3.6.1 ਚੜ੍ਹਦਾ ਪੁੱਛ

ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਕਰਨ ਲਈ ਆਪਣੇ ਸਰਵੇਖਣ ਲਿੰਕ ਸਾਰੇ ਵਾਰ 'ਤੇ ਹਰ ਕਿਸੇ ਨੂੰ ਆਪਣੇ ਸਵਾਲ ਪੁੱਛ ਵਰਗਾ ਹੋ ਸਕਦਾ ਹੈ.

ਨਮੂਨਾ ਸਰਵੇਖਣ ਅਤੇ ਜਨਗਣਨਾ: ਮੰਗਦੇ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਮੁੱਖ ਵਰਗ ਵਿਚ ਆਇਆ ਹੈ. ਨਮੂਨਾ ਸਰਵੇਖਣ, ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਲੋਕ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਨੂੰ ਪਹੁੰਚ ਕਰ, ਲਚਕੀਲਾ ਸਿਰ, ਅਤੇ ਮੁਕਾਬਲਤਨ ਸਸਤੇ ਹੋ ਸਕਦੇ ਹਨ. ਪਰ, ਸਧਾਰਨ ਸਰਵੇਖਣ, ਕਿਉਕਿ ਉਹ ਇੱਕ ਨਮੂਨਾ 'ਤੇ ਆਧਾਰਿਤ ਹਨ, ਅਕਸਰ ਆਪਣੇ ਖੋਜ ਵਿੱਚ ਹੀ ਸੀਮਿਤ ਰਹੇ ਹਨ; ਇੱਕ ਨਮੂਨਾ ਸਰਵੇਖਣ ਦੇ ਨਾਲ, ਇਸ ਨੂੰ ਅਕਸਰ ਖਾਸ ਭੂਗੋਲਿਕ ਖੇਤਰ ਬਾਰੇ ਜ ਖਾਸ ਜਨ ਗਰੁੱਪ ਲਈ ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਔਖਾ ਹੈ. ਜਨਗਣਨਾ, ਹੋਰ ਤੇ, ਆਬਾਦੀ ਵਿੱਚ ਹਰ ਇੰਟਰਵਿਊ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼. ਉਹ ਮਹਾਨ ਮਤਾ ਹੈ, ਪਰ ਉਹ ਆਮ ਤੌਰ 'ਤੇ, ਮਹਿੰਗੇ ਫੋਕਸ ਵਿਚ ਤੰਗ ਹੁੰਦੇ ਹਨ (ਉਹ ਸਿਰਫ ਸਵਾਲ ਦੇ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ), ਅਤੇ ਨਾ ਸਿਰ (ਉਹ ਅਜਿਹੇ ਹਰ 10 ਸਾਲ ਦੇ ਤੌਰ ਤੇ, ਇੱਕ ਹੱਲ ਅਨੁਸੂਚੀ' ਤੇ ਕੀ ਹੋ) (Kish 1979) . ਹੁਣ ਕਲਪਨਾ ਜੇ ਖੋਜਕਾਰ ਨਮੂਨਾ ਸਰਵੇਖਣ ਅਤੇ ਜਨਗਣਨਾ ਬੇਹਤਰੀਨ ਗੁਣ ਜੋੜ ਸਕਦਾ ਹੈ; ਕਲਪਨਾ ਜੇ ਖੋਜਕਾਰ ਹਰ ਦਿਨ ਹਰ ਕਿਸੇ ਨੂੰ ਹਰ ਸਵਾਲ ਪੁੱਛ ਸਕਦਾ ਹੈ.

ਸਪੱਸ਼ਟ ਹੈ, ਇਸ ਨੂੰ ਲਗਾਤਾਰ, ubiquitous, ਹਮੇਸ਼ਾ-'ਤੇ ਸਰਵੇਖਣ ਸਮਾਜਿਕ ਵਿਗਿਆਨ fantasy ਦੀ ਇੱਕ ਕਿਸਮ ਦੀ ਹੈ. ਪਰ, ਇਸ ਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਸਾਨੂੰ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਦੇ ਨਾਲ ਲੋਕ ਦੇ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਤੱਕ ਸਰਵੇਖਣ ਸਵਾਲ ਦਾ ਸੰਯੋਗ ਹੈ ਕੇ ਇਸ ਦਾ ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਸ਼ੁਰੂ ਕਰ ਸਕਦਾ ਹੈ. ਮੈਨੂੰ ਸੁਮੇਲ ਦੀ ਇਸ ਕਿਸਮ ਦੀ ਪੁੱਛ ਉਜਾਗਰ ਕਾਲ ਕਰੋ. ਜੇ ਨਾਲ ਨਾਲ ਕੀਤਾ ਹੈ, ਇਸ ਨੂੰ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਨੇ ਸਾਨੂੰ ਅੰਦਾਜ਼ਾ ਹੈ, ਜੋ ਕਿ (ਛੋਟੇ ਭੂਗੋਲਿਕ ਖੇਤਰ ਲਈ) ਹੋਰ ਸਥਾਨਕ ਹੁੰਦੇ ਹਨ, ਹੋਰ ਤਿੱਖੇ (ਖਾਸ ਜਨ ਗਰੁੱਪ ਲਈ), ਅਤੇ ਹੋਰ ਸਿਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ.

ਉਜਾਗਰ ਪੁੱਛਣ ਦੀ ਇਕ ਮਿਸਾਲ ਯਹੋਸ਼ੁਆ Blumenstock, ਜੋ ਡਾਟਾ ਹੈ, ਜੋ ਕਿ ਗਰੀਬ ਦੇਸ਼ ਵਿੱਚ ਗਾਈਡ ਵਿਕਾਸ ਦੀ ਮਦਦ ਕਰੇਗਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਚਾਹੁੰਦਾ ਸੀ ਦਾ ਕੰਮ ਹੈ. ਖਾਸ ਤੌਰ ਤੇ, Blumenstock ਇੱਕ ਸਿਸਟਮ ਨੂੰ ਦੌਲਤ ਹੈ ਅਤੇ ਨਾਲ ਨਾਲ-ਭਲਾਈ ਹੈ, ਜੋ ਕਿ ਲਚਕਤਾ ਅਤੇ ਇੱਕ ਸਰਵੇਖਣ ਦੀ ਫਰੀਕੁਇੰਸੀ ਨਾਲ ਇੱਕ ਜਨਗਣਨਾ ਦੇ ਪੂਰਾ ਮਿਲਾ ਨੂੰ ਮਾਪਣ ਲਈ ਬਣਾਉਣ ਲਈ ਚਾਹੁੰਦਾ ਸੀ (Blumenstock 2014; Blumenstock, Cadamuro, and On 2015) . ਅਸਲ ਵਿਚ, ਮੈਨੂੰ ਹੀ Blumenstock ਦੇ ਕੰਮ ਦੀ ਸੰਖੇਪ ਅਧਿਆਇ 1 ਵਿਚ ਦੱਸਿਆ ਗਿਆ ਹੈ ਕੀਤਾ ਹੈ.

