3.6.2 ਅਮੀਰ ਪੁੱਛਣ

ਪਰ ਇਸ ਨੂੰ ਘੜਮੱਸ ਹੋ ਸਕਦਾ ਹੈ, ਅਮੀਰ ਪੁੱਛਣ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋ ਸਕਦਾ ਹੈ.

ਡਿਜ਼ੀਟਲ ਡਾਟਾ ਟਰੇਸ ਦੀ ਅਧੂਰਾਪਨ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਇੱਕ ਵੱਖਰੀ ਪਹੁੰਚ ਸਰਵੇਖਣ ਡਾਟਾ, ਇੱਕ ਕਾਰਜ ਹੈ, ਜੋ ਕਿ ਮੈਨੂੰ ਅਸੀਸ ਪੁੱਛਣ 'ਤੇ ਕਾਲ ਕਰੋ ਲੱਗੇਗਾ ਨਾਲ ਸਿੱਧਾ ਇਸ ਨੂੰ ਮਾਲਾਮਾਲ ਕਰਨਾ ਹੈ. ਅਮੀਰ ਪੁੱਛਣ ਦੀ ਇਕ ਮਿਸਾਲ ਦਾ ਅਧਿਐਨ ਹੈ Burke and Kraut (2014) ਹੈ, ਜੋ ਕਿ ਮੈਨੂੰ ਅਧਿਆਇ ਵਿਚ ਪਿਛਲੇ ਦੱਸਿਆ ਗਿਆ ਹੈ (ਹਿੱਸਾ 3.2) ਦੇ ਬਾਰੇ ਫੇਸਬੁੱਕ 'ਤੇ ਗੱਲਬਾਤ ਦੀ ਦੋਸਤੀ ਦੀ ਤਾਕਤ ਵਧਾ ਕੀ,. ਜੋ ਕਿ ਇਸ ਕੇਸ ਵਿੱਚ, Burke ਅਤੇ Kraut ਫੇਸਬੁੱਕ ਲਾਗ ਡਾਟਾ ਨਾਲ ਸਰਵੇਖਣ ਡਾਟਾ ਮਿਲਾ.

ਸੈਟਿੰਗ ਹੈ ਕਿ Burke ਅਤੇ Kraut ਵਿਚ ਕੰਮ ਕਰ ਰਹੇ ਸਨ, ਪਰ, ਦਾ ਮਤਲਬ ਸੀ ਕਿ ਉਹ ਦੋ ਵੱਡੇ ਸਮੱਸਿਆ ਹੈ, ਜੋ ਕਿ ਕੰਮ ਕਰਨ ਖੋਜਕਾਰ ਅਮੀਰ ਪੁੱਛ ਚਿਹਰੇ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਹੈ, ਨਾ ਸੀ. ਪਹਿਲੀ, ਅਸਲ ਵਿੱਚ ਮਿਲ ਕੇ ਡਾਟਾ ਸੈੱਟ-ਇੱਕ ਕਾਰਜ ਕਹਿੰਦੇ ਰਿਕਾਰਡ ਨੂੰ ਸਪਲਾਈ, ਹੋਰ ਹੇਠ ਇਸ ਸਮੱਸਿਆ ਦੀ ਇੱਕ ਉਦਾਹਰਨ dataset-ਕਰ ਸਕਦਾ ਹੈ ਮੁਸ਼ਕਲ ਅਤੇ ਗਲਤੀ-ਬਣੀ ਹੋ (ਸਾਨੂੰ ਦੇਖੋਗੇ ਵਿਚ ਉਚਿਤ ਰਿਕਾਰਡ ਦੇ ਨਾਲ ਇੱਕ dataset ਵਿੱਚ ਇੱਕ ਰਿਕਾਰਡ ਦੀ ਮੇਲ ਜੋੜਨ ). ਅਮੀਰ ਪੁੱਛਣ ਦਾ ਦੂਜਾ ਮੁੱਖ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਦੀ ਗੁਣਵੱਤਾ ਅਕਸਰ ਖੋਜਕਾਰ ਦਾ ਜਾਇਜ਼ਾ ਲੈਣ ਲਈ ਮੁਸ਼ਕਲ ਹੋ ਜਾਵੇਗਾ ਹੈ. ਮਿਸਾਲ ਲਈ, ਕਈ ਵਾਰ ਕਾਰਵਾਈ ਨੂੰ ਜਿਸ ਦੁਆਰਾ ਇਸ ਨੂੰ ਇਕੱਠੀ ਕੀਤੀ ਹੈ, ਮਲਕੀਅਤ ਹੈ ਅਤੇ ਅਧਿਆਇ 2. ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ ਸਮੱਸਿਆ ਦੇ ਬਹੁਤ ਸਾਰੇ ਨੂੰ ਸੀਕਾਰ ਹੋ ਸਕਦਾ ਹੈ, ਅਮੀਰ ਪੁੱਛਣ ਅਕਸਰ ਇਹ ਅਣਜਾਣ ਦੀ ਕਾਲਾ-ਬਾਕਸ ਡਾਟਾ ਸਰੋਤ ਦਾ ਸਰਵੇਖਣ ਦੇ ਗਲਤੀ-ਬਣੀ ਜੋੜਨ ਸ਼ਾਮਲ ਹੋਵੇਗਾ ਗੁਣਵੱਤਾ. ਚਿੰਤਾ ਹੈ, ਜੋ ਕਿ ਇਹ ਦੋ ਸਮੱਸਿਆ ਪੇਸ਼ ਬਾਵਜੂਦ, ਇਸ ਨੂੰ ਦੇ ਤੌਰ ਤੇ ਸਟੀਫਨ Ansolabehere ਅਤੇ Eitan Hersh ਨੇ ਦਿਖਾਇਆ ਗਿਆ ਸੀ ਕਿ ਇਸ ਰਣਨੀਤੀ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਖੋਜ ਕਰਨ ਲਈ ਸੰਭਵ ਹੈ (2012) ਅਮਰੀਕਾ ਵਿਚ ਵੋਟਿੰਗ ਪੈਟਰਨ 'ਤੇ ਆਪਣੇ ਖੋਜ ਵਿਚ. ਇਸ ਨੂੰ ਕੁਝ ਵਿਸਥਾਰ ਵਿਚ ਇਸ ਦਾ ਅਧਿਐਨ 'ਤੇ ਜਾਣ ਲਈ ਫ਼ਾਇਦੇਮੰਦ ਹੈ ਰਣਨੀਤੀ ਹੈ, ਜੋ ਕਿ Ansolabehere ਅਤੇ Hersh ਵਿਕਸਤ ਅਮੀਰ ਪੁੱਛਣ ਦੇ ਹੋਰ ਕਾਰਜ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੋਵੇਗਾ ਦੇ ਬਹੁਤ ਸਾਰੇ, ਕਿਉਕਿ.

ਵੋਟਰ ਮਤਦਾਨ ਸਿਆਸੀ ਵਿਗਿਆਨ 'ਚ ਵਿਆਪਕ ਖੋਜ ਦੇ ਵਿਸ਼ੇ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਪਿਛਲੇ ਵਿੱਚ, ਜੋ ਵੋਟ ਹੈ ਅਤੇ ਇਸੇ ਆਮ ਤੌਰ' ਤੇ ਸਰਵੇਖਣ ਦੇ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤਾ ਗਿਆ ਹੈ ਦੇ ਖੋਜਕਾਰ' ਸਮਝ. ਅਮਰੀਕਾ ਵਿੱਚ ਵੋਟ, ਪਰ, ਜੋ ਕਿ ਸਰਕਾਰ ਨੂੰ ਰਿਕਾਰਡ ਦਾ ਹਰ ਇੱਕ ਨਾਗਰਿਕ ਵੋਟ ਕੀਤਾ ਹੈ ਕਿ ਕੀ ਵਿੱਚ ਇੱਕ ਅਜੀਬ ਵਿਵਹਾਰ ਨੂੰ ਹੈ (ਦੇ ਕੋਰਸ, ਸਰਕਾਰ ਲਈ ਜੋ ਹਰ ਇੱਕ ਨਾਗਰਿਕ ਵੋਟ ਨੂੰ ਰਿਕਾਰਡ ਨਹੀ ਹੈ). ਕਈ ਸਾਲ ਲਈ, ਇਹ ਸਰਕਾਰੀ ਵੋਟਿੰਗ ਰਿਕਾਰਡ ਦਾ ਪੇਪਰ ਫਾਰਮ 'ਤੇ ਉਪਲਬਧ ਸਨ, ਦੇਸ਼ ਭਰ ਦੇ ਵੱਖ-ਵੱਖ ਸਥਾਨਕ ਸਰਕਾਰ ਦਫ਼ਤਰ ਵਿੱਚ ਖਿੰਡੇ. ਇਸ ਲਈ ਇਸ ਨੂੰ ਮੁਸ਼ਕਲ ਹੈ, ਪਰ ਅਸੰਭਵ ਨਹੀ ਹੈ, ਸਿਆਸੀ ਵਿਗਿਆਨੀ ਵੋਟਰ ਦੀ ਮੁਕੰਮਲ ਤਸਵੀਰ ਹੈ ਨੂੰ ਹੈ ਅਤੇ ਕੀ ਲੋਕ ਆਪਣੇ ਅਸਲ ਵੋਟਿੰਗ ਵਤੀਰੇ ਵੋਟ ਬਾਰੇ ਸਰਵੇਖਣ ਵਿਚ ਦਾ ਕਹਿਣਾ ਹੈ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਕੀਤੀ (Ansolabehere and Hersh 2012) .

