3.4.2 அல்லாத நிகழ்தகவு மாதிரிகள்: வெயிட்டிங்

அல்லாத நிகழ்தகவு மாதிரிகள், எடைகள் கருதப்படுகிறது மாதிரி செயல்முறை ஏற்படும் சிதைவுகள் அகற்றிவிட முடியும்.

ஆராய்ச்சியாளர்கள் நிகழ்தகவு மாதிரிகள் இருந்து பதில்களை எடை என்று அதே வழியில், அவர்கள் அல்லாத நிகழ்தகவு மாதிரிகள் இருந்து பதில்களை எடை முடியும். உதாரணமாக, CPS, ஒரு மாற்றாக, நீங்கள் வேலையின்மை விகிதம் மதிப்பிட ஒரு ஆய்வு பங்கேற்பாளர்கள் சேர்த்துக்கொள்ள ஆயிரக்கணக்கான இணையதளங்களை பேனர் விளம்பரங்களின் வைக்கப்படும் என்று கற்பனை. இயற்கையாகவே, நீங்கள் உங்கள் மாதிரி எளிய சராசரி வேலையின்மை விகிதம் ஒரு நல்ல மதிப்பீடு இருக்கும் என்று சந்தேகம் இருக்கும். நீங்கள் சிலர் மற்றவர்களை விட உங்கள் ஆய்வு முடிக்க வாய்ப்பு அதிகமாக இருக்கிறது என்று நான் நினைக்கிறேன், ஏனெனில் உங்கள் ஐயுறவு அநேகமாக உள்ளது. உதாரணமாக, இணையத்தில் நிறைய நேரம் செலவிட வேண்டாம் மக்கள் உங்கள் ஆய்வு முடிக்க குறைந்த வாய்ப்புகளே உள்ளன.

நாங்கள் கடந்த பிரிவில் பார்த்தபடி, எனினும், மாதிரி தேர்வு-நாம் தெரிந்தால் எப்படி இருந்தது நாங்கள் நிகழ்தகவு செய்ய மாதிரிகள்-நாம் மாதிரி செயல்முறை ஏற்படும் சிதைவுகள் அகற்றிவிட முடியும். துரதிருஷ்டவசமாக, அல்லாத நிகழ்தகவு மாதிரிகள் பணிபுரியும் போது, நாங்கள் மாதிரி தேர்வு செய்யப்பட்டார் எப்படி என்று எனக்கு தெரியாது. ஆனால், நாம் மாதிரி செயல்முறை பற்றி அனுமானங்களை உருவாக்க முடியும் பின்னர் அதே வழியில் வெயிட்டிங் பொருந்தும். இந்த அனுமானங்கள் சரியாக இருந்தால், பின்னர் வெயிட்டிங் மாதிரி செயல்முறை ஏற்படும் சிதைவுகள் நீக்கிவிடுவார்.

உதாரணமாக, உங்கள் பேனர் விளம்பரங்கள் பதில், நீங்கள் 100,000 பதிலளித்தவர்களில் ஆட்சேர்ப்பு என்று கற்பனை. எனினும், நீங்கள் இந்த 100,000 பதிலளித்தவர்களில் அமெரிக்க பெரியவர்கள் ஒரு எளிய சீரற்ற மாதிரி என்று நம்பவில்லை. உண்மையில், நீங்கள் அமெரிக்க மக்கள் தொகையில் உங்கள் பதிலளித்தவர்களில் ஒப்பிடும் போது, நீங்கள் சில மாநிலங்களில் (எ.கா., நியூயார்க்) இருந்து மக்கள் சில மாநிலங்களில் (எ.கா., அலாஸ்கா) இருந்து மேல் பிரதிநிதித்துவம் மற்றும் என்று மக்கள் கீழ்-குறிப்பிடப்படுகின்றன என்று கண்டுபிடிக்க. எனவே, உங்கள் மாதிரி வேலையின்மை விகிதம் இலக்கு மக்கள் வேலையின்மை விகிதம் ஒரு மோசமான மதிப்பீடு இருக்க வாய்ப்பு உள்ளது.