ਸ਼ੁਰੂ ਕਰਨ ਲਈ, Blumenstock Rwanda ਵਿੱਚ ਵੱਡਾ ਮੋਬਾਈਲ ਫੋਨ ਦੇਣ ਵਾਲੇ ਨਾਲ partnered. ਕੰਪਨੀ ਨੇ ਉਸ ਨੂੰ ਅਜਿਹੇ ਸ਼ੁਰੂ ਵਾਰ, ਅੰਤਰਾਲ, ਹੈ ਅਤੇ ਕਾਲਰ ਅਤੇ ਸੁਨੇਹੀ ਦੇ ਲਗਭਗ ਭੂਗੋਲਿਕ ਸਥਿਤੀ ਦੇ ਤੌਰ 'ਤੇ 2005 ਅਤੇ 2009 ਲਾਗ ਹਰ ਇੱਕ ਕਾਲ ਅਤੇ ਟੈਕਸਟ ਸੁਨੇਹੇ ਬਾਰੇ ਜਾਣਕਾਰੀ ਸ਼ਾਮਿਲ ਹੋਣੀ ਤੱਕ ਦੇ ਬਾਰੇ 1.5 ਮਿਲੀਅਨ ਵਿਵਹਾਰ ਨੂੰ ਢਕਣ ਲਈ ਗਾਹਕ ਤੱਕ ਬੇਨਾਮ ਸੰਚਾਰ ਦੇ ਰਿਕਾਰਡ ਮੁਹੱਈਆ. ਅੱਗੇ ਸਾਨੂੰ ਅੰਕੜਾ ਮੁੱਦੇ ਬਾਰੇ ਗੱਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ, ਇਸ ਨੂੰ ਬਾਹਰ ਇਸ਼ਾਰਾ ਇਸ ਪਹਿਲਾ ਕਦਮ ਕਠਿਨ ਦੇ ਇੱਕ ਹੋ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਹੈ. ਅਧਿਆਇ 2 ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ ਦੇ ਰੂਪ ਵਿੱਚ, ਸਭ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਖੋਜਕਾਰ ਨੂੰ ਸੂਰਤ ਹੈ. ਅਤੇ, ਬਹੁਤ ਸਾਰੇ ਕੰਪਨੀ ਜਾਇਜ਼ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸ਼ੇਅਰ ਕਰਨ ਲਈ ਹੈ, ਕਿਉਕਿ ਇਸ ਵਿੱਚ ਨਿੱਜੀ ਹੈ ਝਿਜਕ ਹਨ; ਹੈ, ਜੋ ਕਿ ਆਪਣੇ ਗਾਹਕ ਨੂੰ ਸੰਭਵ ਹੈ ਦੀ ਉਮੀਦ ਨਾ ਸੀ, ਜੋ ਕਿ ਆਪਣੇ ਰਿਕਾਰਡ ਨੂੰ ਸ਼ੇਅਰ-ਵਿੱਚ ਕਰ ਦਿੱਤਾ ਜਾਵੇਗਾ ਖੋਜਕਾਰ ਬਲਕ-ਨਾਲ ਹੈ. ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਖੋਜਕਾਰ ਡਾਟਾ anonymize ਨੂੰ ਧਿਆਨ ਨਾਲ ਕਦਮ ਲੈ ਲਿਆ ਹੈ ਅਤੇ ਆਪਣੇ ਕੰਮ ਨੂੰ ਇੱਕ ਤੀਜੀ-ਪਾਰਟੀ (ਭਾਵ, ਆਪਣੇ IRB) ਨਾਲ ਨਿਗਰਾਨੀ ਕੀਤਾ ਗਿਆ ਸੀ. ਪਰ, ਇਹ ਯਤਨ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਡਾਟਾ ਸੰਭਵ ਹੈ ਕਿ ਅਜੇ ਵੀ ਪਛਾਣ ਹੁੰਦੇ ਹਨ ਅਤੇ ਉਹ ਸੰਭਾਵਨਾ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਸ਼ਾਮਿਲ (Mayer, Mutchler, and Mitchell 2016; Landau 2016) . ਮੈਨੂੰ ਅਧਿਆਇ 6 ਵਿਚ ਇਹ ਨੈਤਿਕ ਸਵਾਲ ਦਾ ਨੂੰ ਵਾਪਸ ਹੋਵੋਗੇ.

ਯਾਦ ਕਰੋ ਕਿ Blumenstock ਦੌਲਤ ਹੈ ਅਤੇ ਨਾਲ ਨਾਲ-ਭਲਾਈ ਨੂੰ ਮਾਪਣ ਵਿੱਚ ਦਿਲਚਸਪੀ ਸੀ. ਪਰ, ਇਹ ਗੁਣ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਵਿੱਚ ਸਿੱਧੇ ਨਹੀ ਹਨ. ਨੂੰ ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਇਹ ਕਾਲ ਦਾ ਰਿਕਾਰਡ ਇਸ ਖੋਜ, ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਦੀ ਇੱਕ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਜੋ ਕਿ ਅਧਿਆਇ 2. ਵਿਸਥਾਰ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਸੀ, ਅਧੂਰੀ ਹਨ ਪਰ, ਇਸ ਨੂੰ ਸੰਭਵ ਹੈ ਕਿ ਲੱਗਦਾ ਹੈ ਕਿ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਨੂੰ ਸੰਭਵ ਹੈ ਕਿ ਧਨ-ਦੌਲਤ ਹੈ ਅਤੇ ਨਾਲ ਨਾਲ-ਭਲਾਈ ਬਾਰੇ ਕੁਝ ਜਾਣਕਾਰੀ ਹੈ. ਇਸ ਲਈ, Blumenstock ਦੇ ਸਵਾਲ ਦਾ ਵੀ ਹੋ ਸਕਦਾ ਹੈ ਪੁੱਛ ਦੇ ਇੱਕ ਤਰੀਕਾ ਹੈ: ਇਸ ਨੂੰ ਲਗਾਉਣਾ ਕਰਨਾ ਹੈ ਕਿਸੇ ਨੂੰ ਆਪਣੇ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ 'ਤੇ ਆਧਾਰਿਤ ਇਕ ਸਰਵੇਖਣ ਦਾ ਜਵਾਬ ਦੇਵੇਗਾ ਸੰਭਵ ਹੈ? ਜੇ ਅਜਿਹਾ ਹੈ, ਫਿਰ ਕੁਝ ਲੋਕ ਪੁੱਛ ਕੇ ਸਾਨੂੰ ਹੋਰ ਹਰ ਕਿਸੇ ਦੇ ਜਵਾਬ guess ਕਰ ਸਕਦੇ ਹੋ.