ਪਰ, ਹੁਣ ਇਹ ਵੋਟ ਦੇ ਰਿਕਾਰਡ ਡਿਜੀਟਲੀਕਰਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਪ੍ਰਾਈਵੇਟ ਕੰਪਨੀ ਦੇ ਇੱਕ ਨੰਬਰ ਦੇ ਯੋਜਨਾਬੱਧ ਇਕੱਠਾ ਕੀਤਾ ਹੈ ਅਤੇ ਇਹ ਵੋਟਿੰਗ ਦਾ ਰਿਕਾਰਡ ਮਿਲਾ ਵਿਸ਼ਾਲ ਮਾਸਟਰ ਵੋਟਿੰਗ ਫਾਇਲ ਹੈ, ਜੋ ਕਿ ਸਭ ਨੂੰ ਅਮਰੀਕਨ ਦੇ ਵੋਟ ਵਿਵਹਾਰ ਨੂੰ ਰਿਕਾਰਡ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ. Ansolabehere ਅਤੇ Hersh ਕ੍ਰਮ ਆਪਣੇ ਮਾਲਕ ਵੋਟਿੰਗ ਫਾਇਲ ਵਰਤਣ ਲਈ ਮਦਦ ਕਰਨ ਲਈ ਵੋਟਰ ਦੀ ਬਿਹਤਰ ਤਸਵੀਰ ਦਾ ਵਿਕਾਸ ਵਿੱਚ LCC-ਇਹ ਕੰਪਨੀ-Catalist ਦੇ ਇੱਕ ਦੇ ਨਾਲ partnered. ਅੱਗੇ, ਕਿਉਕਿ ਇਸ ਨੂੰ ਇਕੱਠੀ ਕੀਤੀ ਹੈ ਅਤੇ ਇੱਕ ਕੰਪਨੀ ਦੁਆਰਾ ਕਿਉਰੇਟਿਡ ਡਿਜ਼ੀਟਲ ਦੇ ਰਿਕਾਰਡ 'ਤੇ ਭਰੋਸਾ ਹੈ, ਇਸ ਨੂੰ ਖੋਜਕਾਰ ਨੇ ਪਿਛਲੇ ਕੋਸ਼ਿਸ਼ ਹੈ, ਜੋ ਕਿ ਕੰਪਨੀ ਦੀ ਮਦਦ ਅਤੇ ਐਨਾਲਾਗ ਦੇ ਰਿਕਾਰਡ ਵਰਤ ਦੇ ਬਗੈਰ ਕੀਤਾ ਗਿਆ ਸੀ ਵੱਧ ਫਾਇਦੇ ਦਾ ਇੱਕ ਨੰਬਰ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ.