மாதிரி செயல்முறை நடந்தது என்று விலகல் மீளமை ஒரு வழி ஒவ்வொரு நபர் எடைகள் ஒதுக்க வேண்டும்; மாநிலங்களில் இருந்து மக்கள் குறைந்த எடைகள் மாதிரி (எ.கா., அலாஸ்கா) உள்ள கீழ்-குறிப்பிடப்படுகின்றன என்று மாநிலங்களில் இருந்து மக்கள் மாதிரி (எ.கா., நியூயார்க்) மற்றும் அதிக பருமன் மேல் பிரதிநிதித்துவம் என்று. மேலும் குறிப்பாக, ஒவ்வொரு பிரதிவாதியான எடை அமெரிக்க மக்கள் தொகையில் தங்கள் காணப்படுவது உங்கள் மாதிரி உறவினர் தங்கள் நோய்த்தாக்கம் தொடர்பான. இந்த மதிப்பு நடைமுறை பிந்தைய ஸ்டிராடிபிகேஷனால் அழைக்கப்படுகிறது, மற்றும் எடையுள்ள யோசனை அங்கு Rhode Island இருந்து பதிலளித்தவர்களில் கலிபோர்னியா இருந்து பதிலளித்தவர்களில் குறைவாக எடை வழங்கப்பட்டது பிரிவு 3.4.1 எடுத்துக்காட்டு உங்களுக்கு ஞாபகப்படுத்த வேண்டும். போஸ்ட்-ஸ்டிராடிபிகேஷனால் நீங்கள் குழுக்களாக உங்கள் பதிலளித்தவர்களில் வைக்க மற்றும் ஒவ்வொரு குழுவிலும் இலக்கு மக்கள் தொகையில் எனக்கு போதுமான தெரியும் என்று தேவைப்படுகிறது.

நிகழ்தகவு மாதிரி மற்றும் அல்லாத நிகழ்தகவு மாதிரி பலம் அதே கணித ரீதியாக (தொழில்நுட்ப இணைப்பு பார்க்க) என்றாலும், அவர்கள் வெவ்வேறு சூழல்களில் நன்றாக வேலை. ஆராய்ச்சியாளர் ஒரு சரியான நிகழ்தகவு மாதிரி (அதாவது, எந்த எல்லை பிழை நிலை இல்லை பதில்) இருந்தால், பின்னர் வெயிட்டிங் அனைத்து வழக்குகளில் அனைத்து பண்புகளை நடுநிலையான மதிப்பீடுகள் தயாரிக்கும். நிகழ்தகவு மாதிரிகள் வக்கீல்கள் அவர்களுக்கு மிகவும் கவர்ச்சிகரமான எனவேதான் பலமான கோட்பாட்டு உத்தரவாதம் உள்ளது. மறுபுறம், வெயிட்டிங் அல்லாத நிகழ்தகவு மாதிரிகள் மட்டுமே பதில் பற்றுகிறார்கள் ஒவ்வொரு குழுவிலும் அனைவருக்கும் அதே இருந்தால் அனைத்து பண்புகளை நடுநிலையான மதிப்பீடுகள் தயாரிக்கும். வேறு வார்த்தைகளில் கூறுவதானால், மீண்டும் பிந்தைய ஸ்டிராடிபிகேஷனால் பயன்படுத்தி நியூயார்க் அனைவருக்கும் பங்கு மற்றும் அலாஸ்காவில் எல்லோரும் பங்கேற்கும் மற்றும் அதே நிகழ்தகவு உள்ளது அதே நிகழ்தகவு இருந்தால் நடுநிலையான மதிப்பீடுகள் தயாரிக்கும், நமது உதாரணத்திற்கு நினைத்து. இந்த ஊகத்தை ஒரேவிதமான-பதில்-பற்றுகிறார்கள்-க்குள் குழுக்கள் அனுமானம் என்று அழைக்கப்படுகிறது, மற்றும் பிந்தைய ஸ்டிராடிபிகேஷனால் அல்லாத நிகழ்தகவு மாதிரிகள் நன்றாக வேலை செய்யும் என்றால் அது தெரிந்தும் ஒரு முக்கிய பங்கு வகிக்கிறது.

துரதிருஷ்டவசமாக, எங்கள் எடுத்துக்காட்டாக, ஒரேவிதமான-பதில்-பற்றுகிறார்கள்-க்குள் குழுக்கள் அனுமானம் உண்மையாக இருக்க சாத்தியம் தெரிகிறது. அதாவது, அது அலாஸ்கா அனைவருக்கும் உங்கள் ஆய்வு இருப்பது அதே நிகழ்தகவு உள்ளது என்று தோன்றுகிறது. ஆனால், அது இன்னும் உறுதியான போல் செய்ய, இது அனைத்து பிந்தைய ஸ்டிராடிபிகேஷனால் பற்றி மனதில் கொள்ள வேண்டிய மூன்று முக்கிய புள்ளிகள் உள்ளன.

முதல், ஒரேவிதமான-பதில்-பற்றுகிறார்கள்-க்குள் குழுக்கள் அனுமானம் குழுக்கள் எண்ணிக்கை அதிகரிக்கிறது என இன்னும் நம்பத்தகுந்த ஆகிறது. மற்றும், ஆராய்ச்சியாளர்கள் ஒரு ஒற்றை புவியியல் பரிமாணத்தை அடிப்படையில் குழுக்கள் மட்டுமே அல்ல. உதாரணமாக, நாம் மாநில, வயது, பாலினம், மற்றும் கல்வி நிலை அடிப்படையில் குழுக்களை உருவாக்க முடியும். அது 18-29 என்ற குழுவில் உள்ள ஒரேவிதமான பதில் பற்றுகிறார்கள் உள்ளது என்று மேலும் நம்பத்தகுந்த தெரிகிறது, பெண், கல்லூரி பட்டதாரிகள் அலாஸ்காவில் வாழும் மக்களில் குழுவில் உள்ள விட அலாஸ்கா வாழும். இவ்வாறு, பிந்தைய ஸ்டிராடிபிகேஷனால் அதிகரிக்கும் பயன்படுத்தப்படும் குழுக்கள் எண்ணிக்கை, ஊகங்கள் அது இன்னும் நியாயமான ஆதரவு தேவைப்படும். இந்த உண்மையை கொடுக்கப்பட்ட, அது ஒரு ஆராய்ச்சியாளர்கள் பிந்தைய ஸ்டிராடிபிகேஷனால் குழுக்கள் ஒரு பெரிய எண் உருவாக்க வேண்டும் போல் தெரிகிறது. தரவு sparsity: ஆனால், குழுக்கள் எண்ணிக்கை அதிகரிக்கிறது என, ஆராய்ச்சியாளர்கள் ஒரு வித்தியாசமான பிரச்சனையை ரன். ஒவ்வொரு குழுவிலும் மக்கள் மட்டுமே ஒரு சிறிய எண்ணிக்கையிலான உள்ளன என்றால், மதிப்பீடுகள் இன்னும் நிச்சயமற்ற இருக்கும், மற்றும் தீவிர வழக்கில், அங்கு எந்த பதிலளித்தவர்களில் என்று ஒரு குழு உள்ளது, பின்னர் பிந்தைய ஸ்டிராடிபிகேஷனால் முற்றிலும் உடைக்கிறது. homogeneous- பதில்-நாட்டம்-க்குள் குழுக்கள் கருதுகோளின் சாத்தியமான மற்றும் ஒவ்வொரு குழுவிலும் நியாயமான மாதிரி அளவுகள் தேவை இடையே இந்த உள்ளார்ந்த பதற்றம் வெளியே இரண்டு வழிகள் உள்ளன. ஒரு அணுகுமுறை எடைகள் கணக்கிடும் ஒரு சிக்கலான புள்ளிவிவர மாதிரி செல்ல உள்ளது மற்றும் பிற ஒவ்வொரு குழுவிலும் நியாயமான மாதிரி அளவுகள் உறுதி உதவுகிறது இது ஒரு பெரிய, இன்னும் பல்வேறு மாதிரி, சேகரிக்க உள்ளது. மற்றும், சில நேரங்களில் ஆராய்ச்சியாளர்கள் இரு, நான் கீழே இன்னும் விரிவாக விவரிக்க வேண்டும் என செய்ய.

அல்லாத நிகழ்தகவு மாதிரிகளில் இருந்து பிந்தைய ஸ்டிராடிபிகேஷனால் பணிபுரியும் போது இரண்டாவது காரணம் ஒரேவிதமான-பதில்-நாட்டம்-க்குள் குழுக்கள் அனுமானம் நிகழ்தகவு மாதிரிகள் பகுப்பாய்வு போது ஏற்கனவே அடிக்கடி செய்யப்படுகிறது என்று. இந்த ஊகத்தை நடைமுறையில் நிகழ்தகவு மாதிரிகள் தேவைப்படும் என்று காரணம் நிகழ்தகவு மாதிரிகள் அல்லாத பதில் வேண்டும் என்று, மற்றும் மேலே விவரிக்கப்பட்டது போல் அல்லாத பதில் சரி மிகவும் பொதுவான முறை பிந்தைய ஸ்டிராடிபிகேஷனால் உள்ளது. நிச்சயமாக, பல ஆராய்ச்சியாளர்கள் சில ஊகத்தின் நீங்கள் அதை செய்ய வேண்டும் என்று அர்த்தம் இல்லை செய்ய தான். ஆனால், நடைமுறையில் அது நிகழ்தகவு மாதிரிகள் அல்லாத நிகழ்தகவு மாதிரிகள் ஒப்பிடும் போது, நாங்கள் இருவரும் மதிப்பீடுகள் பொருட்டு யூகங்கள் மற்றும் துணை தகவல்களை அடிப்படையாகக் என்பதை நினைவில் வைக்க வேண்டும் என்று அர்த்தம். மிகவும் யதார்த்தமான அமைப்புகள், வெறுமனே அனுமானம் எந்த அனுமானத்தில் இலவச அணுகுமுறை ஆகும்.

இறுதியாக, நீங்கள் எங்கள் உதாரணமாக வேலையின்மை குறிப்பாக சுமார் ஒரு மதிப்பீட்டின்படி அக்கறை இருந்தால் விகிதம் பின்னர் நீங்கள் ஒரேவிதமான-பதில்-நாட்டம்-க்குள் குழுக்கள் அனுமானம் விட பலவீனமான ஒரு நிலை வேண்டும். குறிப்பாக, நீங்கள் மட்டும், ஒவ்வொரு குழுவிலும் பதில் நாட்டம் மற்றும் வேலையின்மை விகிதம் இடையே எந்த தொடர்பும் இல்லை என்று கருதி வேண்டும், அனைவருக்கும் ஒரே பதில் நாட்டம் என்று கருதி தேவையில்லை. நிச்சயமாக, இந்த பலவீனமான நிலையில் சில சூழ்நிலைகளில் நடத்த மாட்டேன். உதாரணமாக, தன்னார்வ வேலை செய்ய வேண்டும் என்று அமெரிக்கர்கள் விகிதம் மதிப்பிடும் கற்பனை. தன்னார்வ வேலை செய்ய மக்கள் ஒரு ஆய்வில் ஒப்புக்கொள்கிறேன் வாய்ப்பு அதிகமாக இருக்கிறது என்றால், ஆராய்ச்சியாளர்கள் சாப்பிடுவேன் முறையாக மேல்-மதிப்பிட, தன்னார்வ அளவு அவர்கள், மூலம் அனுபவத்தால் என்பது நிரூபணம் ஆகியுள்ளது என்று விளைவாக பிந்தைய ஸ்டிராடிபிகேஷனால் மாற்றங்களை செய்ய கூட Abraham, Helms, and Presser (2009) .

நான் முன்பு கூறியது போல், அல்லாத நிகழ்தகவு மாதிரிகள் பெரும் அவநம்பிக்கையுடன் சமூக விஞ்ஞானிகள், பகுதியளவு காரணம் சர்வே ஆராய்ச்சி ஆரம்ப நாட்களில் மிகவும் இக்கட்டான தோல்விகள் சில தங்கள் பங்கை பார்க்கப்படும். எவ்வளவு தூரம் நாம் அல்லாத நிகழ்தகவு மாதிரிகள் கொண்டு வந்திருக்கிறேன் தெளிவான உதாரணமாக சரியாக அமெரிக்க எக்ஸ்பாக்ஸ் செய்த ஒரு அல்லாத நிகழ்தகவு மாதிரி பயன்படுத்தி 2012 அமெரிக்க தேர்தல் முடிவு எப்படி மீளவில்லை என்று வேய் வாங், டேவிட் ரோத்ஸ்சைல்ட், சரத் கோயல், மற்றும் ஆண்ட்ரூ Gelman ஆராய்ச்சியின் அமெரிக்கர்கள் -a தீர்மானகரமான அல்லாத சீரற்ற மாதிரி (Wang et al. 2015) . ஆராய்ச்சியாளர்கள் எக்ஸ்பாக்ஸ் விளையாட்டு அமைப்பு இருந்து பதிலளித்தவர்களில் தேர்வு செய்தது, நீங்கள் எதிர்பார்ப்பது போல, எக்ஸ்பாக்ஸ் மாதிரி ஆண் வளைக்கப்பட்டது மற்றும் இளம் வளைக்கப்பட்டது: 18 - 29 வயதுள்ள வாக்காளர்களில் 19% ஆனால் எக்ஸ்பாக்ஸ் மாதிரி 65% வரை செய்ய மற்றும் ஆண்கள், 47% வரை செய்ய வாக்காளர்கள் மற்றும் எக்ஸ்பாக்ஸ் மாதிரி (படம் 3.4) 93% என்ற. ஏனெனில் இந்த வலுவான மக்கள் தொகை சார்புநிலைகளின், மூல எக்ஸ்பாக்ஸ் தரவு தேர்தல் முடிவுகளை ஒரு ஏழை காட்டி இருந்தது. அது பராக் ஒபாமா மீது மிட் ரோம்னி ஒரு வலுவான வெற்றி எனக். மீண்டும், இந்த மூல, unadjusted அல்லாத நிகழ்தகவு மாதிரிகள் ஆபத்துக்களை மற்றொரு உதாரணம் ஆகும் மற்றும் இலக்கிய டைஜஸ்ட் படுதோல்விக்கு நினைவூட்டுவதாக உள்ளது.

படம் 3.4: வாங் மற்றும் பலர் பதிலளித்தவர்களில் மக்கள் வகைப்பாடு. (2015). பதிலளித்தவர்களில் எக்ஸ்பாக்ஸ் இருந்து ஆட்சேர்ப்பு, அவை இளம் மற்றும் 2012 தேர்தலில் ஆண், வாக்காளர்கள் தொடர்புடைய இருக்க அதிக வாய்ப்பு இருக்கும் அதிகமாக இருந்தது.

படம் 3.4: பதிலளித்தவர்களில் மக்கள் வகைப்பாடு Wang et al. (2015) . பதிலளித்தவர்களில் எக்ஸ்பாக்ஸ் இருந்து ஆட்சேர்ப்பு, அவை இளம் மற்றும் 2012 தேர்தலில் ஆண், வாக்காளர்கள் தொடர்புடைய இருக்க அதிக வாய்ப்பு இருக்கும் அதிகமாக இருந்தது.

எனினும், வாங் மற்றும் சக இந்த பிரச்சினைகள் பற்றி அறிந்திருந்தனர் மற்றும் மாதிரி செயல்முறை சரிசெய்வதற்கு பதிலளித்தவர்களில் எடை முயற்சித்தார். குறிப்பாக, அவர்கள் பிந்தைய ஸ்டிராடிபிகேஷனால் நான் பற்றி கூறினார் மிக நவீன வடிவம் பயன்படுத்தப்படும். அது பிந்தைய ஸ்டிராடிபிகேஷனால் பற்றி உள்ளுணர்வு உருவாக்குகிறார் ஏனெனில் அவர்களின் அணுகுமுறை பற்றி ஒரு பிட் மேலும் கற்றல் மதிப்பு, மற்றும் பயன்படுத்தப்படும் குறிப்பிட்ட பதிப்பு வாங் மற்றும் சக வெயிட்டிங் அல்லாத நிகழ்தகவு மாதிரிகள் மிகவும் பரபரப்பான அணுகுமுறைகள் ஒன்றாகும்.

பிரிவு 3.4.1 வேலையின்மை திட்டமிடவும் பற்றி எங்கள் எளிய உதாரணம், நாம் வசிக்கும் மாநில அடிப்படையில் குழுக்களாக மக்கள் பிரிக்கப்பட்டுள்ளது. மாறாக, வாங் மற்றும் அவரது சகாக்கள் வரையறுக்கப்பட்ட 176.256 குழுக்களாக மக்களை பிரித்து: பாலினம் (2 பிரிவுகள்), இனம் (4 பிரிவுகள்), வயது (4 பிரிவுகள்), கல்வி (4 பிரிவுகள்), அரசு (51 வகைகள்), கட்சி ஐடி (3 பிரிவுகள்), சித்தாந்தம் (3 பிரிவுகள்) மற்றும் 2008 வாக்கு (3 பிரிவுகள்). இன்னும் குழுக்கள் கொண்டு, ஆராய்ச்சியாளர்கள் அது ஒவ்வொரு குழுவிலும், பதில் நாட்டம் ஒபாமா ஆதரவு ஆகிய தரப்பினர்கள் என்று பெருகிய முறையில் வாய்ப்பு இருக்கும் என நம்பினர். அடுத்து, மாறாக நாம் எடுத்துக்காட்டாக செய்தது போல், தனிப்பட்ட நிலை எடைகள் கட்டும் விட, வாங் மற்றும் சக ஒரு சிக்கலான மாதிரி ஒபாமா ஆதரவாக வாக்களிப்பார்கள் என்று ஒவ்வொரு குழுவிலும் மக்கள் விகிதம் மதிப்பிட பயன்படுத்தலாம். இறுதியாக, அவர்கள் ஆதரவு அளவிற்கு உத்தேச ஒட்டுமொத்த அளவில் தயாரிக்க ஒவ்வொரு குழு அறியப்பட்ட அளவு ஆதரவு இந்த குழு மதிப்பீடுகள் இணைந்து. வேறு வார்த்தைகளில் கூறுவதானால், அவர்கள் மக்கள் பல்வேறு குழுக்களாக, நறுக்கப்பட்ட ஒவ்வொரு குழுவிலும் ஒபாமா ஆதரவு மதிப்பிடப்பட்டுள்ளது, பின்னர் ஒரு ஒட்டுமொத்த மதிப்பீடு தயாரிக்க குழு மதிப்பீடுகளின் சராசரி நடந்தது.

இவ்வாறு, தங்கள் அணுகுமுறையில் பெரிய சவால் இந்த 176.256 ஒவ்வொரு குழுவிலும் ஒபாமா ஆதரவு மதிப்பீடு ஆகும். தங்கள் குழு 345.858 தனிப்பட்ட பங்கேற்பாளர்கள், தேர்தலுக்கு தரத்தை மூலம் ஒரு பெரிய எண் சேர்க்கப்பட்டுள்ளது, எனினும், வாங் மற்றும் சக கிட்டத்தட்ட எந்த பதிலளித்தவர்களில் வேண்டிய பல, பல குழுக்கள் இருந்தன. எனவே, ஆராய்ச்சியாளர்கள் அன்பாக பதைபதைத்துப் ஒரு குறிப்பிட்ட குழுவில் உள்ள ஒபாமா ஆதரவு மதிப்பிட, அடிப்படையில் அழைக்க இது, திரு குளங்கள் பல இருந்து தகவல் பிந்தைய ஸ்டிராடிபிகேஷனால் உடன் பலநிலை பின்னடைவு என்று அவர்கள் ஒரு தொழில் நுட்பம் பயன்படுத்தப்படுகிறது ஒவ்வொரு குழு, ஆதரவு மதிப்பிட நெருக்கமாக தொடர்புடைய குழுக்கள். உதாரணமாக, பழைய 18-29 ஆண்டுகளுக்கு இடையே,, பெண் ஹிஸ்பானியர்கள் மத்தியில் ஒபாமா ஆதரவு மதிப்பிடும் சவாலாக அமையும் கல்லூரி பட்டதாரிகள், மிதவாதிகள் என தங்களை அடையாளம் ஜனநாயகக் கட்சியினர் பதிவு செய்யப்பட்ட, யார் என்றும், மேலும் 2008 ம் ஆண்டு ஒபாமாவுக்கு வாக்களித்த ஒரு மிக, மிக, குறிப்பிட்ட குழுவின் உள்ளது, அது இந்த பண்புகள் மாதிரி உள்ளே யாரும் இல்லை என்று சாத்தியம். எனவே, இந்த குழு பற்றி மதிப்பீடுகள் செய்ய, திரு குளங்கள் ஒன்றாக மிகவும் ஒத்த குழுக்களிடையே இருந்து மதிப்பிட்டுள்ளது.

இந்த ஆய்வு உத்தியை பயன்படுத்தி, வாங் மற்றும் சக (படம் 3.5) மிக நெருக்கமாக ஒபாமா 2012 தேர்தலில் பெற்ற என்று ஒட்டுமொத்த ஆதரவு மதிப்பிட எக்ஸ்பாக்ஸ் அல்லாத நிகழ்தகவு மாதிரி பயன்படுத்த முடிந்தது. உண்மையில் தங்கள் மதிப்பீடுகள் பொது கருத்து கணிப்புக்கள் ஒரு மதிப்பீட்டு விட துல்லியமாக இருந்தது. இவ்வாறு, இந்த வழக்கில், வெயிட்டிங்-குறிப்பாக திரு அல்லாத நிகழ்தகவு தரவு பாகுபாடுகளை திருத்தும் ஒரு நல்ல வேலை செய்ய பி-தெரிகிறது; நீங்கள் unadjusted எக்ஸ்பாக்ஸ் தரவு மதிப்பீடுகள் பாருங்கள் போது தெரியும் என்று பாகுபாடுகளை.

படம் 3.5: வாங் மற்றும் பலர் மதிப்பீடுகள். (2015). Unadjusted எக்ஸ்பாக்ஸ் மாதிரி செம்மையற்ற மதிப்பீடுகளை தயாரித்தது. ஆனால், கனத்த எக்ஸ்பாக்ஸ் மாதிரி நிகழ்தகவு அடிப்படையிலான தொலைபேசி ஆய்வு சராசரியாக விட துல்லியமாக என்று மதிப்பிட்டுள்ளார் தயாரித்தது.

படம் 3.5: மதிப்பீடுகள் Wang et al. (2015) . Unadjusted எக்ஸ்பாக்ஸ் மாதிரி செம்மையற்ற மதிப்பீடுகளை தயாரித்தது. ஆனால், கனத்த எக்ஸ்பாக்ஸ் மாதிரி நிகழ்தகவு அடிப்படையிலான தொலைபேசி ஆய்வு சராசரியாக விட துல்லியமாக என்று மதிப்பிட்டுள்ளார் தயாரித்தது.

வாங் மற்றும் சக ஆய்வில் இருந்து இரண்டு முக்கிய பாடங்கள் உள்ளன. முதல், unadjusted அல்லாத நிகழ்தகவு மாதிரிகள் மோசமான மதிப்பீடுகள் ஏற்படலாம்; இந்த பல ஆராய்ச்சியாளர்கள் முன் கேள்விப்பட்டேன் என்று ஒரு பாடம். எனினும், இரண்டாவது பாடம் அல்லாத நிகழ்தகவு மாதிரிகள், ஒழுங்காக நிறை போது, உண்மையில் நன்றாக மதிப்பீடுகள் தயாரிக்க முடியும் என்று ஆகிறது. உண்மையில், தங்கள் மதிப்பீடுகள் pollster.com, மேலும் பாரம்பரிய தேர்தல் கணிப்பீடுகள் தொகுப்புகளின் மதிப்பீடுகள் விட துல்லியமாக இருந்தது.

இறுதியாக, நாம் இந்த ஒரு குறிப்பிட்ட ஆய்வில் இருந்து கற்று கொள்ள முடியும் என்பதை முக்கியமான வரம்புகள் உள்ளன. பிந்தைய ஸ்டிராடிபிகேஷனால் இந்த குறிப்பிட்ட வழக்கில் நன்றாக வேலை தான், அது மற்ற நேரங்களில் நன்கு வேலை என்று எந்த உத்தரவாதமும் கிடையாது. கருத்துக் கணிப்பு கிட்டத்தட்ட 100 ஆண்டுகளுக்கு தேர்தலில் படித்து வருகின்றனர் ஏனெனில் உண்மையில், தேர்தலில் ஒருவேளை எளிதான அமைப்புகளை ஒன்று, வழக்கமான கருத்து (நாங்கள் தேர்தலில் யார் வெற்றி பெற்றாலும் பார்க்க முடியும்), மற்றும் கட்சி அடையாள உள்ளது மற்றும் மக்கள் தொகை பண்புகள் வாக்களிக்கும் ஒப்பீட்டளவில் முன்னறிவிக்கும் உள்ளன. இந்த கட்டத்தில், நாம் திட கோட்பாடு மற்றும் அல்லாத நிகழ்தகவு மாதிரிகள் மதிப்பு மாற்றங்களை போதுமான துல்லியமான மதிப்பீடுகளைப் தயாரிக்கும் போது தெரிய அனுபவ அனுபவம் இல்லாத. தெளிவாக உள்ளது என்று ஒன்று, எனினும், நீங்கள் அல்லாத நிகழ்தகவு மாதிரிகள் வேலை செய்ய வேண்டிய கட்டாயம் என்றால், அங்கே அப்பொழுதுஇந்தக் சரிசெய்யப்பட்ட மதிப்பீடுகள் அல்லாத சரி மதிப்பீடுகளை விட நன்றாக இருக்கும் என்று நம்புவதற்கு பலமான காரணம்.