ਇਸ empirically ਦਾ ਜਾਇਜ਼ਾ ਕਰਨ ਲਈ, ਸਾਇੰਸ ਦੀ ਕਿਗਾਲੀ ਇੰਸਟੀਚਿਊਟ ਅਤੇ ਤਕਨਾਲੋਜੀ ਤੱਕ Blumenstock ਅਤੇ ਖੋਜ ਸਹਾਇਕ ਮੋਬਾਈਲ ਫੋਨ ਗਾਹਕ ਹਜ਼ਾਰ ਦੇ ਬਾਰੇ ਇੱਕ ਦਾ ਇੱਕ ਨਮੂਨਾ ਕਹਿੰਦੇ ਹਨ. ਖੋਜਕਾਰ, ਹਿੱਸਾ ਲੈਣ ਲਈ ਪ੍ਰਾਜੈਕਟ ਦੇ ਟੀਚੇ ਨੂੰ ਸਮਝਾਇਆ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਨੂੰ ਸਰਵੇਖਣ ਪ੍ਰਤਿਕਿਰਿਆ ਲਿੰਕ ਕਰਨ ਲਈ ਆਪਣੇ ਸਹਿਮਤੀ ਲਈ ਕਿਹਾ ਹੈ, ਅਤੇ ਫਿਰ, ਸਵਾਲ ਦੀ ਇੱਕ ਲੜੀ ਨੂੰ ਪੁੱਛਿਆ ਆਪਣੇ ਦੌਲਤ ਹੈ ਅਤੇ ਨਾਲ ਨਾਲ-ਭਲਾਈ ਨੂੰ ਮਾਪਣ ਲਈ ਅਜਿਹੇ ਤੌਰ "ਤੁਹਾਨੂੰ ਇੱਕ ਮਾਲਕ ਹੋ ਰੇਡੀਓ? "ਅਤੇ" (ਇੱਕ ਅੰਸ਼ਕ ਸੂਚੀ ਲਈ ਚਿੱਤਰ 3.11 ਵੇਖੋ) ਤੁਹਾਨੂੰ ਇੱਕ ਸਾਈਕਲ ਦੇ ਮਾਲਕ ਹੋ? ". ਸਰਵੇਖਣ ਦੇ ਸਾਰੇ ਭਾਗ ਲੈਣ ਵਿੱਤੀ ਮੁਆਵਜ਼ਾ ਦਿੱਤਾ ਗਿਆ.

ਫੀਚਰ ਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰੀਖਣ ਸਿੱਖਣ ਦੇ ਬਾਅਦ: ਅੱਗੇ, Blumenstock ਇੱਕ ਦੋ-ਕਦਮ 'ਵਿਧੀ ਡਾਟਾ ਵਿਗਿਆਨ ਵਿਚ ਆਮ ਵਰਤਿਆ. ਪਹਿਲੀ, ਫੀਚਰ ਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਪਗ ਵਿੱਚ, ਹਰ ਕੋਈ ਹੈ, ਜੋ ਕਿ ਇੰਟਰਵਿਊ ਸੀ, Blumenstock ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਨੂੰ ਹਰ ਵਿਅਕਤੀ ਬਾਰੇ ਗੁਣ ਦਾ ਇੱਕ ਸੈੱਟ ਵਿੱਚ ਤਬਦੀਲ; ਡਾਟਾ ਵਿਗਿਆਨੀ ਹਰ ਇੱਕ ਵਿਅਕਤੀ ਲਈ ਇਹ ਗੁਣ "ਫੀਚਰ" ਨੂੰ ਕਾਲ ਕਰੋ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨੀ ਨੂੰ ਨੂੰ ਕਾਲ ਕਰਨਗੇ "ਵੇਰੀਬਲ." ਮਿਸਾਲ ਲਈ,, Blumenstock ਹਿਸਾਬ ਦੀ ਸਰਗਰਮੀ ਦੇ ਨਾਲ ਦਿਨ ਦੀ ਕੁੱਲ ਗਿਣਤੀ, ਵੱਖ ਲੋਕ ਦੀ ਗਿਣਤੀ ਨੂੰ ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਨਾਲ ਸੰਪਰਕ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਹੈ, ਦੀ ਰਕਮ ਪੈਸੇ ਦੇ airtime 'ਤੇ ਖਰਚ, ਅਤੇ ਇਸ' ਤੇ. ਨਾਜ਼ੁਕ, ਚੰਗੇ ਗੁਣ ਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਖੋਜ ਸੈਟਿੰਗ ਦੇ ਗਿਆਨ ਦੀ ਲੋੜ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਜੇ ਇਸ ਨੂੰ (ਸਾਨੂੰ, ਜੋ ਲੋਕ ਅੰਤਰਰਾਸ਼ਟਰੀ ਨੂੰ ਕਾਲ ਅਮੀਰ ਹੋਣ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦਾ ਹੈ) ਘਰੇਲੂ ਅਤੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਲ ਦੇ ਵਿਚਕਾਰ ਵੱਖ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ ਕਿ, ਫਿਰ ਇਸ ਫੀਚਰ ਇੰਜੀਨੀਅਰਿੰਗ ਕਦਮ 'ਤੇ ਹੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. Rwanda ਦੇ ਬਹੁਤ ਘੱਟ ਸਮਝ ਨਾਲ ਇੱਕ ਖੋਜਕਾਰ ਇਸ ਫੀਚਰ ਨੂੰ ਸ਼ਾਮਲ ਨਾ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਮਾਡਲ ਦੀ ਅਨੁਮਾਨਯੋਗ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦੁੱਖ ਹੋਵੇਗਾ.

ਅੱਗੇ, ਨਿਰੀਖਣ ਸਿੱਖਣ ਪਗ ਵਿੱਚ, Blumenstock ਨੂੰ ਇੱਕ ਅੰਕੜਾ ਮਾਡਲ ਨੂੰ ਆਪਣੇ ਫੀਚਰ 'ਤੇ ਅਧਾਰਿਤ ਹਰ ਇੱਕ ਵਿਅਕਤੀ ਲਈ ਸਰਵੇਖਣ ਜਵਾਬ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਬਣਾਇਆ. ਇਸ ਮਾਮਲੇ ਵਿੱਚ, Blumenstock 10 ਗੁਣਾ ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਨਾਲ ਸਾਮਾਨ ਰੈਗਰੈਸ਼ਨ ਵਰਤਿਆ ਹੈ, ਪਰ ਉਸ ਨੇ ਹੋਰ ਅੰਕੜਾ ਜ ਮਸ਼ੀਨ ਸਿੱਖਣ ਤਰੀਕੇ ਦੀ ਇੱਕ ਕਿਸਮ ਦੇ ਵਰਤਿਆ ਹੈ ਹੋ ਸਕਦਾ ਹੈ.