ਅਧਿਆਇ 2 ਵਿੱਚ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਸਰੋਤ ਦੇ ਬਹੁਤ ਸਾਰੇ ਪਸੰਦ ਹੈ, Catalist ਮਾਸਟਰ ਫਾਇਲ, ਜਨ attitudinal, ਅਤੇ ਵਤੀਰੇ ਦੀ ਜਾਣਕਾਰੀ ਹੈ, ਜੋ ਕਿ Ansolabehere ਅਤੇ Hersh ਦੀ ਲੋੜ ਦੇ ਬਹੁਤ ਸ਼ਾਮਲ ਹਨ, ਨਾ ਸੀ. ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਕਰਨ ਲਈ ਇਸ ਦੇ ਨਾਲ, Ansolabehere ਅਤੇ Hersh ਖਾਸ ਕਰਕੇ ਪ੍ਰਮਾਣਿਤ ਵੋਟਿੰਗ ਵਿਵਹਾਰ ਨੂੰ (ਭਾਵ, Catalist ਡਾਟਾਬੇਸ ਵਿੱਚ ਜਾਣਕਾਰੀ) ਨੂੰ ਰਿਪੋਰਟ ਵੋਟਿੰਗ ਵਿਵਹਾਰ ਨੂੰ ਤੁਲਨਾ ਵਿਚ ਦਿਲਚਸਪੀ ਸੀ. ਇਸ ਲਈ, ਖੋਜਕਾਰ ਡਾਟਾ ਕਿ ਉਹ ਸਹਿਕਾਰੀ ਕੋਙਗਰੈੱਸਨਲ ਚੋਣ ਸਟੱਡੀ (CCES), ਇੱਕ ਵੱਡੀ ਸਮਾਜਿਕ ਸਰਵੇਖਣ ਦੇ ਹਿੱਸੇ ਦੇ ਤੌਰ ਚਾਹੁੰਦਾ ਸੀ ਇਕੱਠੇ ਕੀਤੇ. ਅੱਗੇ, ਖੋਜਕਾਰ Catalist ਕਰਨ ਲਈ ਇਸ ਨੂੰ ਡਾਟਾ ਦੇ ਦਿੱਤੀ ਹੈ, ਅਤੇ Catalist ਖੋਜਕਾਰ, ਜੋ ਕਿ ਪ੍ਰਮਾਣਿਤ ਸ਼ਾਮਲ (Catalist ਤੱਕ) ਵੋਟਿੰਗ ਵਿਵਹਾਰ ਨੂੰ ਮਿਲਾਏ ਡਾਟਾ ਫਾਇਲ, ਸਵੈ-ਦੀ ਰਿਪੋਰਟ ਵੋਟਿੰਗ ਵਿਵਹਾਰ ਨੂੰ (CCES ਤੱਕ) ਅਤੇ ਜਨ-ਅਤੇ ਜਵਾਬ ਦੇ ਰਵੱਈਏ ਪਿੱਛੇ (CCES ਤੱਕ ਦੇ ਦਿੱਤੀ ਹੈ ). ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, Ansolabehere ਅਤੇ Hersh ਸਰਵੇਖਣ ਡਾਟਾ ਨਾਲ ਵੋਟਿੰਗ ਡਾਟਾ ਅਮੀਰ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਸ਼ਮੂਲੀਅਤ ਫਾਇਲ ਨੂੰ, ਜੋ ਕਿ ਕੁਝ ਨਾ ਫਾਇਲ ਨੂੰ ਵੱਖਰੇ ਯੋਗ ਹੈ ਕੀ ਕਰਨ ਦੇ ਯੋਗ ਕਰਦਾ ਹੈ.

ਸਰਵੇਖਣ ਡਾਟਾ ਦੇ ਨਾਲ Catalist ਮਾਸਟਰ ਡਾਟਾ ਫਾਇਲ ਅਮੀਰ ਕੇ, Ansolabehere ਅਤੇ Hersh ਤਿੰਨ ਮਹੱਤਵਪੂਰਨ ਸਿੱਟੇ ਕਰਨ ਲਈ ਆਇਆ ਸੀ. ਪਹਿਲੀ, ਵੱਧ-ਰਿਪੋਰਟਿੰਗ ਵੋਟਿੰਗ ਦੀ ਫੈਲੀ ਹੋਈ ਹੈ: ਗੈਰ-ਵੋਟਰ ਦੇ ਲਗਭਗ ਅੱਧੇ ਵੋਟ ਦਿੱਤੀ ਹੈ. ਕੀ, ਇਸ ਨੂੰ 'ਤੇ ਦੇਖ ਦੇ ਇਕ ਹੋਰ ਤਰੀਕਾ ਹੈ ਕਿ ਜੇ ਕਿਸੇ ਨੂੰ ਵੋਟ ਦਿੱਤੀ ਹੈ, ਉਥੇ ਸਿਰਫ ਇੱਕ 80% ਮੌਕਾ ਹੈ ਕਿ ਉਹ ਅਸਲ ਵਿੱਚ ਵੋਟ ਹੈ. ਦੂਜਾ, ਵੱਧ-ਰਿਪੋਰਟਿੰਗ ਬੇਤਰਤੀਬ ਨਹੀ ਹੈ; ਓਵਰ-ਰਿਪੋਰਟਿੰਗ ਪੜ੍ਹੇ-ਲਿਖੇ, ਉੱਚ-ਆਮਦਨ ਆਪਸ ਵਿੱਚ ਵਧੇਰੇ ਆਮ ਹੈ, partisans ਜੋ ਜਨਤਕ ਮਾਮਲੇ 'ਚ ਲੱਗੇ ਹੋਏ ਹਨ. ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਜੋ ਲੋਕ ਸਭ ਨੂੰ ਵੋਟ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਵੀ ਸਭ ਵੋਟਿੰਗ ਬਾਰੇ ਝੂਠ ਦੀ ਸੰਭਾਵਨਾ ਹੈ. ਤੀਜਾ, ਅਤੇ ਸਭ ਨਾਜ਼ੁਕ, ਵੱਧ-ਰਿਪੋਰਟਿੰਗ, ਵੋਟਰ ਅਤੇ ਗੈਰ-ਵੋਟਰ ਦੇ ਵਿਚਕਾਰ ਅਸਲ ਅੰਤਰ ਛੋਟਾ ਉਹ ਸਰਵੇਖਣ ਸਿਰਫ ਵਿਖਾਈ ਹਨ ਦੇ ਯੋਜਨਾਬੱਧ ਕੁਦਰਤ ਦੇ ਕਾਰਨ. ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਬੈਚਲਰ ਦੀ ਡਿਗਰੀ ਦੇ ਨਾਲ ਜਿਹੜੇ ਬਾਰੇ 22 ਫੀਸਦੀ ਅੰਕ ਹੋਰ ਵੋਟਿੰਗ ਦੀ ਰਿਪੋਰਟ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਪਰ ਸਿਰਫ 10 ਪ੍ਰਤੀਸ਼ਤ ਅੰਕ ਹੋਰ ਅਸਲ ਵੋਟ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ. ਹੋਰ, ਵੋਟ ਦੇ ਮੌਜੂਦਾ ਸਰੋਤ-ਅਧਾਰਿਤ ਮਨਮਤਿ ਬਹੁਤ ਕੁਝ ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਜੋ ਵੋਟ, ਇੱਕ ਅਨੁਭਵੀ ਲੱਭਣ ਨਵ ਮਨਮਤਿ ਨੂੰ ਸਮਝਣ ਅਤੇ ਵੋਟਿੰਗ ਦਾ ਅਨੁਮਾਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਜੋ ਕਿ ਵੱਧ ਵੋਟਿੰਗ ਦੀ ਰਿਪੋਰਟ ਕਰੇਗਾ 'ਤੇ ਬਿਹਤਰ ਹਨ.

ਪਰ, ਕਿੰਨੀ ਕੁ ਸਾਨੂੰ ਇਹ ਨਤੀਜੇ ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਯਾਦ ਰੱਖੋ ਕਿ ਇਹ ਨਤੀਜੇ ਗਲਤੀ ਦੀ ਅਣਜਾਣ ਮਾਤਰਾ ਦੇ ਨਾਲ ਕਾਲਾ-ਬਾਕਸ ਡਾਟਾ ਨੂੰ ਗਲਤੀ-ਬਣੀ ਜੋੜਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ. ਖਾਸ ਤੌਰ ਤੇ, ਨਤੀਜੇ ਦੋ ਕੁੰਜੀ ਕਦਮ 'ਤੇ ਨਿਰਭਰ: 1) ਬਹੁਤ ਸਾਰੇ ਖਿੰਡੇ ਡਾਟਾ ਸਰੋਤ ਜੋੜ ਕਰਨ ਲਈ ਇੱਕ ਸਹੀ ਮਾਲਕ ਨੂੰ datafile ਅਤੇ 2) ਇਸ ਦੇ ਮਾਲਕ ਨੂੰ datafile ਦਾ ਸਰਵੇਖਣ ਡਾਟਾ ਲਿੰਕ ਕਰਨ ਲਈ Catalist ਦੀ ਯੋਗਤਾ ਪੈਦਾ ਕਰਨ Catalist ਦੀ ਯੋਗਤਾ. ਇਹ ਪਗ ਦੇ ਹਰ ਕਾਫ਼ੀ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਕਦਮ 'ਤੇ ਗਲਤੀ ਨੂੰ ਗ਼ਲਤ ਸਿੱਟੇ ਤੱਕ ਖੋਜਕਾਰ ਦੀ ਅਗਵਾਈ ਕਰ ਸਕਦਾ ਹੈ. ਪਰ, ਦੋਨੋ ਡਾਟਾ ਨੂੰ ਕਾਰਵਾਈ ਕਰਨ ਅਤੇ ਮੇਲ ਇਸ ਲਈ ਇਸ ਨੂੰ ਇਹ ਸਮੱਸਿਆ ਹੱਲ ਵਿਚ ਵਸੀਲੇ ਨਿਵੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ, ਅਕਸਰ ਇੱਕ ਪੈਮਾਨੇ ਕਿ ਕੋਈ ਵੀ ਵਿਅਕਤੀ ਅਕਾਦਮਿਕ ਖੋਜਕਾਰ ਜ ਖੋਜਕਾਰ ਦੇ ਸਮੂਹ ਨਾਲ ਮੇਲ ਕਰ ਸਕਦੇ ਹੋ 'ਤੇ ਇੱਕ ਕੰਪਨੀ ਦੇ ਤੌਰ ਤੇ Catalist ਦੇ ਜਾਰੀ ਰਿਹਾ ਮੌਜੂਦਗੀ ਨੂੰ ਨਾਜ਼ੁਕ ਹਨ. ਅਧਿਆਇ ਦੇ ਅੰਤ 'ਤੇ ਹੋਰ ਅੱਗੇ ਪੜ੍ਹਨ ਵਿੱਚ, ਮੈਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਅਤੇ ਕਿਸ ਨੂੰ Ansolabehere ਅਤੇ Hersh ਨੇ ਆਪਣੇ ਨਤੀਜੇ ਵਿਚ ਭਰੋਸਾ ਬਣਾਉਣ ਵਿੱਚ ਇਹ ਸਮੱਸਿਆ ਦਾ ਵਰਣਨ. ਪਰ ਇਹ ਵੇਰਵੇ ਨੂੰ ਇਸ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਹੀ ਖਾਸ ਹਨ, ਇਹ ਸਮਾਨ ਮੁੱਦੇ ਨੂੰ ਹੋਰ ਕਾਲਾ-ਬਕਸੇ ਨੂੰ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਸਰੋਤ ਨੂੰ ਲਿੰਕ ਕਰਨ ਦੇ ਚਾਹਵਾਨ ਖੋਜਕਾਰ ਲਈ ਪੈਦਾ ਕਰੇਗਾ.

ਆਮ ਤੌਰ 'ਤੇ ਸਬਕ ਖੋਜਕਾਰ ਇਸ ਅਧਿਐਨ ਖਿੱਚਣ ਕਰ ਸਕਦਾ ਹੈ ਕੀ ਹਨ? ਪਹਿਲੀ, ਉਥੇ ਸਰਵੇਖਣ ਡਾਟਾ ਨਾਲ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਅਮੀਰ ਤੱਕ ਬਹੁਤ ਮੁੱਲ ਹੈ. ਦੂਜਾ, ਵੀ, ਪਰ ਇਹ ਏਕੀਕ੍ਰਿਤ, ਵਪਾਰਕ ਡਾਟਾ ਸਰੋਤ ਨਹੀ ਹੈ "ਜ਼ਮੀਨ ਦੀ ਸੱਚਾਈ" ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕੁਝ ਮਾਮਲੇ ਵਿੱਚ ਉਹ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ. ਅਸਲ ਵਿਚ, ਇਸ ਨੂੰ ਇਹ ਡਾਟਾ ਸਰੋਤ ਪੂਰਾ ਸੱਚ ਨਾ ਕਰਨ ਲਈ (ਜੋ ਕਿ ਉਹ ਹਮੇਸ਼ਾ ਛੋਟਾ ਡਿੱਗ ਜਾਵੇਗਾ) ਤੁਲਨਾ ਕਰਨ ਲਈ ਵਧੀਆ ਹੈ. ਇਸ ਦੀ ਬਜਾਇ, ਇਸ ਨੂੰ, ਜੋ ਕਿ ਹਮੇਸ਼ਾ ਗਲਤੀ ਦੇ ਨਾਲ ਨਾਲ ਹੈ, ਨੂੰ ਹੋਰ ਉਪਲੱਬਧ ਡਾਟਾ ਸਰੋਤ, ਨੂੰ ਤੁਲਨਾ ਕਰਨ ਲਈ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ.