱਚ ਬੁਲਾਇਆ ਜਾਵੇਗਾ, ਅਮਰੀਕੀ ਸਰਕਾਰ ਨੇ ਇੱਕ ਲਾਟਰੀ ਰੱਖੀ ਸੀ ਹਰ ਜਨਮ ਦੀ ਤਾਰੀਖ ਕਾਗਜ਼ ਉੱਤੇ ਲਿਖਿਆ ਗਿਆ ਸੀ ਅਤੇ ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 2.7 ਵਿਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਕਾਗਜ਼ ਦੇ ਇਹ ਟੁਕੜੇ ਇਕ ਸਮੇਂ ਇਕ ਦੀ ਚੋਣ ਕੀਤੀ ਗਈ ਸੀ ਤਾਂ ਕਿ ਉਹ ਨਿਸ਼ਚਿਤ ਕਰੇ ਕਿ ਕਿਹੜੇ ਜਵਾਨ ਮਰਦਾਂ ਨੂੰ ਸੇਵਾ ਕਰਨ ਲਈ ਬੁਲਾਏ ਜਾਣਗੇ ਡਰਾਫਟ ਨੂੰ). ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ ਤੇ, 14 ਸਤੰਬਰ ਨੂੰ ਪੈਦਾ ਹੋਏ ਮਰਦਾਂ ਨੂੰ ਪਹਿਲਾਂ ਬੁਲਾਇਆ ਗਿਆ ਸੀ, 24 ਅਪ੍ਰੈਲ ਨੂੰ ਪੈਦਾ ਹੋਏ ਮਰਦਾਂ ਨੂੰ ਦੂਜਾ ਕਿਹਾ ਜਾਂਦਾ ਸੀ, ਅਤੇ ਇਸੇ ਤਰ੍ਹਾਂ ਹੀ. ਅਖੀਰ ਵਿੱਚ, ਇਸ ਲਾਟਰੀ ਵਿੱਚ, 195 ਵੱਖਰੇ ਦਿਨ ਪੈਦਾ ਹੋਏ ਮਰਦਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਦਕਿ 171 ਦਿਨ ਜੰਮਣ ਵਾਲੇ ਮਰਦ ਨਹੀਂ ਸਨ.

ਚਿੱਤਰ 2.7: ਕਾਂਗਰਸੀ ਐਲੇਗਜ਼ੈਂਡਰ ਪਿਰਨੀ (ਆਰ.ਐੱਨ.ਏ.) 1 ਦਸੰਬਰ, 1 9 669 ਵਿਚ ਚੋਣਵੀਂ ਸੇਵਾ ਡ੍ਰਾਫਟ ਲਈ ਪਹਿਲੇ ਕੈਪਸੂਲ ਨੂੰ ਡਰਾਇੰਗ ਕਰ ਰਿਹਾ ਸੀ. ਜੂਸ਼ੂਆ ਐਨਗ੍ਰਿਸਟ ਨੇ (1990) ਮਿਲਟਰੀ ਸੇਵਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਸੋਸ਼ਲ ਸਿਕਿਉਰਿਟੀ ਐਡਮਿਨਿਸਟ੍ਰੇਸ਼ਨ ਦੀ ਕਮਾਈ ਦੇ ਅੰਕੜੇ ਦੇ ਨਾਲ ਡਰਾਫਟ ਲੈਟਰੀ ਜੋੜਿਆ ਕਮਾਈ 'ਤੇ ਇਹ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਖੋਜ ਦਾ ਇੱਕ ਉਦਾਹਰਣ ਹੈ. ਸ੍ਰੋਤ: ਯੂਐਸ ਚੈਕਵੁਆਇਸਟ ਸਰਵਿਸ ਸਿਸਟਮ (1969) / ਵਿਕੀਮੀਡੀਆ ਕਾਮਨਜ਼.

ਚਿੱਤਰ 2.7: ਕਾਂਗਰਸੀ ਐਲੇਗਜ਼ੈਂਡਰ ਪਿਰਨੀ (ਆਰ.ਐੱਨ.ਏ.) 1 ਦਸੰਬਰ, 1 9 669 ਵਿਚ ਚੋਣਵੀਂ ਸੇਵਾ ਡ੍ਰਾਫਟ ਲਈ ਪਹਿਲੇ ਕੈਪਸੂਲ ਨੂੰ ਡਰਾਇੰਗ ਕਰ ਰਿਹਾ ਸੀ. ਜੂਸ਼ੂਆ ਐਨਗ੍ਰਿਸਟ ਨੇ (1990) ਮਿਲਟਰੀ ਸੇਵਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਸੋਸ਼ਲ ਸਿਕਿਉਰਿਟੀ ਐਡਮਿਨਿਸਟ੍ਰੇਸ਼ਨ ਦੀ ਕਮਾਈ ਦੇ ਅੰਕੜੇ ਦੇ ਨਾਲ ਡਰਾਫਟ ਲੈਟਰੀ ਜੋੜਿਆ ਕਮਾਈ 'ਤੇ ਇਹ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਖੋਜ ਦਾ ਇੱਕ ਉਦਾਹਰਣ ਹੈ. ਸਰੋਤ: ਯੂਐਸ ਚਿਨਿਊਚਿਵ ਸਰਵਿਸ ਸਿਸਟਮ (1969) / ਵਿਕੀਮੀਡੀਆ ਕਾਮਨਜ਼ .

ਹਾਲਾਂਕਿ ਇਹ ਫੌਰਨ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ, ਇੱਕ ਡਰਾਫਟ ਲਾਟਰੀ ਵਿੱਚ ਇੱਕ ਰਲਵੇਂ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗ ਨਾਲ ਇੱਕ ਸਮਰੂਪ ਸਮਾਨਤਾ ਹੁੰਦੀ ਹੈ: ਦੋਵੇਂ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਹਿੱਸਾ ਲੈਣ ਵਾਲਿਆਂ ਨੂੰ ਲਗਾਤਾਰ ਇੱਕ ਇਲਾਜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਨਿਯੁਕਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇਸ ਬੇਤਰਤੀਬ ਇਲਾਜ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਘੋਖ ਕਰਨ ਲਈ, ਐਂਗਰਿਸਟ ਨੇ ਹਮੇਸ਼ਾ-ਹਮੇਸ਼ਾ ਵੱਡੀ ਡਾਟਾ ਸਿਸਟਮ ਦਾ ਫਾਇਦਾ ਉਠਾਇਆ: ਯੂਐਸ ਸੋਸ਼ਲ ਸਕਿਉਰਿਟੀ ਐਡਮਿਨਿਸਟ੍ਰੇਸ਼ਨ, ਜੋ ਰੁਜ਼ਗਾਰ ਤੋਂ ਲੱਗਭਗ ਹਰ ਅਮਰੀਕੀ ਦੀ ਕਮਾਈ ਬਾਰੇ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਦਾ ਹੈ. ਸਰਕਾਰੀ ਪ੍ਰਸ਼ਾਸਕੀ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਇਕੱਤਰ ਕੀਤੀ ਆਮਦਨੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਡਰਾਫਟ ਲਾਟਰੀ ਵਿੱਚ ਨਿਰੰਤਰ ਤੌਰ ਤੇ ਕਿਸਨੂੰ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਇਸ ਬਾਰੇ ਜਾਣਕਾਰੀ ਇਕੱਤਰ ਕਰਕੇ, ਐਂਜਿਸਟ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਸਾਬਕਾ ਫੌਜੀਆਂ ਦੀ ਕਮਾਈ ਤੁਲਨਾਯੋਗ ਗੈਰ-ਵੈਟਰਨਰਾਂ ਦੀ ਆਮਦਨ ਤੋਂ 15% ਘੱਟ ਹੈ.

ਜਿਵੇਂ ਕਿ ਇਹ ਉਦਾਹਰਨ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ, ਕਦੇ-ਕਦੇ ਸਮਾਜਕ, ਰਾਜਨੀਤਿਕ, ਜਾਂ ਕੁਦਰਤੀ ਤਾਕਤਾਂ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਇਲਾਜ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ ਜਿਸ ਨੂੰ ਖੋਜਾਰਥੀਆਂ ਦੁਆਰਾ ਲੀਵਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਕਈ ਵਾਰ ਇਨ੍ਹਾਂ ਇਲਾਜਾਂ ਦੇ ਪ੍ਰਭਾਵ ਹਮੇਸ਼ਾ-ਹਮੇਸ਼ਾ ਵੱਡੇ ਡੈਟਾ ਸ੍ਰੋਤਾਂ ਵਿਚ ਲਏ ਜਾਂਦੇ ਹਨ. ਇਸ ਰਿਸਰਚ ਰਣਨੀਤੀ ਦਾ ਹੇਠਲੇ ਤੌਰ ਤੇ ਸੰਖੇਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: \[\text{random (or as if random) variation} + \text{always-on data} = \text{natural experiment}\]

ਡਿਜੀਟਲ ਦੀ ਉਮਰ ਵਿਚ ਇਸ ਰਣਨੀਤੀ ਨੂੰ ਦਰਸਾਉਣ ਲਈ, ਆਓ ਅਸੀਂ ਐਲੇਗਜ਼ੈਂਡਰ ਮਾਸ ਅਤੇ ਐਨਰੋਕੋ ਮੋਰੇਟੀ (2009) ਦੁਆਰਾ ਇੱਕ ਅਧਿਐਨ 'ਤੇ ਵਿਚਾਰ ਕਰੀਏ, ਜਿਸ ਨੇ ਕਰਮਚਾਰੀ ਦੀ ਉਤਪਾਦਕਤਾ' ਤੇ ਉਤਪਾਦਕ ਸਹਿਯੋਗੀਆਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ. ਨਤੀਜਿਆਂ ਨੂੰ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਦੱਸਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਹੋ ਰਹੀਆਂ ਵੱਖਰੀਆਂ ਆਸਾਂ ਹਨ. ਇਕ ਪਾਸੇ, ਤੁਸੀਂ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਸਾਥੀ ਕਰਮਚਾਰੀਆਂ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਨਾਲ ਕਰਮਚਾਰੀ ਆਪਣੀ ਉਤਪਾਦਕਤਾ ਵਧਾਉਣਗੇ ਕਿਉਂਕਿ ਪੀਅਰ ਪ੍ਰੈਸ਼ਰ ਦੇ ਕਾਰਨ. ਜਾਂ, ਦੂਜੇ ਪਾਸੇ, ਤੁਸੀਂ ਆਸ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰਨ ਵਾਲੇ ਕਰਮਚਾਰੀ ਇੱਕ ਕਰਮਚਾਰੀ ਨੂੰ ਅਰਾਮ ਦੇਣ ਦੀ ਅਗਵਾਈ ਕਰ ਸਕਦੇ ਹਨ ਕਿਉਂਕਿ ਕੰਮ ਉਸ ਦੇ ਸਾਥੀਆਂ ਦੁਆਰਾ ਵੀ ਕੀਤਾ ਜਾਵੇਗਾ ਉਤਪਾਦਕਤਾ 'ਤੇ ਪੀਅਰ ਦੇ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਇਕ ਨਿਰੰਤਰ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗ ਹੋਵੇਗਾ ਜਿੱਥੇ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਉਤਪਾਦਕਤਾ ਪੱਧਰਾਂ ਦੇ ਕਰਮਚਾਰੀਆਂ ਦੇ ਨਾਲ ਬਦਲੀ ਕਰਨ ਲਈ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਤਪਾਦਕਤਾ ਹਰੇਕ ਦੇ ਲਈ ਮਾਪੀ ਜਾਂਦੀ ਹੈ. ਖੋਜਕਰਤਾਵਾਂ ਨੇ, ਭਾਵੇਂ ਕਿਸੇ ਵੀ ਅਸਲ ਕਾਰੋਬਾਰ ਵਿੱਚ ਵਰਕਰਾਂ ਦੀ ਸੂਚੀ ਨੂੰ ਨਿਯੰਤਰਤ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਮਾਸ ਅਤੇ ਮੋਰੇਟੀ ਨੂੰ ਇੱਕ ਸੁਪਰ ਮਾਰਕੀਟ ਵਿੱਚ ਕੈਸ਼ੀਅਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਇੱਕ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਪਿਆ.

ਇਸ ਖ਼ਾਸ ਸੁਪਰ ਮਾਰਕੀਟ ਵਿੱਚ, ਜਿਸ ਸਮੇਂ ਤੋਂ ਸਮਾਂ ਨਿਸ਼ਚਤ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ ਅਤੇ ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਉਲਝਿਆ ਗਿਆ ਸੀ, ਹਰੇਕ ਕੈਸ਼ੀਅਰ ਦੇ ਦਿਨ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਸਮੇਂ ਵੱਖ-ਵੱਖ ਸਹਿ-ਕਰਮਚਾਰੀਆਂ ਦੇ ਸਨ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸ ਵਿਸ਼ੇਸ਼ ਸੁਪਰਮਾਰਕੀਟ ਵਿਚ, ਕੈਸ਼ੀਅਰ ਦਾ ਕੰਮ ਆਪਣੇ ਸਾਥੀਆਂ ਦੀ ਉਤਪਾਦਕਤਾ ਨਾਲ ਕੋਈ ਸੰਬੰਧ ਨਹੀਂ ਸੀ ਜਾਂ ਸਟੋਰ ਕਿੰਨੀ ਵਿਅਸਤ ਸੀ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਭਾਵੇਂ ਕਿ ਕੈਸ਼ੀਅਰਾਂ ਦੀ ਤਹਿ-ਸੂਚੀ ਲਾਟਰੀ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ, ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਸੀ ਜਿਵੇਂ ਕਈ ਵਾਰ ਉੱਚੀ (ਜਾਂ ਘੱਟ) ਉਤਪਾਦਕਤਾ ਦੇ ਸਾਥੀਆਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਬੇਤਰਤੀਬ ਨਾਲ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਸੀ. ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਇਸ ਸੁਪਰਮਾਰਮੇਟ ਕੋਲ ਇਕ ਡਿਜੀਟਲ-ਉਮਰ ਚੈੱਕਆਉਟ ਪ੍ਰਣਾਲੀ ਵੀ ਸੀ ਜੋ ਹਰ ਇਕ ਕੈਸ਼ੀਅਰ ਹਰ ਸਮੇਂ ਸਕੈਨਿੰਗ ਕਰ ਰਿਹਾ ਸੀ. ਇਸ ਚੈੱਕਆਉਟ ਲੌਗ ਡੇਟਾ ਤੋਂ, ਮਾਸ ਅਤੇ ਮੋਰੇਟਟੀ ਉਤਪਾਦਕਤਾ ਦੇ ਇੱਕ ਸਟੀਕ, ਵਿਅਕਤੀਗਤ ਅਤੇ ਹਮੇਸ਼ਾ-ਨਿਰੀ ਮਾਪ ਪੈਦਾ ਕਰਨ ਦੇ ਯੋਗ ਸਨ: ਪ੍ਰਤੀ ਸਕਿੰਟ ਸਕਾਈਨਾਂ ਦੀਆਂ ਆਈਟਮਾਂ ਦੀ ਗਿਣਤੀ. ਇਨ੍ਹਾਂ ਦੋ ਚੀਜ਼ਾਂ ਦਾ ਸੁਮੇਲ- ਪੀਅਰ ਉਤਪਾਦਕਤਾ ਵਿੱਚ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਵਾਪਰ ਰਹੀਆਂ ਤਬਦੀਲੀਆਂ ਅਤੇ ਉਤਪਾਦਕਤਾ ਦੇ ਹਮੇਸ਼ਾ-ਹਮੇਸ਼ਾ ਲਈ ਮਾਪ-ਮਸਲ ਅਤੇ ਮੋਰੇਟਿ ਨੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਹੈ ਕਿ ਜੇਕਰ ਕੈਸ਼ੀਅਰ ਨੂੰ ਉਹਨਾਂ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਜੋ ਕਿ ਔਸਤ ਤੋਂ 10% ਵਧੇਰੇ ਉਤਪਾਦਕ ਸਨ, ਉਸਦੀ ਉਤਪਾਦਕਤਾ 1.5% . ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਨ੍ਹਾਂ ਨੇ ਦੋ ਮਹੱਤਵਪੂਰਨ ਮੁੱਦਿਆਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਆਕਾਰ ਅਤੇ ਅਮੀਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਸੀ: ਇਸ ਪ੍ਰਭਾਵ ਦੀ ਭਿੰਨਤਾ (ਕਿਸ ਕਿਸਮ ਦੇ ਵਰਕਰਾਂ ਲਈ ਅਸਰ ਵੱਡਾ ਹੈ?) ਅਤੇ ਪ੍ਰਭਾਵ ਦੇ ਪਿੱਛੇ ਕਾਰਜ (ਉੱਚ ਉਤਪਾਦਕਤਾ ਦੇ ਸਾਥੀਆਂ ਨੂੰ ਕਿਉਂ ਅੱਗੇ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ ਉੱਚ ਉਤਪਾਦਕਤਾ?). ਅਸੀਂ ਇਨ੍ਹਾਂ ਦੋ ਮਹੱਤਵਪੂਰਣ ਮੁੱਦਿਆਂ 'ਤੇ ਇਲਾਜ ਦੇ ਪ੍ਰਭਾਵਾਂ ਅਤੇ ਕਾਰਜਵਿਧੀਆਂ ਦੀ ਭਿੰਨਤਾ ਨੂੰ ਵਾਪਸ ਲਵਾਂਗੇ- ਅਧਿਆਇ 4 ਵਿਚ ਜਦ ਅਸੀਂ ਪ੍ਰਯੋਗਾਂ ਬਾਰੇ ਵਧੇਰੇ ਵੇਰਵੇ' ਤੇ ਚਰਚਾ ਕਰਾਂਗੇ.

ਇਹਨਾਂ ਦੋ ਅਧਿਐਨਾਂ ਤੋਂ ਆਮ ਤੌਰ ਤੇ, ਸਾਰਣੀ 2.3 ਹੋਰ ਅਧਿਐਨਾਂ ਦਾ ਸੰਖੇਪ ਵਰਨਨ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਇਹ ਇਕੋ ਢਾਂਚਾ ਹੈ: ਕੁਝ ਬੇਤਰਤੀਬ ਭਿੰਨਤਾਵਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਣ ਲਈ ਹਮੇਸ਼ਾਂ-ਮੌਜੂਦ ਡਾਟਾ ਸ੍ਰੋਤ ਦੀ ਵਰਤੋਂ. ਅਭਿਆਸ ਵਿੱਚ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਦੀ ਖੋਜ ਲਈ ਦੋ ਵੱਖ-ਵੱਖ ਰਣਨੀਤੀਆਂ ਦਾ ਇਸਤੇਮਾਲ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਦੋਵਾਂ ਵਿੱਚ ਲਾਭਕਾਰੀ ਹੋ ਸਕਦਾ ਹੈ. ਕੁਝ ਖੋਜਕਰਤਾ ਹਮੇਸ਼ਾਂ ਇੱਕ ਡਾਟਾ ਸ੍ਰੋਤ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸੰਸਾਰ ਵਿੱਚ ਬੇਤਰਤੀਬ ਘਟਨਾ ਲੱਭਦੇ ਹਨ; ਦੂਸਰੇ ਸੰਸਾਰ ਵਿਚ ਇਕ ਬੇਤਰਤੀਬ ਘਟਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ ਅਤੇ ਡੇਟਾ ਸ੍ਰੋਤਾਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹਨ ਜੋ ਇਸਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਪਕੜ ਲੈਂਦੇ ਹਨ.

ਸਾਰਣੀ 2.3: ਵੱਡੇ ਡੇਟਾ ਸ੍ਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਦੀਆਂ ਉਦਾਹਰਨਾਂ
ਸਬਸਟੈਂਟੇਜ਼ੀ ਫੋਕਸ ਕੁਦਰਤੀ ਤਜਰਬੇ ਦਾ ਸਰੋਤ ਹਮੇਸ਼ਾ-ਮੌਜੂਦ ਡਾਟਾ ਸ੍ਰੋਤ ਸੰਦਰਭ
ਉਤਪਾਦਕਤਾ 'ਤੇ ਪੀਅਰ ਦੇ ਪ੍ਰਭਾਵ ਸਮਾਂ-ਤਹਿ ਪ੍ਰਕਿਰਿਆ ਚੈਕਆਉਟ ਡੇਟਾ Mas and Moretti (2009)
ਦੋਸਤੀ ਗਠਨ ਤੂਫਾਨ ਫੇਸਬੁੱਕ Phan and Airoldi (2015)
ਜਜ਼ਬਾਤ ਫੈਲਾਓ ਮੀਂਹ ਫੇਸਬੁੱਕ Lorenzo Coviello et al. (2014)
ਪੀਅਰ-ਟੂ-ਪੀਅਰ ਆਰਥਿਕ ਟ੍ਰਾਂਸਫਰ ਭੂਚਾਲ ਮੋਬਾਈਲ ਪੈਸੇ ਦਾ ਡਾਟਾ Blumenstock, Fafchamps, and Eagle (2011)
ਨਿੱਜੀ ਖਪਤ ਵਿਵਹਾਰ 2013 ਅਮਰੀਕੀ ਸਰਕਾਰ ਬੰਦ ਨਿੱਜੀ ਵਿੱਤ ਡੇਟਾ Baker and Yannelis (2015)
ਆਦਰਸ਼ ਸਿਸਟਮਾਂ ਦੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਵੱਖ - ਵੱਖ ਐਮਾਜ਼ਾਨ 'ਤੇ ਬਰਾਊਜ਼ਿੰਗ ਡੇਟਾ Sharma, Hofman, and Watts (2015)
ਅਣਜੰਮੇ ਬੱਚਿਆਂ ਤੇ ਤਨਾਅ ਦਾ ਪ੍ਰਭਾਵ 2006 ਇਜ਼ਰਾਇਲ-ਹਿਜਬੁੱਲਾ ਜੰਗ ਜਨਮ ਦੇ ਰਿਕਾਰਡ Torche and Shwed (2015)
ਵਿਕੀਪੀਡੀਆ ਉੱਤੇ ਰਵੱਈਆ ਪੜਨਾ ਸਨਡੇਨ ਦੇ ਖੁਲਾਸੇ ਵਿਕਿਪੀਡਿਆ ਲਾਗ Penney (2016)
ਕਸਰਤ 'ਤੇ ਪੀਅਰ ਦੇ ਪ੍ਰਭਾਵ ਮੌਸਮ ਫਿੱਟਨੈਸ ਟਰੈਕਕਰਤਾ Aral and Nicolaides (2017)

ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਦੇ ਬਾਰੇ ਵਿੱਚ ਹੁਣ ਤੱਕ ਚਰਚਾ ਵਿੱਚ, ਮੈਂ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਨੁਕਤੇ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਹੈ: ਜੋ ਕੁਦਰਤ ਨੇ ਤੁਹਾਡੇ ਲਈ ਚਾਹਿਆ ਹੈ ਉਸ ਤੋਂ ਜਾ ਰਿਹਾ ਹੈ ਕਦੇ-ਕਦੇ ਇਹ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ. ਆਓ ਵਿਅਤਨਾਮ ਡ੍ਰਾਫਟ ਉਦਾਹਰਣ ਤੇ ਵਾਪਸ ਚਲੇ ਜਾਈਏ ਇਸ ਕੇਸ ਵਿਚ, ਐਂਗਰਿਸਟ ਦੀ ਕਮਾਈ ਵਿਚ ਫੌਜੀ ਸੇਵਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿਚ ਦਿਲਚਸਪੀ ਸੀ. ਬਦਕਿਸਮਤੀ ਨਾਲ, ਫੌਜੀ ਸੇਵਾ ਬੇਤਰਤੀਬ ਨਾਲ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ; ਨਾ ਕਿ ਇਸ ਨੂੰ ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਬੇਤਰਤੀਬ ਨਾਲ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਹਾਲਾਂਕਿ, ਜਿਨ੍ਹਾਂ ਸਾਰਿਆਂ ਨੂੰ ਡਰਾਫਟ ਕੀਤਾ ਗਿਆ ਸੀ (ਵੱਖ-ਵੱਖ ਛੋਟਾਂ ਨਹੀਂ ਸਨ), ਜਿਨ੍ਹਾਂ ਨੇ ਸੇਵਾ ਕੀਤੀ ਸੀ, ਉਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ ਖਰੜਾ ਤਿਆਰ ਨਹੀਂ ਕੀਤਾ ਗਿਆ (ਲੋਕ ਸੇਵਾ ਕਰਨ ਲਈ ਸਵੈਸੇਵੀ ਹੋ ਸਕਦੇ ਸਨ). ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਕਿਉਂਕਿ ਬੇਤਰਤੀਬੀ ਢੰਗ ਨਾਲ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਇੱਕ ਖੋਜਕਾਰ ਖਰੜੇ ਵਿੱਚ ਸਾਰੇ ਆਦਮੀਆਂ ਲਈ ਤਿਆਰ ਹੋਣ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ. ਪਰ ਐਂਗਰਿਸਟ ਡਰਾਫਟ ਹੋਣ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਜਾਨਣਾ ਨਹੀਂ ਚਾਹੁੰਦਾ ਸੀ; ਉਹ ਸੈਨਾ ਵਿਚ ਸੇਵਾ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਜਾਣਨਾ ਚਾਹੁੰਦਾ ਸੀ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਹਾਲਾਂਕਿ, ਵਾਧੂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਜਟਿਲਤਾ ਲੋੜੀਂਦੇ ਹਨ. ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਖੋਜਕਾਰਾਂ ਨੂੰ ਇਹ ਮੰਨਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕਮਾਈ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਇਕੋ-ਇਕ ਤਰੀਕੇ ਮਿਲਟਰੀ ਸੇਵਾ ਰਾਹੀਂ ਹੈ, ਜਿਸ ਨੂੰ ਬੇਦਖਲੀ ਪਾਬੰਦੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ. ਇਹ ਧਾਰਨਾ ਗਲਤ ਹੋ ਸਕਦੀ ਹੈ ਜੇ, ਉਦਾਹਰਨ ਲਈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਉਹਨਾਂ ਨੂੰ ਨੌਕਰੀ ਦੇਣ ਤੋਂ ਬਚਣ ਲਈ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਸਕੂਲ ਵਿੱਚ ਰਹਿਣਾ ਪਿਆ ਜਾਂ ਜੇ ਰੁਜ਼ਗਾਰਦਾਤਾ ਘੱਟ ਗਿਣਤੀ ਵਿੱਚ ਭਰਤੀ ਕੀਤੇ ਗਏ ਮਰਦਾਂ ਨੂੰ ਕਿਰਾਏ 'ਤੇ ਲੈਣ ਦੀ ਘੱਟ ਸੰਭਾਵਨਾ ਸੀ. ਆਮ ਤੌਰ ਤੇ, ਬੇਦਖਲੀ ਪਾਬੰਦੀ ਇੱਕ ਗੰਭੀਰ ਧਾਰਨਾ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਇਹ ਅਕਸਰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਔਖਾ ਹੁੰਦਾ ਹੈ ਭਾਵੇਂ ਬੇਦਖਲੀ ਪਾਬੰਦੀ ਸਹੀ ਹੈ, ਫਿਰ ਵੀ ਇਹ ਸਾਰੇ ਮਨੁੱਖਾਂ ਦੀ ਸੇਵਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਾਉਣਾ ਅਸੰਭਵ ਹੈ. ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਸਿੱਧ ਹੋਇਆ ਹੈ ਕਿ ਖੋਜਕਰਤਾ ਸਿਰਫ ਉਹਨਾਂ ਵਿਅਕਤੀਆਂ ਦੇ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਬਸੈੱਟ ਉੱਤੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਨ ਜਿਸਨੂੰ ਕੰਪਲਾਰ ਕਹਿੰਦੇ ਹਨ (ਪੁਰਸ਼ ਜੋ ਡਰਾਫਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਡਰਾਫਟ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ, ਜਦੋਂ ਉਹ ਸੇਵਾ ਨਹੀਂ ਕਰਨਗੇ) (Angrist, Imbens, and Rubin 1996) . ਸ਼ਿਕਾਇਤਾ, ਹਾਲਾਂਕਿ, ਵਿਆਜ ਦੀ ਮੂਲ ਆਬਾਦੀ ਨਹੀਂ ਸਨ. ਨੋਟ ਕਰੋ ਕਿ ਡਰਾਮਾ ਲਾਟਰੀ ਦੇ ਮੁਕਾਬਲਤਨ ਸਾਫ਼ ਮਾਮਲੇ ਵਿੱਚ ਵੀ ਇਹ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ. ਜਟਿਲਤਾ ਦਾ ਇੱਕ ਹੋਰ ਸੈੱਟ ਉਦੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਲਾਜ ਇੱਕ ਭੌਤਿਕ ਲਾਟਰੀ ਦੁਆਰਾ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਮਾਸ ਅਤੇ ਮੋਰੇਟੀ ਦੇ ਕੈਸ਼ੀਅਰਾਂ ਦੇ ਅਧਿਐਨ ਵਿਚ, ਹੋਰ ਪ੍ਰਸ਼ਨ ਇਹ ਮੰਨਦੇ ਹਨ ਕਿ ਸਾਥੀਆਂ ਦੀ ਨਿਯੁਕਤੀ ਬੇਤਰਤੀਬ ਹੈ ਜੇ ਇਸ ਧਾਰਨਾ ਦੀ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ ਉਲੰਘਣਾ ਕੀਤੀ ਗਈ ਸੀ, ਤਾਂ ਉਹ ਆਪਣੇ ਅੰਦਾਜ਼ੇ ਨੂੰ ਝੁਠਲਾ ਸਕਦੇ ਸਨ. ਸਿੱਟਾ ਕੱਢਣ ਲਈ, ਕੁਦਰਤੀ ਪ੍ਰਯੋਗ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਤੋਂ ਕਾਰਨਤਮਕ ਅੰਦਾਜ਼ੇ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਰਣਨੀਤੀ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਵੱਡੇ ਡਾਟਾ ਸ੍ਰੋਤ ਸਾਡੀਆਂ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਉੱਤੇ ਪੈਸਾ ਲਗਾਉਣ ਦੀ ਸਾਡੀ ਸਮਰੱਥਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ ਜਦੋਂ ਉਹ ਹੁੰਦੇ ਹਨ. ਹਾਲਾਂਕਿ, ਇਸ ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਵੱਡੀ ਦੇਖਭਾਲ ਦੀ ਜ਼ਰੂਰਤ ਹੈ - ਅਤੇ ਕਈ ਵਾਰ ਮਜ਼ਬੂਤ ​​ਧਾਰਨਾਵਾਂ - ਇਹ ਜਾਣਨ ਲਈ ਕਿ ਕੁਦਰਤ ਨੇ ਅੰਦਾਜ਼ੇ ਲਈ ਕੀ ਮੁਹੱਈਆ ਕੀਤਾ ਹੈ, ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ

ਦੂਸਰੀ ਰਣਨੀਤੀ, ਜੋ ਤੁਹਾਨੂੰ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਤੋਂ ਕਾਰਨਾਤਮਕ ਅੰਦਾਜ਼ੇ ਬਣਾਉਣ ਬਾਰੇ ਦੱਸਣਾ ਚਾਹੁੰਦੀ ਹੈ, ਉਹ ਇਸ ਗੱਲ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਲਾਜ ਕਰਵਾਉਣ ਵਾਲੇ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਚਕਾਰ ਪਹਿਲਾਂ-ਪਹਿਲਾਂ ਭਿੰਨਤਾਵਾਂ ਲਈ ਪਹਿਲਾਂ-ਤੋਂ-ਅੱਡ ਅੰਤਰਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ. ਅਜਿਹੇ ਬਹੁਤ ਸਾਰੇ ਵਿਵਸਥਾ ਦੇ ਤਰੀਕੇ ਹਨ, ਪਰ ਮੈਂ ਇੱਕ ਮੇਲ ਖਾਂਦੇ ਮੇਲ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਾਂਗਾ. ਮਿਲਾਨ ਵਿਚ, ਖੋਜਕਰਤਾ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਦੇਖਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਲੋਕਾਂ ਦੇ ਜੋੜਿਆਂ ਨੂੰ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਸਮਾਨ ਹਨ, ਸਿਰਫ਼ ਉਸ ਨੂੰ ਹੀ ਇਲਾਜ ਮਿਲ ਗਿਆ ਹੈ ਅਤੇ ਕੋਈ ਨਹੀਂ. ਮਿਲਾਨ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿਚ, ਖੋਜਕਰਤਾਵਾਂ ਅਸਲ ਵਿਚ ਵੀ ਛਾਂਗ ਰਹੇ ਹਨ; ਉਹ ਹੈ, ਉਹਨਾਂ ਮਾਮਲਿਆਂ ਨੂੰ ਰੱਦ ਕਰਨਾ ਜਿੱਥੇ ਕੋਈ ਸਪੱਸ਼ਟ ਮੈਚ ਨਹੀਂ ਹੁੰਦਾ. ਇਸ ਤਰ੍ਹਾਂ, ਇਸ ਢੰਗ ਨੂੰ ਸਹੀ-ਸਹੀ ਮੇਲਿੰਗ-ਅਤੇ-ਪਰਨਿੰਗ ਕਿਹਾ ਜਾਏਗਾ, ਪਰ ਮੈਂ ਪਰੰਪਰਾਗਤ ਸ਼ਬਦ ਨਾਲ ਜੁੜੇਗਾ: ਮੇਲਿੰਗ

ਵੱਡੇ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਸ੍ਰੋਤਾਂ ਦੇ ਨਾਲ ਮੇਲਣ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਸ਼ਕਤੀ ਦਾ ਇਕ ਉਦਾਹਰਣ ਲੀਰਨ ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ (2015) ਦੁਆਰਾ ਉਪਭੋਗਤਾ ਦੇ ਵਿਹਾਰ 'ਤੇ ਖੋਜ ਤੋਂ ਆਉਂਦਾ ਹੈ. ਉਹ ਈਬੇ 'ਤੇ ਹੋਣ ਵਾਲੀ ਨੀਲਾਮੀ ਵਿਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਸਨ ਅਤੇ ਆਪਣੇ ਕੰਮ ਦਾ ਵਰਣਨ ਕਰਦੇ ਸਨ, ਮੈਂ ਨੀਲਾਮੀ ਦੇ ਨਤੀਜਿਆਂ' ਤੇ ਨੀਲਾਮੀ ਸ਼ੁਰੂ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਾਂਗਾ, ਜਿਵੇਂ ਵਿਕਰੀ ਮੁੱਲ ਜਾਂ ਵਿਕਰੀ ਦੀ ਸੰਭਾਵਨਾ.

ਵਿਕਰੀ ਕੀਮਤ 'ਤੇ ਮੁੱਲ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਸਭ ਤੋਂ ਸੌਖਾ ਤਰੀਕਾ, ਸਿਰਫ ਵੱਖ-ਵੱਖ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤਾਂ ਨਾਲ ਨਿਲਾਮੀ ਲਈ ਅੰਤਿਮ ਕੀਮਤ ਦੀ ਗਿਣਤੀ ਕਰਨਾ ਹੋਵੇਗਾ. ਇਹ ਪਹੁੰਚ ਵਧੀਆ ਹੋਵੇਗੀ ਜੇਕਰ ਤੁਸੀਂ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਵਾਲੇ ਵਿਕਰੀ ਮੁੱਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ. ਪਰ ਜੇ ਤੁਹਾਡਾ ਪ੍ਰਸ਼ਨ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪਹੁੰਚ ਕੰਮ ਨਹੀਂ ਕਰੇਗੀ ਕਿਉਂਕਿ ਇਹ ਨਿਰਪੱਖ ਤੁਲਨਾਵਾਂ ਤੇ ਅਧਾਰਿਤ ਨਹੀਂ ਹੈ; ਨੀਤੀਆਂ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲੀਆਂ ਨੀਤੀਆਂ ਦੀ ਨੀਲਾ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਤੋਂ ਬਹੁਤ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਉੱਚੀਆਂ ਕੀਮਤਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੋ ਸਕਦੀਆਂ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ ਉਹ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਦੇ ਸਾਮਾਨ ਲਈ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਵਿਭਿੰਨ ਕਿਸਮਾਂ ਦੇ ਵਿਕਰੇਤਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰ ਸਕਦੀਆਂ ਹਨ).

ਜੇ ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟੇ ਤੋਂ ਕਾਰਨਾਮਾ ਅੰਦਾਜ਼ਿਆਂ ਨੂੰ ਲੈ ਕੇ ਪੈਦਾ ਹੋ ਸਕਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਜਾਣੂ ਹੋ ਤਾਂ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਇਕ ਅਸਧਾਰਨ ਤਰੀਕੇ ਨੂੰ ਛੱਡ ਦਿਓ ਅਤੇ ਇੱਕ ਫੀਲਡ ਪ੍ਰਯੋਗ ਚਲਾਉਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰੋ ਜਿੱਥੇ ਤੁਸੀਂ ਕਿਸੇ ਖ਼ਾਸ ਚੀਜ਼ ਨੂੰ ਵੇਚੋਗੇ - ਇੱਕ ਗੋਲਫ ਕਲੱਬ- ਇੱਕ ਨਿਸ਼ਚਿਤ ਨੀਲਾਮੀ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਸੈੱਟ - ਮੰਨੋ, ਮੁਫਤ ਸ਼ਿਪਿੰਗ ਅਤੇ ਨਿਲਾਮੀ ਦੋ ਹਫਤਿਆਂ ਲਈ ਖੁੱਲ੍ਹੀ ਹੈ - ਪਰ ਬੇਤਰਤੀਬ ਤੌਰ ਤੇ ਨਿਰਧਾਰਤ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤਾਂ ਨਾਲ ਮਾਰਕੀਟ ਦੇ ਪਰਿਣਾਮਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਣਾ ਕਰਕੇ, ਇਹ ਖੇਤਰ ਤਜਰਬਾ ਵਿਕਰੀ ਮੁੱਲ 'ਤੇ ਕੀਮਤ ਸ਼ੁਰੂ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਬਹੁਤ ਸਪੱਸ਼ਟ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰੇਗਾ. ਪਰ ਇਹ ਮਾਪ ਸਿਰਫ ਇੱਕ ਖਾਸ ਉਤਪਾਦ ਅਤੇ ਨੀਲਾਮੀ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਸੈਟ ਲਈ ਲਾਗੂ ਹੋਵੇਗਾ. ਨਤੀਜੇ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ, ਉਦਾਹਰਣ ਲਈ, ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਉਤਪਾਦਾਂ ਲਈ ਮਜ਼ਬੂਤ ​​ਸਿਧਾਂਤ ਦੇ ਬਗੈਰ, ਇਸ ਸਿੰਗਲ ਪ੍ਰਯੋਗ ਤੋਂ ਲੈ ਕੇ ਸੰਭਵ ਪ੍ਰਯੋਗਾਂ ਦੀ ਪੂਰੀ ਸ਼੍ਰੇਣੀ ਤੱਕ ਵਿਸਥਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ ਜੋ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਸੀ. ਇਸਦੇ ਇਲਾਵਾ, ਫੀਲਡ ਪ੍ਰਯੋਗ ਕਾਫੀ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ ਜੋ ਹਰ ਵਿਭਿੰਨਤਾ ਨੂੰ ਚਲਾਉਣ ਲਈ ਅਸੰਭਵ ਹੋਵੇਗਾ ਜੋ ਤੁਸੀਂ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੋਗੇ.

ਅਸਾਨ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਪਹੁੰਚਾਂ ਦੇ ਉਲਟ, ਈਨਾਵ ਅਤੇ ਸਹਿਯੋਗੀਆਂ ਨੇ ਇੱਕ ਤੀਜੇ ਪਹੁੰਚ ਕੀਤੀ: ਮੇਲਿੰਗ. ਉਨ੍ਹਾਂ ਦੀ ਰਣਨੀਤੀ ਵਿਚ ਮੁੱਖ ਯੁਕੀਨੀ ਹੈ ਕਿ ਉਹ ਖੇਤਰ ਪ੍ਰਯੋਗਾਂ ਜਿਹੜੀਆਂ ਪਹਿਲਾਂ ਹੀ ਈਬੇ ਉੱਤੇ ਵਾਪਰੀਆਂ ਹਨ, ਉਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਖੋਜਣਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਨੰਬਰ 2.8 ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਬਿਲਕੁਲ ਉਸੇ ਹੀ ਗੋਲਫ ਕਲੱਬ ਲਈ ਕੁਝ 31 ਸੂਚੀ- ਇੱਕ ਤੈਲੋਰਮੈਡ ਬੋਰਰ 09 ਡ੍ਰਾਈਵਰ- ਉਸੇ ਹੀ ਵੇਚਣ ਵਾਲੇ- "ਬਜਟ ਗੋੋਲਫਰ" ਦੁਆਰਾ ਵੇਚਿਆ ਜਾ ਰਿਹਾ ਹੈ. ਹਾਲਾਂਕਿ, ਇਹਨਾਂ 31 ਸੂਚੀਆਂ ਵਿੱਚ ਵੱਖ ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਵੱਖ ਵੱਖ ਸ਼ੁਰੂਆਤ ਕੀਮਤ, ਅੰਤ ਦੀ ਤਾਰੀਖ, ਅਤੇ ਸ਼ਿਪਿੰਗ ਫੀਸ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ "ਬਜਟ ਗੋਲਫ" ਖੋਜਕਾਰਾਂ ਲਈ ਪ੍ਰਯੋਗਾਂ ਚਲਾ ਰਿਹਾ ਹੈ

"ਬਜਟੌਲੋਲਪਰ" ਦੁਆਰਾ ਵੇਚਣ ਵਾਲੇ ਤੈਲੇਰਮੈਡ ਬੋਰਰ 09 ਡ੍ਰਾਈਵਰ ਦੀਆਂ ਇਹ ਸੂਚੀਆਂ ਸੂਚੀ ਦੇ ਮਿਲਦੇ ਸੈਟਾਂ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਹੈ, ਜਿੱਥੇ ਉਸੇ ਹੀ ਵਸਤੂ ਨੂੰ ਉਸੇ ਹੀ ਵੇਚਣ ਵਾਲੇ ਦੁਆਰਾ ਵੇਚਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਪਰ ਹਰ ਵਾਰ ਥੋੜ੍ਹਾ ਵੱਖਰਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ. ਈਬੇ ਦੇ ਵੱਡੇ ਪੰਨਿਆਂ ਦੇ ਅੰਦਰ ਹੀ ਲੱਖਾਂ ਮੇਲ-ਸੂਚੀ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਜੋ ਲੱਖਾਂ ਸੂਚੀਆਂ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ. ਇਸ ਲਈ, ਦਿੱਤੇ ਗਏ ਮੁੱਲ ਨਾਲ ਸਾਰੀਆਂ ਨੀਤੀਆਂ ਲਈ ਆਖਰੀ ਕੀਮਤ ਦੀ ਤੁਲਨਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਨੇ ਮੇਲ ਖਾਂਦੀਆਂ ਸੈੱਟਾਂ ਦੇ ਮੁਕਾਬਲੇ ਤੁਲਨਾ ਕੀਤੀ. ਇਹਨਾਂ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਮੇਲ ਖਾਂਦੇ ਸੈੱਟਾਂ ਦੇ ਵਿੱਚ ਤੁਲਨਾ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜਨ ਲਈ, ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਨੇ ਹਰ ਆਈਟਮ ਦੇ ਸੰਦਰਭ ਦੇ ਮੁੱਲ (ਜਿਵੇਂ, ਇਸਦਾ ਔਸਤ ਵਿਕਰੀ ਮੁੱਲ) ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਅਤੇ ਅੰਤਿਮ ਕੀਮਤ ਨੂੰ ਦੁਬਾਰਾ ਪ੍ਰਗਟ ਕੀਤਾ. ਉਦਾਹਰਨ ਲਈ, ਜੇ ਟੇਲਰਮਾਰਮ ਬਰਨਰ 09 ਡਰਾਇਵਰ ਕੋਲ 100 ਡਾਲਰ (ਇਸ ਦੀ ਵਿਕਰੀ ਦੇ ਆਧਾਰ ਤੇ) ਦਾ ਹਵਾਲਾ ਮੁੱਲ ਸੀ, ਤਾਂ $ 10 ਦੀ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਨੂੰ 0.1 ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਵੇਗਾ ਅਤੇ ਅੰਤਿਮ ਕੀਮਤ 120 ਡਾਲਰ 1.2 ਹੋਵੇਗਾ.

ਚਿੱਤਰ 2.8: ਮੇਲ ਖਾਂਦੇ ਸਮੂਹ ਦਾ ਇੱਕ ਉਦਾਹਰਣ. ਇਹ ਇਕੋ ਜਿਹੇ ਗੋਲਫ ਕਲੱਬ (ਤਾਲੇਰਮੈਡ ਬੋਰਰ 09 ਡਰਾਈਵਰ) ਨੂੰ ਇਕੋ ਜਿਹੇ ਵਿਅਕਤੀ (ਬਜਟ ਗੋੋਲਫ਼ਰ) ਦੁਆਰਾ ਵੇਚਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਪਰ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਵਿਕਰੀਆਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ (ਉਦਾਹਰਨ ਲਈ, ਵੱਖਰੀਆਂ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤਾਂ) ਅਧੀਨ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ. ਇਨਾਵ ਐਟ ਅਲ ਦੀ ਅਨੁਮਤੀ ਦੁਆਰਾ ਮੁੜ ਤਿਆਰ ਕੀਤਾ ਗਿਆ (2015), ਚਿੱਤਰ 1b

ਚਿੱਤਰ 2.8: ਮੇਲ ਖਾਂਦੇ ਸਮੂਹ ਦਾ ਇੱਕ ਉਦਾਹਰਣ. ਇਹ ਇਕੋ ਜਿਹੇ ਗੋਲਫ ਕਲੱਬ (ਤਾਲੇਰਮੈਡ ਬੋਰਰ 09 ਡਰਾਈਵਰ) ਨੂੰ ਉਹੀ ਉਸੇ ਵਿਅਕਤੀ ("ਬਜਟ ਗੋਲੀਫ਼ਰ") ਦੁਆਰਾ ਵੇਚਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਪਰ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਵਿਕਰੀਆਂ ਵੱਖਰੀਆਂ ਹਾਲਤਾਂ (ਉਦਾਹਰਨ ਲਈ, ਵੱਖਰੀਆਂ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤਾਂ) ਦੇ ਅਧੀਨ ਕੀਤੇ ਗਏ ਸਨ. Einav et al. (2015) ਅਨੁਮਤੀ ਦੁਆਰਾ ਮੁੜ ਤਿਆਰ ਕੀਤਾ ਗਿਆ Einav et al. (2015) , ਚਿੱਤਰ 1b

ਯਾਦ ਕਰੋ ਕਿ ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਨਿਲਾਮੀ ਨਤੀਜਿਆਂ 'ਤੇ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦੇ ਪ੍ਰਭਾਵ ਵਿਚ ਦਿਲਚਸਪੀ ਲੈਣ ਵਾਲੇ ਸਨ. ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਉਹਨਾਂ ਨੇ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਲਕੀਰ ਰਿਪਰੈਸ਼ਨ ਦਾ ਇਸਤੇਮਾਲ ਕੀਤਾ ਹੈ ਕਿ ਉੱਚ ਸ਼ੁਰੂਆਤ ਵਾਲੀਆਂ ਕੀਮਤਾਂ ਇੱਕ ਵਿਕਰੀ ਦੀ ਸੰਭਾਵਨਾ ਘਟਾਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਉੱਚ ਸ਼ੁਰੂਆਤ ਵਾਲੀਆਂ ਕੀਮਤਾਂ ਆਖਰੀ ਵਿਕਰੀ ਮੁੱਲ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ (ਇੱਕ ਵਿਕਰੀ ਹੋਣ ਤੇ ਸ਼ਰਤ). ਆਪਣੇ ਆਪ ਦੁਆਰਾ, ਇਹ ਅੰਦਾਜ਼ੇ - ਇੱਕ ਰੇਖਾਚਿੱਤਕ ਰਿਸ਼ਤਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਸਾਰੇ ਉਤਪਾਦਾਂ ਤੋਂ ਔਸਤ ਹੁੰਦੇ ਹਨ-ਇਹ ਸਭ ਦਿਲਚਸਪ ਨਹੀਂ ਹਨ ਫਿਰ, ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਨੇ ਆਪਣੇ ਹੋਰ ਵਧੇਰੇ ਸੂਖਮ ਅੰਦਾਜ਼ਿਆਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਆਪਣੇ ਡਾਟਾ ਦੇ ਵੱਡੇ ਆਕਾਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਭਾਵ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੀਆਂ ਵੱਖ ਵੱਖ ਕੀਮਤਾਂ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਅੰਦਾਜ਼ਾ ਲਗਾ ਕੇ, ਉਨ੍ਹਾਂ ਨੇ ਪਾਇਆ ਕਿ ਮੁੱਲ ਅਤੇ ਵਿਕਰੀ ਮੁੱਲ ਵਿਚਕਾਰ ਸਬੰਧ ਗੈਰ-ਰੇਖਾਕਾਰ (ਚਿੱਤਰ 2.9) ਹੈ. ਖਾਸ ਕਰਕੇ, 0.05 ਅਤੇ 0.85 ਦੇ ਦਰਮਿਆਨ ਕੀਮਤਾਂ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦਾ ਵੇਚ ਮੁੱਲ 'ਤੇ ਬਹੁਤ ਘੱਟ ਅਸਰ ਪੈਂਦਾ ਹੈ, ਇੱਕ ਖੋਜ ਜੋ ਕਿ ਉਹਨਾਂ ਦੇ ਪਹਿਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁੰਝ ਗਈ ਸੀ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਤੋਂ ਔਸਤਨ ਹੋਣ ਦੀ ਬਜਾਇ, ਈਨਾਵ ਅਤੇ ਸਹਿਕਰਮੀਆਂ ਨੇ 23 ਵੱਖ ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ ਚੀਜ਼ਾਂ (ਜਿਵੇਂ ਕਿ ਪਾਲਤੂ ਸਪਲਾਈ, ਇਲੈਕਟ੍ਰੋਨਿਕਸ, ਅਤੇ ਖੇਡ ਯਾਦਗਾਰਾਂ) (ਚਿੱਤਰ 2.10) ਲਈ ਕੀਮਤ ਸ਼ੁਰੂ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ. ਇਹ ਅੰਦਾਜ਼ੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਵਧੇਰੇ ਵਿਲੱਖਣ ਵਸਤਾਂ - ਜਿਵੇਂ ਕਿ ਯਾਦਗਾਰ-ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਕੀਮਤ ਦੀ ਵਿਕਰੀ ਦੀ ਸੰਭਾਵਨਾ ਤੇ ਥੋੜ੍ਹਾ ਅਸਰ ਪੈਂਦਾ ਹੈ ਅਤੇ ਫਾਈਨਲ ਵਿਕਰੀ ਮੁੱਲ ਤੇ ਇੱਕ ਵੱਡਾ ਪ੍ਰਭਾਵ ਦਿਖਾਉਂਦਾ ਹੈ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹੋਰ ਕਮੋਡਿਡ ਵਸਤੂਆਂ ਜਿਵੇਂ ਜਿਵੇਂ ਕਿ ਡੀਵੀਡੀਜ਼- ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦਾ ਅੰਤਮ ਕੀਮਤ 'ਤੇ ਕੋਈ ਅਸਰ ਨਹੀਂ ਹੁੰਦਾ. ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿਚ, ਔਸਤਨ 23 ਵੱਖੋ ਵੱਖਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ ਕਿਸਮਾਂ ਦੇ ਨਤੀਜੇ ਜੋੜਦੇ ਹਨ, ਇਹਨਾਂ ਚੀਜ਼ਾਂ ਦੇ ਵਿਚਕਾਰ ਮਹੱਤਵਪੂਰਣ ਅੰਤਰਾਲਾਂ ਨੂੰ ਛੁਪਾਉਂਦਾ ਹੈ.

ਚਿੱਤਰ 2.9: ਨਿਲਾਮੀ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਅਤੇ ਵਿਕਰੀ (ਇਕ) ਅਤੇ ਵਿਕਰੀ ਮੁੱਲ (ਬੀ) ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ. ਕੀਮਤ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਕੀਮਤ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਵਿਚਕਾਰ ਲਗਭਗ ਇੱਕ ਰਵਾਇਤੀ ਰਿਸ਼ਤਾ ਹੈ, ਪਰ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਅਤੇ ਵਿਕਰੀ ਮੁੱਲ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਗੈਰ-ਸਬੰਧਿਤ ਸਬੰਧ ਹੈ; 0.05 ਅਤੇ 0.85 ਦੇ ਵਿਚਕਾਰ ਕੀਮਤਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦਾ ਵਿਕਰੀ ਮੁੱਲ ਤੇ ਬਹੁਤ ਘੱਟ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ. ਦੋਨਾਂ ਹਾਲਾਤਾਂ ਵਿਚ, ਰਿਸ਼ਤਾ ਮੂਲ ਰੂਪ ਵਿਚ ਇਕਾਈ ਵੈਲਯੂ ਤੋਂ ਨਿਰਭਰ ਹਨ. Einav et al ਤੋਂ ਸੰਤੁਸ਼ਟ (2015), ਅੰਕੜਾ 4 ਏ ਅਤੇ 4 ਬੀ.

ਚਿੱਤਰ 2.9: ਨਿਲਾਮੀ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ ਅਤੇ ਵਿਕਰੀ (ਇਕ) ਅਤੇ ਵਿਕਰੀ ਮੁੱਲ (ਬੀ) ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ. ਕੀਮਤ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਕੀਮਤ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਵਿਚਕਾਰ ਲਗਭਗ ਇੱਕ ਰਵਾਇਤੀ ਰਿਸ਼ਤਾ ਹੈ, ਪਰ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਅਤੇ ਵਿਕਰੀ ਮੁੱਲ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਗੈਰ-ਸਬੰਧਿਤ ਸਬੰਧ ਹੈ; 0.05 ਅਤੇ 0.85 ਦੇ ਵਿਚਕਾਰ ਕੀਮਤਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦਾ ਵਿਕਰੀ ਮੁੱਲ ਤੇ ਬਹੁਤ ਘੱਟ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ. ਦੋਨਾਂ ਹਾਲਾਤਾਂ ਵਿਚ, ਰਿਸ਼ਤਾ ਮੂਲ ਰੂਪ ਵਿਚ ਇਕਾਈ ਵੈਲਯੂ ਤੋਂ ਨਿਰਭਰ ਹਨ. Einav et al. (2015) ਤੋਂ Einav et al. (2015) , ਅੰਕੜਾ 4 ਏ ਅਤੇ 4 ਬੀ.

ਚਿੱਤਰ 2.10: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੀਆਂ ਚੀਜ਼ਾਂ ਤੋਂ ਅਨੁਮਾਨ; ਠੋਸ ਬਿੰਦੀ ਸਾਰੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਾਰੇ ਵਰਗਾਂ ਲਈ ਅਨੁਮਾਨ ਹੈ (ਈਨਾਵ ਐਟ ਅਲ 2015). ਇਹ ਅੰਦਾਜ਼ੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਵਧੇਰੇ ਵਿਲੱਖਣ ਵਸਤਾਂ ਜਿਵੇਂ ਕਿ ਯਾਦਗਾਰ ਬਣਾਉਾਂ- ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦੀ ਵਿਕਰੀ ਦੀ ਸੰਭਾਵਨਾ (x- ਧੁਰਾ) ਅਤੇ ਅੰਤਿਮ ਵਿਕਰੀ ਮੁੱਲ (y- ਧੁਰਾ) ਤੇ ਇੱਕ ਵੱਡਾ ਪ੍ਰਭਾਵ ਤੇ ਥੋੜ੍ਹਾ ਅਸਰ ਹੁੰਦਾ ਹੈ. Einav et al ਤੋਂ ਸੰਤੁਸ਼ਟ (2015), ਨੰਬਰ 8

ਚਿੱਤਰ 2.10: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੀਆਂ ਚੀਜ਼ਾਂ ਤੋਂ ਅਨੁਮਾਨ; ਠੋਸ ਬਿੰਦੀ ਸਾਰੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਾਰੇ ਵਰਗਾਂ ਲਈ ਅਨੁਮਾਨ ਹੈ (Einav et al. 2015) . ਇਹ ਅੰਦਾਜ਼ੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਵਧੇਰੇ ਵਿਲੱਖਣ ਵਸਤਾਂ - ਜਿਵੇਂ ਕਿ ਯਾਦਗਾਰ-ਦੀ ਸ਼ੁਰੂਆਤੀ ਕੀਮਤ ਦੀ ਵਿਕਰੀ ( \(x\) -Xis) ਦੀ ਸੰਭਾਵਨਾ ਤੇ ਘੱਟ ਅਸਰ ਹੁੰਦਾ ਹੈ ਅਤੇ ਫਾਈਨਲ ਵਿਕਰੀ ਮੁੱਲ ( \(y\) -ਧੁਰਾ). Einav et al. (2015) ਤੋਂ Einav et al. (2015) , ਨੰਬਰ 8

ਭਾਵੇਂ ਤੁਸੀਂ ਈ.ਬੀ.ਏ. 'ਤੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ' ਤੇ ਦਿਲਚਸਪੀ ਨਹੀਂ ਲੈਂਦੇ, ਤੁਹਾਨੂੰ ਚਿੱਤਰ 2.9 ਅਤੇ ਚਿੱਤਰ 2.10 ਦੀ ਸ਼ਲਾਘਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਸਧਾਰਣ ਅਨੁਮਾਨਾਂ ਤੋਂ ਈਬੇ ਦੀ ਇੱਕ ਵਧੀਆ ਸਮਝ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਰੇਖਾਬੱਧ ਰਿਸ਼ਤੇ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਕਈ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ ਆਈਟਮਾਂ ਨੂੰ ਜੋੜਦੇ ਹਨ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਾਲਾਂਕਿ ਇਹ ਖੇਤਰੀ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਾਲ ਇਹ ਵਧੇਰੇ ਸੂਖਮ ਅੰਦਾਜ਼ੇ ਬਣਾਉਣ ਲਈ ਵਿਗਿਆਨਿਕ ਤੌਰ ਤੇ ਸੰਭਵ ਹੋ ਜਾਵੇਗਾ, ਲਾਗਤ ਇਹੋ ਜਿਹੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਅਸੰਭਵ ਬਣਾ ਦੇਵੇਗੀ.

ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਾਲ, ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ ਜੋ ਬੁਰੇ ਅਨੁਮਾਨਾਂ ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ. ਮੈਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਮਿਲਾਨ ਅੰਦਾਜ਼ਿਆਂ ਨਾਲ ਸਭ ਤੋਂ ਵੱਡੀ ਚਿੰਤਾ ਇਹ ਹੈ ਕਿ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਦੁਆਰਾ ਪੱਖਪਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਮੇਲਿੰਗ ਵਿੱਚ ਨਹੀਂ ਵਰਤੇ ਗਏ ਸਨ. ਉਦਾਹਰਨ ਲਈ, ਆਪਣੇ ਮੁੱਖ ਨਤੀਜਿਆਂ ਵਿੱਚ, ਆਈਨਾਵ ਅਤੇ ਸਹਿਯੋਗੀਆਂ ਨੇ ਚਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਸਹੀ ਮੇਲ ਖਾਂਦੇ ਹਨ: ਵਿਕਰੇਤਾ ID ਨੰਬਰ, ਆਈਟਮ ਸ਼੍ਰੇਣੀ, ਆਈਟਮ ਟਾਈਟਲ ਅਤੇ ਸਬਟਾਈਟਲ. ਜੇ ਚੀਜ਼ਾਂ ਉਨ੍ਹਾਂ ਤਰੀਕਿਆਂ ਵਿਚ ਵੱਖਰੀਆਂ ਸਨ ਜਿਹੜੀਆਂ ਮੇਲਣ ਲਈ ਨਹੀਂ ਵਰਤੀਆਂ ਗਈਆਂ ਸਨ, ਤਾਂ ਇਹ ਇਕ ਅਨੁਚਿਤ ਤੁਲਨਾ ਤਿਆਰ ਕਰ ਸਕਦੀਆਂ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਜੇ "budgetgolfer" ਨੇ ਸਰਦੀਆਂ ਵਿੱਚ ਟੈਲਰਮੈਡ ਬੋਰਰ 09 ਡਰਾਈਵਰ ਲਈ ਕੀਮਤਾਂ ਘਟਾਏ ਤਾਂ (ਜਦੋਂ ਗੋਲਫ ਕਲੱਬ ਘੱਟ ਮਸ਼ਹੂਰ ਹੋ ਜਾਂਦੇ ਹਨ), ਤਾਂ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਘੱਟ ਸ਼ੁਰੂਆਤ ਕੀਮਤਾਂ ਨੇ ਆਖ਼ਰੀ ਕੀਮਤਾਂ ਨੂੰ ਘਟਾ ਦਿੱਤਾ ਹੈ, ਜਦੋਂ ਅਸਲ ਵਿੱਚ ਇਹ ਇੱਕ artifact ਹੋਵੇਗਾ ਮੰਗ ਵਿੱਚ ਮੌਸਮੀ ਵਿਭਿੰਨਤਾ ਇਸ ਚਿੰਤਾ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨ ਲਈ ਇੱਕ ਪਹੁੰਚ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਮੇਲਿੰਗ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਈਨਾਵ ਅਤੇ ਸਹਿਯੋਗੀਆਂ ਨੇ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਾਰ-ਵਾਰ ਦੁਹਰਾਇਆ ਜਦੋਂ ਮਿਲਾਉਣ ਲਈ ਵਰਤੀ ਗਈ ਸਮੇਂ ਦੀ ਵੱਖੋ ਵੱਖਰੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ (ਮੇਲ ਖਾਂਦੀਆਂ ਸੈੱਟਾਂ ਵਿੱਚ ਇਕ ਸਾਲ ਦੇ ਅੰਦਰ ਵਿਕਰੀ ਤੇ ਇਕ ਮਹੀਨੇ ਦੇ ਅੰਦਰ, ਅਤੇ ਸਮਕਾਲੀ ਤੌਰ ਤੇ). ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਉਨ੍ਹਾਂ ਨੂੰ ਸਾਰੇ ਸਮੇਂ ਦੀਆਂ ਵਿੰਡੋਜ਼ ਲਈ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਦੇ ਨਤੀਜੇ ਮਿਲਦੇ ਸਨ. ਮੇਲਣ ਨਾਲ ਹੋਰ ਚਿੰਤਾ ਵਿਆਖਿਆ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ. ਮਿਲਾ ਕੇ ਦੇ ਅੰਦਾਜ਼ੇ ਸਿਰਫ਼ ਮਿਲਾਏ ਗਏ ਡੇਟਾ ਤੇ ਲਾਗੂ ਹੁੰਦੇ ਹਨ; ਉਹ ਉਨ੍ਹਾਂ ਮਾਮਲਿਆਂ 'ਤੇ ਲਾਗੂ ਨਹੀਂ ਹੁੰਦੇ ਜਿਨ੍ਹਾਂ ਦਾ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ. ਉਦਾਹਰਨ ਲਈ, ਉਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਆਪਣੀ ਖੋਜ ਨੂੰ ਸੀਮਤ ਕਰਕੇ, ਜਿਨ੍ਹਾਂ ਦੀ ਮਲਟੀਪਲ ਸੂਚੀ ਸੀ, ਈਨਾਵ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਹਿਯੋਗੀ ਪੇਸ਼ੇਵਰ ਅਤੇ ਅਰਧ-ਪੇਸ਼ੇਵਰ ਵੇਚਣ ਵਾਲਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰ ਰਹੇ ਹਨ. ਇਸ ਤਰ੍ਹਾਂ, ਇਹਨਾਂ ਤੁਲਨਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਸਾਨੂੰ ਇਹ ਯਾਦ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਈਬੇ ਦੇ ਇਸ ਸਬਸੈਟ ਤੇ ਹੀ ਲਾਗੂ ਹੁੰਦੇ ਹਨ.

ਮੇਲਿੰਗ ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟਾਾਂ ਵਿੱਚ ਨਿਰਪੱਖ ਤੁਲਨਾ ਲੱਭਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਰਣਨੀਤੀ ਹੈ. ਬਹੁਤ ਸਾਰੇ ਸਮਾਜਕ ਵਿਗਿਆਨੀਆਂ ਨੂੰ, ਮੇਲਣ ਨਾਲ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਦੂਜਾ ਸੱਭ ਤੋਂ ਚੰਗਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਵਿਸ਼ਵਾਸ ਹੈ ਜਿਸਨੂੰ ਸੋਧਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਥੋੜਾ ਜਿਹਾ. ਵੱਡੇ ਅੰਕੜਿਆਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਖੇਤਰ ਪ੍ਰਯੋਗਾਂ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਨਾਲੋਂ ਵਧੀਆ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ (1) ਪ੍ਰਭਾਵ ਵਿੱਚ ਭਿੰਨਤਾ ਮਹੱਤਵਪੂਰਣ ਹੈ ਅਤੇ (2) ਮਿਲਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਮਹੱਤਵਪੂਰਨ ਵੇਰੀਏਬਲ ਮਾਪੇ ਗਏ ਹਨ. ਟੇਬਲ 2.4 ਕੁਝ ਹੋਰ ਉਦਾਹਰਣ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਕਿ ਮਿਲਾਉਣ ਦੇ ਨਾਲ ਵੱਡੇ ਡੇਟਾ ਸ੍ਰੋਤਾਂ ਦੇ ਨਾਲ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ.

ਟੇਬਲ 2.4: ਸਟੱਡੀਜ਼ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਜੋ ਵੱਡੇ ਡਾਟਾ ਸ੍ਰੋਤਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ
ਸਬਸਟੈਂਟੇਜ਼ੀ ਫੋਕਸ ਵੱਡਾ ਡੇਟਾ ਸ੍ਰੋਤ ਸੰਦਰਭ
ਪੁਲਿਸ ਹਿੰਸਾ 'ਤੇ ਗੋਲੀਬਾਰੀ ਦਾ ਪ੍ਰਭਾਵ ਸਟੌਪ ਐਂਡ ਫ੍ਰੀਕ ਰਿਕਾਰਡਸ Legewie (2016)
11 ਸਤੰਬਰ 2001 ਦੇ ਪਰਿਵਾਰ ਅਤੇ ਗੁਆਂਢੀਆਂ ਦੇ ਪ੍ਰਭਾਵ ਵੋਟਿੰਗ ਦੇ ਰਿਕਾਰਡ ਅਤੇ ਦਾਨ ਦੇ ਰਿਕਾਰਡ Hersh (2013)
ਸਮਾਜਿਕ ਛੂਤ ਸੰਚਾਰ ਅਤੇ ਉਤਪਾਦ ਨੂੰ ਅਪਣਾਉਣ ਡੇਟਾ Aral, Muchnik, and Sundararajan (2009)

ਸਿੱਟਾ ਵਿੱਚ, ਗੈਰ-ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਤੋਂ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਔਖਾ ਹੈ, ਪਰ ਕੁਦਰਤੀ ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਅੰਕੜਿਆਂ ਦੇ ਅਨੁਕੂਲਤਾ (ਉਦਾਹਰਣ ਵਜੋਂ, ਮੇਲਣ) ਜਿਵੇਂ ਕਿ ਪਹੁੰਚਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਇਹ ਪਹੁੰਚ ਗਲਤ ਢੰਗ ਨਾਲ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਧਿਆਨ ਨਾਲ ਤੈਨਾਤ ਕੀਤੇ ਜਾਣ ਤੇ, ਇਹ ਢੰਗ ਤਜਰਬੇ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ ਲਾਭਦਾਇਕ ਸਾਬਤ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਿਸ ਦਾ ਮੈਂ ਅਧਿਆਇ 4 ਵਿਚ ਬਿਆਨ ਕਰਦਾ ਹਾਂ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਦੋ ਤਰੀਕੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਹਮੇਸ਼ਾ- ਤੇ, ਵੱਡੇ ਡਾਟਾ ਸਿਸਟਮ