ਇਸ ਲਈ ਇਸ ਨੂੰ ਚੰਗੀ ਕੰਮ ਕੀਤਾ? Blumenstock ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਤੱਕ ਲਿਆ ਫੀਚਰ ਵਰਤ ਵਰਗੇ ਸਵਾਲ ਸਰਵੇਖਣ ਦੇ ਜਵਾਬ ਦਾ ਅਨੁਮਾਨ ਕਰਨ ਦੇ ਯੋਗ ਸੀ, "ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਰੇਡੀਓ ਦੇ ਮਾਲਕ ਹੋ?" ਅਤੇ "ਤੁਹਾਨੂੰ ਇੱਕ ਸਾਈਕਲ ਦੇ ਮਾਲਕ ਹੋ?"? ਦੇ ਲੜੀਬੱਧ. ਸ਼ਬਦ ਦੀ ਸ਼ੁੱਧਤਾ ਕੁਝ ਗੁਣ (ਚਿੱਤਰ 3.11) ਲਈ ਉੱਚ ਸਨ. ਪਰ, ਇਸ ਨੂੰ ਹਮੇਸ਼ਾ ਇੱਕ ਸਧਾਰਨ ਬਦਲ ਦੇ ਖਿਲਾਫ ਇੱਕ ਗੁੰਝਲਦਾਰ ਭਵਿੱਖਬਾਣੀ ਢੰਗ ਨੂੰ ਤੁਲਨਾ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ. ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਇੱਕ ਸਧਾਰਨ ਬਦਲ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਹੈ, ਜੋ ਕਿ ਹਰ ਕੋਈ ਸਭ ਆਮ ਦਾ ਜਵਾਬ ਦੇਣ ਹੈ. ਮਿਸਾਲ ਲਈ, 97,3% ਇੱਕ ਰੇਡੀਓ, ਇਸ ਲਈ, ਜੇ Blumenstock ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ ਕਿ ਹਰ ਕੋਈ ਇੱਕ ਰੇਡੀਓ ਉਹ 97,3% ਹੈ, ਜੋ ਕਿ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਉਸ ਦੇ ਹੋਰ ਗੁੰਝਲਦਾਰ ਪ੍ਰਕਿਰਿਆ (97.6% ਸ਼ੁੱਧਤਾ) ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਸਮਾਨ ਹੈ ਦਾ ਇੱਕ ਸ਼ੁੱਧਤਾ ਸੀ, ਹੈ ਸੀ, ਦੇ ਮਾਲਕ ਦੀ ਰਿਪੋਰਟ ਕਰਨਗੇ ਮਾਲਕ ਹੈ. ਨੂੰ ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਸਾਰੇ ਸੁਧਾਰਨ ਡਾਟਾ ਅਤੇ ਮਾਡਲਿੰਗ 97.6% ਤੱਕ 97,3% ਤੱਕ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਵਾਧਾ ਹੋਇਆ ਹੈ. ਪਰ, ਅਜਿਹੇ ਤੌਰ ਤੇ ਹੋਰ ਸਵਾਲ, ਲਈ "ਤੁਹਾਨੂੰ ਇੱਕ ਸਾਈਕਲ ਦੇ ਮਾਲਕ ਹੋ?", ਸ਼ਬਦ 54,4% ਤੱਕ 67,6% ਨੂੰ ਸੁਧਾਰ. ਹੋਰ ਆਮ ਤੌਰ 'ਤੇ, ਚਿੱਤਰ 3.12 ਸ਼ੋਅ ਕੁਝ ਗੁਣ ਲਈ Blumenstock ਬਹੁਤ ਕੁਝ ਨੂੰ ਸਿਰਫ ਸਧਾਰਨ ਹੈ ਬੇਸਲਾਈਨ ਭਵਿੱਖਬਾਣੀ ਬਣਾਉਣ ਪਰੇ ਵਿੱਚ ਸੁਧਾਰ ਨਾ ਕੀਤਾ, ਪਰ ਹੈ, ਜੋ ਕਿ ਹੋਰ ਗੁਣ ਲਈ ਕੁਝ ਸੁਧਾਰ ਹੋਇਆ ਸੀ.

ਚਿੱਤਰ 3.11: ਅੰਕੜਾ ਮਾਡਲ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਲਈ ਅਨੁਮਾਨਯੋਗ ਸ਼ੁੱਧਤਾ. Blumenstock (2014) ਦੇ ਟੇਬਲ 2 ਨਤੀਜੇ.

ਚਿੱਤਰ 3.11: ਅੰਕੜਾ ਮਾਡਲ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਲਈ ਅਨੁਮਾਨਯੋਗ ਸ਼ੁੱਧਤਾ. ਦੇ ਟੇਬਲ 2 ਨਤੀਜੇ Blumenstock (2014) .

ਚਿੱਤਰ 3.12: ਅੰਕੜਾ ਮਾਡਲ ਨੂੰ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਲਈ ਅਨੁਮਾਨਯੋਗ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ. ਬਿੰਦੂ ਥੋੜ੍ਹਾ ਢਕਣ ਬਚਣ ਲਈ jittered ਹਨ; ਸਹੀ ਮੁੱਲ ਲਈ Blumenstock (2014) ਦੇ ਟੇਬਲ 2 ਵੇਖੋ.

ਚਿੱਤਰ 3.12: ਅੰਕੜਾ ਮਾਡਲ ਨੂੰ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਲਈ ਅਨੁਮਾਨਯੋਗ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ. ਬਿੰਦੂ ਥੋੜ੍ਹਾ ਢਕਣ ਬਚਣ ਲਈ jittered ਹਨ; ਦੀ ਸਾਰਣੀ 2 ਦੇਖੋ Blumenstock (2014) ਸਹੀ ਮੁੱਲ ਲਈ.

ਇਸ ਮੌਕੇ 'ਤੇ ਤੁਹਾਨੂੰ ਸੋਚ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਇਹ ਨਤੀਜੇ ਇੱਕ ਬਿੱਟ ਨਿਰਾਸ਼ਾਜਨਕ ਹਨ, ਪਰ ਸਿਰਫ਼ ਇਕ ਸਾਲ ਬਾਅਦ, Blumenstock ਅਤੇ ਦੋ ਸਾਥੀ-ਜ਼ਿਬਰਾਏਲ Cadamuro ਅਤੇ ਰਾਬਰਟ' ਤੇ-ਪ੍ਰਕਾਸ਼ਿਤ ਕਾਫੀ ਬਿਹਤਰ ਨਤੀਜੇ ਦੇ ਨਾਲ ਸਾਇੰਸ ਵਿੱਚ ਇੱਕ ਪੇਪਰ (Blumenstock, Cadamuro, and On 2015) . ਉੱਥੇ ਦੋ ਮੁੱਖ ਤਕਨੀਕੀ ਸੁਧਾਰ ਦੇ ਕਾਰਨ ਸਨ: ਅਤੇ 2) ਇਸ ਦੀ ਬਜਾਇ (ਉਦਾਹਰਨ ਲਈ ਵਿਅਕਤੀ ਨੂੰ ਸਰਵੇਖਣ ਸਵਾਲ ਦਾ ਜਵਾਬ ਮਹਤਵ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੱਧ 1) ਉਹ ਹੋਰ ਵਧੀਆ ਢੰਗ ਵਰਤਿਆ (ਭਾਵ, ਇੱਕ ਨਵ ਪਹੁੰਚ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਹੋਰ ਵਧੀਆ ਮਸ਼ੀਨ ਸਿੱਖਣ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ਤਾ ਕਰਨ ਲਈ), "ਤੁਹਾਨੂੰ ਇੱਕ ਰੇਡੀਓ ਦੇ ਮਾਲਕ ਹੋ?"), ਉਹ ਇੱਕ ਸੰਯੁਕਤ ਦੌਲਤ ਇੰਡੈਕਸ ਮਹਤਵ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ.

Blumenstock ਅਤੇ ਸਾਥੀ ਦੇ ਦੋ ਤਰੀਕੇ ਵਿੱਚ ਆਪਣੇ ਪਹੁੰਚ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਸਬੂਤ. ਪਹਿਲੀ, ਉਹ ਲੱਭ ਆਪਣੇ ਨਮੂਨਾ ਵਿਚ ਲੋਕ ਲਈ, ਉਹ ਕਾਲ ਦੇ ਰਿਕਾਰਡ (ਚਿੱਤਰ 3.14) ਤੱਕ ਆਪਣੇ ਦੌਲਤ ਦਾ ਅੰਦਾਜ਼ਾ ਦੀ ਇੱਕ ਪਰੈਟੀ ਚੰਗਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ. ਦੂਜਾ, ਅਤੇ ਕਦੇ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ, Blumenstock ਅਤੇ ਸਾਥੀ ਨੇ ਦਿਖਾਇਆ ਕਿ ਉਹ ਆਪਣੇ ਵਿਧੀ Rwanda ਵਿੱਚ ਧਨ ਦੌਲਤ ਦੀ ਭੂਗੋਲਿਕ ਵੰਡ ਦੀ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੇ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ. ਖਾਸ ਤੌਰ ਤੇ, ਉਹ ਆਪਣੇ ਮਸ਼ੀਨ ਨੂੰ ਸਿੱਖਣ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ 1000 ਦੇ ਬਾਰੇ ਲੋਕ ਦੇ ਆਪਣੇ ਨਮੂਨੇ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਨੂੰ ਵਰਤਿਆ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਦੇ ਸਾਰੇ 1.5 ਲੱਖ ਲੋਕ ਦੀ ਦੌਲਤ ਦਾ ਅਨੁਮਾਨ ਕਰਨ. ਅੱਗੇ, ਕਾਲ ਡਾਟਾ ਵਿੱਚ ਸ਼ਾਮਿਲ ਭੂ-ਸਥਾਨਕ ਡੇਟਾ ਦੇ ਨਾਲ (ਯਾਦ ਹੈ, ਜੋ ਕਿ ਕਾਲ ਡਾਟਾ ਨੂੰ ਹਰ ਕਾਲ ਦੇ ਲਈ ਨਜ਼ਦੀਕੀ ਸੈੱਲ ਟਾਵਰ ਦੀ ਸਥਿਤੀ ਵੀ ਸ਼ਾਮਲ ਹੈ), ਖੋਜਕਾਰ ਹਰ ਵਿਅਕਤੀ ਦੇ ਘਰ ਦੇ ਲਗਭਗ ਦੀ ਜਗ੍ਹਾ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਦੇ ਯੋਗ ਸਨ. ਇਹ ਦੋ ਅਨੁਮਾਨ ਇਕੱਠੇ ਪਾ, ਖੋਜ ਬਹੁਤ ਹੀ ਜੁਰਮਾਨਾ ਵੱਖਰੇ ਗ੍ਰੈਨਿਊਲੈਰਿਟੀ 'ਤੇ ਗਾਹਕ ਦੌਲਤ ਦੀ ਭੂਗੋਲਿਕ ਵੰਡ ਦਾ ਅੰਦਾਜ਼ਾ ਪੈਦਾ. ਮਿਸਾਲ ਲਈ, ਉਹ Rwanda ਦਾ 2148 ਸੈੱਲ (ਦੇਸ਼ ਵਿੱਚ ਛੋਟੀ ਪ੍ਰਬੰਧਕੀ ਯੂਨਿਟ) ਦੇ ਹਰ ਇੱਕ ਦੇ ਵਿੱਚ ਔਸਤ ਦੌਲਤ ਦਾ ਅੰਦਾਜ਼ਾ ਕਰ ਸਕਦਾ ਹੈ. ਇਹ ਭਵਿੱਖਬਾਣੀ ਦੌਲਤ ਮੁੱਲ ਇਸ ਤਿੱਖੇ ਉਹ ਚੈੱਕ ਕਰਨ ਲਈ ਮੁਸ਼ਕਲ ਸਨ. ਇਸ ਲਈ, ਖੋਜਕਾਰ ਆਪਣੇ ਨਤੀਜੇ ਏਕੀਕ੍ਰਿਤ Rwanda ਦੇ 30 ਜ਼ਿਲ੍ਹੇ ਦੀ ਔਸਤ ਦੌਲਤ ਦੀ ਅੰਦਾਜ਼ੇ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ. ਇਹ ਜ਼ਿਲਾ ਪੱਧਰੀ ਅਨੁਮਾਨ ਜ਼ੋਰਦਾਰ ਇੱਕ ਸੋਨੇ ਦੀ ਮਿਆਰੀ ਰਵਾਇਤੀ ਸਰਵੇਖਣ ਤੱਕ ਅੰਦਾਜ਼ੇ ਨਾਲ ਸਬੰਧਤ ਸਨ, Rwandan ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਸਰਵੇਖਣ (ਚਿੱਤਰ 3.14). ਪਰ ਦੋ ਸਰੋਤ ਤੱਕ ਅਨੁਮਾਨ ਇਸੇ ਸਨ, Blumenstock ਅਤੇ ਸਾਥੀ ਤੱਕ ਅੰਦਾਜ਼ੇ ਬਾਰੇ 50 ਵਾਰ ਸਸਤਾ ਅਤੇ 10 ਵਾਰ ਤੇਜ਼ੀ ਨਾਲ (ਜਦ ਲਾਗਤ ਵਿੱਚ ਵੇਰੀਏਬਲ ਦੀ ਲਾਗਤ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਪਿਆ) ਸਨ. ਦੀ ਵਿਚ ਇਹ ਨਾਟਕੀ ਕਮੀ ਹੈ, ਜੋ ਕਿ ਨਾ ਕਿ ਹਰ ਕੁਝ ਸਾਲ-ਦੇ ਤੌਰ ਤੇ ਚਲਾਇਆ ਜਾ ਰਿਹਾ ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਲਈ ਮਿਆਰੀ ਹੈ ਸਰਵੇਖਣ-ਵੱਡੇ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਦੇ ਨਾਲ ਜੋੜਿਆ ਛੋਟੇ ਸਰਵੇਖਣ ਦੇ ਹਾਈਬ੍ਰਿਡ ਹਰ ਮਹੀਨੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਦਾ ਮਤਲਬ ਹੈ.

ਚਿੱਤਰ 3.13: Blumenstock, Cadamuro ਦੇ ਯੋਜਨਾਬੱਧ ਅਤੇ 'ਤੇ (2015). ਫੋਨ ਦੀ ਕੰਪਨੀ ਨੂੰ ਕਾਲ ਡਾਟਾ ਹਰੇਕ ਵਿਅਕਤੀ ਲਈ ਇੱਕ ਕਤਾਰ ਹੈ ਅਤੇ ਹਰ ਫੀਚਰ ਨੂੰ (ਭਾਵ, ਵੇਰੀਏਬਲ) ਲਈ ਇੱਕ ਕਾਲਮ ਦੇ ਨਾਲ ਇੱਕ ਮੈਟਰਿਕਸ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਗਿਆ ਸੀ. ਅੱਗੇ, ਖੋਜਕਾਰ ਫੀਚਰ ਨੂੰ ਮੈਟਰਿਕਸ ਕੇ ਵਿਅਕਤੀ ਤੱਕ ਸਰਵੇਖਣ ਜਵਾਬ ਲਗਾਉਣਾ ਇੱਕ ਨਿਰੀਖਣ ਸਿੱਖਣ ਮਾਡਲ ਬਣਾਇਆ. ਤਦ, ਨਿਰੀਖਣ ਸਿੱਖਣ ਮਾਡਲ ਹਰ ਕਿਸੇ ਲਈ ਸਰਵੇਖਣ ਜਵਾਬ ਗਿਣੇ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ. ਅਸਲ ਵਿੱਚ, ਖੋਜਕਾਰ ਇਕ ਲੱਖ ਲੋਕ ਦੇ ਦੌਲਤ ਗਿਣੇ ਕਰਨ ਬਾਰੇ ਇਕ ਹਜ਼ਾਰ ਲੋਕ ਜਵਾਬ ਵਰਤਿਆ. ਇਸ ਦੇ ਨਾਲ, ਖੋਜਕਾਰ ਸਾਰੇ 1.5 ਲੱਖ ਲੋਕ ਆਪਣੇ ਕਾਲ ਦੇ ਟਿਕਾਣੇ 'ਤੇ ਆਧਾਰਿਤ ਲਈ ਘਰ ਦੇ ਲਗਭਗ ਦੀ ਜਗ੍ਹਾ ਦਾ ਅਨੁਮਾਨ. ਜਦ ਇਹ ਦੋ ਅਨੁਮਾਨ ਮਿਲਾ ਸਨ ਅੰਦਾਜ਼ਨ ਦੌਲਤ ਅਤੇ ਨਿਵਾਸ-ਨਤੀਜੇ ਦਾ ਅੰਦਾਜ਼ਾ ਜਗ੍ਹਾ ਨੂੰ ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਸਰਵੇਖਣ, ਇੱਕ ਸੋਨੇ ਦਾ-ਮਿਆਰੀ ਰਵਾਇਤੀ ਸਰਵੇਖਣ (ਚਿੱਤਰ 3.14) ਤੱਕ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵੀ ਇਸੇ ਸੀ.

ਚਿੱਤਰ 3.13: ਦੇ ਯੋਜਨਾਬੱਧ Blumenstock, Cadamuro, and On (2015) . ਫੋਨ ਦੀ ਕੰਪਨੀ ਨੂੰ ਕਾਲ ਡਾਟਾ ਹਰੇਕ ਵਿਅਕਤੀ ਲਈ ਇੱਕ ਕਤਾਰ ਹੈ ਅਤੇ ਹਰ ਫੀਚਰ ਨੂੰ (ਭਾਵ, ਵੇਰੀਏਬਲ) ਲਈ ਇੱਕ ਕਾਲਮ ਦੇ ਨਾਲ ਇੱਕ ਮੈਟਰਿਕਸ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਗਿਆ ਸੀ. ਅੱਗੇ, ਖੋਜਕਾਰ ਫੀਚਰ ਨੂੰ ਮੈਟਰਿਕਸ ਕੇ ਵਿਅਕਤੀ ਤੱਕ ਸਰਵੇਖਣ ਜਵਾਬ ਲਗਾਉਣਾ ਇੱਕ ਨਿਰੀਖਣ ਸਿੱਖਣ ਮਾਡਲ ਬਣਾਇਆ. ਤਦ, ਨਿਰੀਖਣ ਸਿੱਖਣ ਮਾਡਲ ਹਰ ਕਿਸੇ ਲਈ ਸਰਵੇਖਣ ਜਵਾਬ ਗਿਣੇ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ. ਅਸਲ ਵਿੱਚ, ਖੋਜਕਾਰ ਇਕ ਲੱਖ ਲੋਕ ਦੇ ਦੌਲਤ ਗਿਣੇ ਕਰਨ ਬਾਰੇ ਇਕ ਹਜ਼ਾਰ ਲੋਕ ਜਵਾਬ ਵਰਤਿਆ. ਇਸ ਦੇ ਨਾਲ, ਖੋਜਕਾਰ ਸਾਰੇ 1.5 ਲੱਖ ਲੋਕ ਆਪਣੇ ਕਾਲ ਦੇ ਟਿਕਾਣੇ 'ਤੇ ਆਧਾਰਿਤ ਲਈ ਘਰ ਦੇ ਲਗਭਗ ਦੀ ਜਗ੍ਹਾ ਦਾ ਅਨੁਮਾਨ. ਜਦ ਇਹ ਦੋ ਅਨੁਮਾਨ ਮਿਲਾ ਸਨ ਅੰਦਾਜ਼ਨ ਦੌਲਤ ਅਤੇ ਨਿਵਾਸ-ਨਤੀਜੇ ਦਾ ਅੰਦਾਜ਼ਾ ਜਗ੍ਹਾ ਨੂੰ ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਸਰਵੇਖਣ, ਇੱਕ ਸੋਨੇ ਦਾ-ਮਿਆਰੀ ਰਵਾਇਤੀ ਸਰਵੇਖਣ (ਚਿੱਤਰ 3.14) ਤੱਕ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵੀ ਇਸੇ ਸੀ.

ਚਿੱਤਰ 3.14: Blumenstock, Cadamuro, ਅਤੇ 'ਤੇ (2015) ਤੱਕ ਨਤੀਜੇ. ਵਿਅਕਤੀਗਤ-ਪੱਧਰ 'ਤੇ, ਖੋਜਕਾਰ ਨੇ ਆਪਣੇ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਤੱਕ ਕਿਸੇ ਦੇ ਦੌਲਤ ਦਾ ਅੰਦਾਜ਼ਾ' ਤੇ ਇੱਕ ਜਾਇਜ਼ ਕੰਮ ਕਰਨ ਲਈ ਯੋਗ ਸਨ. ਜ਼ਿਲਾ ਪੱਧਰੀ ਦੌਲਤ-, ਜੋ ਕਿ ਦੌਲਤ ਅਤੇ ਨਿਵਾਸ-ਨਤੀਜੇ ਦੀ ਜਗ੍ਹਾ ਦੇ ਵਿਅਕਤੀਗਤ ਪੱਧਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ ਅਨੁਮਾਨ ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਸਰਵੇਖਣ, ਇੱਕ ਸੋਨੇ ਦਾ-ਮਿਆਰੀ ਰਵਾਇਤੀ ਸਰਵੇਖਣ ਦੇ ਨਤੀਜੇ ਦੇ ਸਮਾਨ ਸਨ.

ਚਿੱਤਰ 3.14: ਤੱਕ ਨਤੀਜੇ Blumenstock, Cadamuro, and On (2015) . ਵਿਅਕਤੀਗਤ-ਪੱਧਰ 'ਤੇ, ਖੋਜਕਾਰ ਨੇ ਆਪਣੇ ਕਾਲ ਦੇ ਰਿਕਾਰਡ ਤੱਕ ਕਿਸੇ ਦੇ ਦੌਲਤ ਦਾ ਅੰਦਾਜ਼ਾ' ਤੇ ਇੱਕ ਜਾਇਜ਼ ਕੰਮ ਕਰਨ ਲਈ ਯੋਗ ਸਨ. ਜ਼ਿਲਾ ਪੱਧਰੀ ਦੌਲਤ-, ਜੋ ਕਿ ਦੌਲਤ ਅਤੇ ਨਿਵਾਸ-ਨਤੀਜੇ ਦੀ ਜਗ੍ਹਾ ਦੇ ਵਿਅਕਤੀਗਤ ਪੱਧਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ ਅਨੁਮਾਨ ਜਨਗਣਨਾ ਅਤੇ ਸਿਹਤ ਸਰਵੇਖਣ, ਇੱਕ ਸੋਨੇ ਦਾ-ਮਿਆਰੀ ਰਵਾਇਤੀ ਸਰਵੇਖਣ ਦੇ ਨਤੀਜੇ ਦੇ ਸਮਾਨ ਸਨ.

ਸਿੱਟਾ ਵਿੱਚ, Blumenstock ਦਾ ਚੜ੍ਹਦਾ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਨਾਲ ਪਹੁੰਚ ਮਿਲਾ ਸਰਵੇਖਣ ਡਾਟਾ ਪੁੱਛ ਸੋਨੇ ਦੇ-ਮਿਆਰੀ ਸਰਵੇਖਣ ਅਨੁਮਾਨ ਨਾਲ ਮੁਕਾਬਲੇ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਨ ਲਈ. ਇਹ ਖਾਸ ਉਦਾਹਰਨ ਲਈ ਵੀ ਉਜਾਗਰ ਪੁੱਛ ਕੇ ਅਤੇ ਰਵਾਇਤੀ ਸਰਵੇਖਣ ਢੰਗ ਵਿਚਕਾਰ ਵਪਾਰ-ਆਫ ਦੇ ਕੁਝ ਸਪਸ਼ਟ. ਪਹਿਲੀ ਚੜ੍ਹਦਾ ਪੁੱਛ ਅਨੁਮਾਨ ਹੈ, ਹੋਰ ਸਿਰ ਕਾਫੀ ਸਸਤਾ ਹੈ, ਅਤੇ ਹੋਰ ਵੀ ਤਿੱਖੇ ਹੋ ਗਏ. ਪਰ, ਦੂਜੇ ਪਾਸੇ 'ਤੇ, ਇਸ ਵਾਰ' ਤੇ, ਕੋਈ ਨਾ ਉਜਾਗਰ ਪੁੱਛਣ ਦੇ ਇਸ ਕਿਸਮ ਦੀ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਲਿਖਤੀ ਆਧਾਰ ਹੈ. ਜੋ ਕਿ, ਇਸ ਨੂੰ ਇੱਕ ਉਦਾਹਰਨ ਦਿਖਾਉਣ ਨਹੀ ਕਰਦਾ ਹੈ ਹੈ, ਜਦ ਕਿ ਇਹ ਨਾ ਕਰੇਗਾ, ਜਦ ਇਸ ਨੂੰ ਕੰਮ ਅਤੇ ਜਾਵੇਗਾ. ਹੋਰ ਚੜ੍ਹਦਾ ਪੁੱਛਣ ਪਹੁੰਚ ਅਜੇ ਤੱਕ ਇਸ ਦੇ ਅਨੁਮਾਨ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਅਨਿਸ਼ਚਿਤਤਾ ਮਾਤਰਾ ਨੂੰ ਚੰਗਾ ਤਰੀਕੇ ਹੈ, ਨਾ ਹੈ. ਪਰ ਚੜ੍ਹਦਾ ਪੁੱਛਣ ਤਿੰਨ ਵੱਡੇ ਅੰਕੜੇ-ਮਾਡਲ-ਅਧਾਰਿਤ ਪੋਸਟ-stratification ਵਿਚ ਖੇਤਰ ਦਾ ਡੂੰਘਾ ਕੁਨੈਕਸ਼ਨ ਹੈ (Little 1993) , imputation (Rubin 2004) , ਅਤੇ ਛੋਟੇ-ਖੇਤਰ ਦੇ ਅੰਦਾਜ਼ੇ (Rao and Molina 2015) ਰੁਕੋ, ਇਸ ਲਈ ਮੈਨੂੰ ਉਮੀਦ ਹੈ, ਜੋ ਕਿ ਤਰੱਕੀ ਨੂੰ ਕਰੇਗਾ ਤੇਜ਼ੀ ਨਾਲ ਹੋ.

ਚੜ੍ਹਦਾ ਪੁੱਛ ਇੱਕ ਬੁਨਿਆਦੀ ਪਕਵਾਨ ਹੈ, ਜੋ ਕਿ ਆਪਣੇ ਖਾਸ ਸਥਿਤੀ ਨੂੰ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ ਹੇਠ. ਇੱਥੇ ਦੋ ਸਮੱਗਰੀ ਅਤੇ ਦੋ ਕਦਮ ਹਨ. ਦੋ ਸਮੱਗਰੀ 1) ਇੱਕ ਡਿਜ਼ੀਟਲ ਟਰੇਸ dataset ਹੈ, ਜੋ ਕਿ ਵਿਆਪਕ ਹੈ, ਪਰ ਪਤਲੇ (ਹੈ, ਜੋ ਕਿ ਹੈ, ਹੈ, ਹੈ, ਇਸ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਲੋਕ, ਪਰ ਨਾ, ਜੋ ਕਿ ਜਾਣਕਾਰੀ ਤੁਹਾਨੂੰ ਹਰ ਵਿਅਕਤੀ ਬਾਰੇ ਦੀ ਲੋੜ ਹੈ) ਅਤੇ 2) ਇਕ ਸਰਵੇਖਣ ਹੈ, ਜੋ ਕਿ ਤੰਗ ਹੈ, ਪਰ ਮੋਟੀ (ਹੈ, ਜੋ ਕਿ ਹੈ, ਹੈ, ਹੈ, ਇਸ ਨੂੰ ਹੈ ਸਿਰਫ ਕੁਝ ਕੁ ਲੋਕ ਹਨ, ਪਰ ਇਸ ਨੂੰ ਜਾਣਕਾਰੀ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਉਹ ਲੋਕ ਦੇ ਬਾਰੇ ਲੋੜ ਹੈ) ਹਨ. ਫਿਰ, ਉੱਥੇ ਦੋ ਕਦਮ ਹਨ. ਪਹਿਲੀ, ਦੋਨੋ ਡਾਟਾ ਸਰੋਤ ਵਿੱਚ ਲੋਕ ਲਈ, ਇੱਕ ਮਸ਼ੀਨ ਸਿੱਖਣ ਮਾਡਲ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਨੂੰ ਵਰਤਦਾ ਹੈ, ਜੋ ਕਿ ਸਰਵੇਖਣ ਜਵਾਬ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਬਣਾਉਣ. ਅੱਗੇ, ਜੋ ਕਿ ਮਸ਼ੀਨ, ਸਿੱਖਣ ਮਾਡਲ ਦਾ ਇਸਤੇਮਾਲ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਵਿੱਚ ਹਰ ਦੇ ਸਰਵੇਖਣ ਦੇ ਜਵਾਬ ਗਿਣੇ ਕਰਨ ਲਈ. ਇਸ ਲਈ, ਜੇ ਕੁਝ ਸਵਾਲ ਦਾ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ, ਲੋਕ ਦੇ ਲਾਟ ਲਈ ਪੁੱਛੋ ਜਿਹੜੇ ਲੋਕ ਹੈ, ਜੋ ਕਿ ਆਪਣੇ ਦਾ ਜਵਾਬ ਅੰਦਾਜ਼ਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਤੱਕ ਡਿਜੀਟਲ ਟਰੇਸ ਡਾਟਾ ਦੀ ਭਾਲ ਕਰਨ ਲਈ ਚਾਹੁੰਦੇ ਹੋ.

ਤੁਲਨਾ Blumenstock ਦੀ ਸਮੱਸਿਆ ਨੂੰ 'ਤੇ ਪਹਿਲੇ ਅਤੇ ਦੂਜੇ ਦੀ ਕੋਸ਼ਿਸ਼ ਦਾ ਵੀ ਸਰਵੇਖਣ ਕਰਨ ਲਈ ਖੋਜ ਤੀਜੇ ਦੌਰ ਤਰੀਕੇ ਦੂਜੇ ਦੌਰ ਤੱਕ ਤਬਦੀਲੀ ਦੇ ਬਾਰੇ ਇਕ ਜ਼ਰੂਰੀ ਸਬਕ ਲੱਗਦਾ ਹੈ: ਸ਼ੁਰੂ ਅੰਤ ਨਹੀ ਹੈ. ਜੋ ਕਿ, ਕਈ ਵਾਰ, ਪਹਿਲੀ ਪਹੁੰਚ ਨਾ ਵਧੀਆ ਹੋ ਜਾਵੇਗਾ, ਪਰ ਇਸ ਨੂੰ ਜੇਕਰ ਖੋਜਕਾਰ ਕੰਮ ਜਾਰੀ, ਕੁਝ ਬਿਹਤਰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ. ਹੋਰ ਆਮ ਤੌਰ 'ਤੇ, ਜਦ ਡਿਜ਼ੀਟਲ ਦੀ ਉਮਰ ਵਿਚ ਸਮਾਜਿਕ ਖੋਜ ਕਰਨ ਲਈ ਨਵ ਤਰੀਕੇ ਪਤਾ ਹੈ, ਇਸ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਦੋ ਵੱਖਰੇ evaluations ਬਣਾਉਣ ਲਈ ਹੁੰਦਾ ਹੈ: 1) ਨੂੰ ਚੰਗੀ ਹੁਣ ਇਸ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ 2) ਨੂੰ ਨਾਲ ਨਾਲ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਇਸ ਡਾਟਾ ਦੇਖਿਆ ਦੇ ਤੌਰ ਤੇ ਭਵਿੱਖ ਵਿਚ ਕੰਮ ਹੋ ਸਕਦਾ ਹੈ ਕੀ ਬਦਲਾਅ ਅਤੇ ਖੋਜਕਾਰ ਦੇ ਤੌਰ ਤੇ ਸਮੱਸਿਆ ਨੂੰ ਕਰਨ ਲਈ ਜ਼ਿਆਦਾ ਧਿਆਨ ਲਾ. ਪਰ, ਖੋਜਕਾਰ (ਨੂੰ ਚੰਗਾ ਖੋਜ ਦੇ ਇਸ ਖਾਸ ਟੁਕੜਾ ਹੈ) ਪੜਤਾਲ ਦੇ ਪਹਿਲੇ ਕਿਸਮ ਦੀ ਬਣਾਉਣ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਰਹੇ ਹਨ, ਦੂਜੇ ਨੂੰ ਅਕਸਰ ਜ਼ਿਆਦਾ ਜ਼ਰੂਰੀ ਹੈ.