மேலும் வர்ணனை

இந்த பிரிவு ஒரு கதை என படிக்க வேண்டும் விட, ஒரு ஒப்பீடு பயன்படுத்த வேண்டும் வடிவமைக்கப்பட்டுள்ளது.

  • (பிரிவு 4.1)

சமூக ஆராய்ச்சி காரண காரியத் பற்றி கேள்விகள் அடிக்கடி சிக்கலான மற்றும் சிக்கலான உள்ளன. காரண வரைபடங்கள் அடிப்படையில் காரணகாரிய ஒரு அடித்தளமான அணுகுமுறை, பார்க்க Pearl (2009) , மற்றும் சாத்தியமான விளைவுகளை அடிப்படையாக ஒரு அடித்தளமான அணுகுமுறை, பார்க்க Imbens and Rubin (2015) (இந்த அதிகாரத்தில் தொழில்நுட்ப குடல்வால்). இந்த இரண்டு அணுகுமுறைகளுக்கு இடையே ஒரு ஒப்பிட்டு, பார்க்க Morgan and Winship (2014) . ஒரு confounder வரையறுக்கும் ஒரு சாதாரண அணுகுமுறை, பார்க்க VanderWeele and Shpitser (2013) .

அதிகாரத்தில், நான் சோதனை மற்றும் அல்லாத சோதனை தரவு இருந்து காரண மதிப்பீடுகள் செய்ய எங்கள் திறனை இடையே ஒரு பிரகாசமான வரி போல என்ன உருவாக்கப்பட்ட. உண்மையில், நான் வேறுபாட்டை தெளிவற்றதாக உள்ளது என்று நினைக்கிறேன். உதாரணமாக, அனைவருக்கும் புகை நாங்கள் மக்களை புகைபிடிக்க தூண்டுகிறது என்று ஒரு சமவாய்ப்பிட்டு கட்டுப்படுத்தப்பட்ட சோதனை செய்யப்படுவதற்கு இல்லை என்றாலும் புற்றுநோயை உருவாக்கும் ஏற்றுக்கொள்கிறார். அல்லாத சோதனை தரவு இருந்து காரண மதிப்பீடுகள் செய்து சிறந்த புத்தகம் நீளம் சிகிச்சைகளுக்கு பார்க்க Rosenbaum (2002) , Rosenbaum (2009) , Shadish, Cook, and Campbell (2001) , மற்றும் Dunning (2012) .

அத்தியாயங்கள் 1 மற்றும் 2 Freedman, Pisani, and Purves (2007) சோதனைகள், கட்டுப்படுத்தப்பட்ட சோதனைகள் இடையே வேறுபாடுகள் ஒரு தெளிவான அறிமுகம் வழங்க, மற்றும் கட்டுப்படுத்தப்பட்ட சோதனைகள் சமவாய்ப்பிட்ட.

Manzi (2012) சமவாய்ப்பிட்டு கட்டுப்படுத்தப்பட்ட சோதனைகள் தத்துவ மற்றும் புள்ளிவிவர அடித்தளத்தாங்குகள் ஒரு கண்கவர் மற்றும் வாசிக்கக்கூடிய அறிமுகம் வழங்குகிறது. இது மேலும் சோதனைக்கான சக்தி சுவாரஸ்யமான நிஜ உலக உதாரணங்கள் வழங்குகிறது.

  • சோதனைகள் யாவை? (பகுதி 4.2)

Casella (2008) , Box, Hunter, and Hunter (2005) , Athey and Imbens (2016b) சோதனை வடிவமைப்பு மற்றும் பகுப்பாய்வுப் புள்ளியியல் அம்சங்களிலும் நல்ல அறிமுகங்கள் வழங்கும். பொருளாதாரம்: மேலும், பல்வேறு துறைகளில் பரிசோதனைகள் பயன்படுத்த சிறந்த சிகிச்சைகள் உள்ளன (Bardsley et al. 2009) , சமூகவியல் (Willer and Walker 2007; Jackson and Cox 2013) , உளவியல் (Aronson et al. 1989) , அரசியல் அறிவியல் (Morton and Williams 2010) , மற்றும் சமூக கொள்கை (Glennerster and Takavarasha 2013) .

பங்கு ஆட்சேர்ப்பு (எ.கா., மாதிரி) முக்கியத்துவம் சோதனை ஆராய்ச்சி பாராட்டப்பட்டது கீழ் அடிக்கடி. எனினும், சிகிச்சை விளைவு மக்கள் தொகையில் பலவகைப்பட்ட இருக்கிறது என்றால், பின்னர் மாதிரி மோசமாக உள்ளது. Longford (1999) அவர் ஏடாகூடமான மாதிரி ஒரு மக்கள் தொகை கணக்கெடுப்பு போன்ற சோதனைகள் நினைத்து ஆராய்ச்சியாளர்கள் வழக்கறிஞர்களாகவும் போது தெளிவாக இந்த புள்ளி வைக்கும்.

  • சோதனைகள் இரண்டு பரிமாணங்களை: ஆய்வு துறையில் மற்றும் அனலாக்-டிஜிட்டல் (பிரிவு 4.3)

நான் ஆய்வு மற்றும் துறையில் சோதனைகள் இடையே வழங்கினார் என்று இருகூறுப் ஒரு பிட் எளிதாக உள்ளது. உண்மையில், மற்ற ஆராய்ச்சியாளர்கள் துறையில் சோதனைகள் பல்வேறு வடிவங்களில் பிரிக்க என்று குறிப்பிட்ட தான், மேலும் விரிவான வகைப்பாடுகள் முன்மொழியப்பட்டது (Harrison and List 2004; Charness, Gneezy, and Kuhn 2013) . கணக்கெடுப்பு சோதனைகள் மற்றும் சமூக சோதனை சர்வே சோதனைகள் ஏற்கனவே ஆய்வுகள் உள்கட்டமைப்பு வசதிகளை பயன்படுத்தி சோதனைகள் மற்றும் மாற்று பதிப்புகள் பதில்களை ஒப்பிட்டு: மேலும், அங்கு சமூக விஞ்ஞானிகள் பாடினார் சோதனைகள் ஆய்வக மற்றும் துறையில் இரட்டைத் தன்மையை சரியாக பொருந்தும் என்று மற்ற இரண்டு வகைகள் உள்ளன. அதே கேள்விகளை (சில ஆய்வு சோதனைகள் அத்தியாயம் 3 வழங்கப்படுகிறது); கணக்கெடுப்பு சோதனைகள் மேலும் பார்க்க Mutz (2011) . சமூக சோதனைகள் சிகிச்சை ஒரு அரசாங்கம் மட்டுமே செயல்படுத்தப்பட முடியும் என்று சில சமூக கொள்கை எங்கே சோதனைகள் உள்ளன. சமூக சோதனைகள் நெருக்கமாக மதிப்பீடு நிரல் தொடர்பான. கொள்கை சோதனைகள் மேலும் காண்க, Orr (1998) , Glennerster and Takavarasha (2013) , மற்றும் Heckman and Smith (1995) .

ஆவணங்களை ஒரு எண் சுருக்கம் ஆய்வு மற்றும் துறையில் சோதனைகள் ஒப்பிடுகின்றனர் (Falk and Heckman 2009; Cialdini 2009) மற்றும் அரசியல் அறிவியல் குறிப்பிட்ட சோதனைகள் விளைவுகளை அடிப்படையில் (Coppock and Green 2015) , பொருளாதாரம் (Levitt and List 2007a; Levitt and List 2007b; Camerer 2011; Al-Ubaydli and List 2013) மற்றும் உளவியல் (Mitchell 2012) . Jerit, Barabas, and Clifford (2013) ஆய்வு மற்றும் துறையில் சோதனைகள் இருந்து முடிவுகளை ஒப்பிட்டு ஒரு நல்ல ஆராய்ச்சி வடிவமைப்பு வழங்குகிறது.

அவர்கள் நெருங்கிய வருகின்றன சில நேரங்களில் தேவை விளைவுகள் அழைக்கப்படுகின்றன தெரியும், அவர்கள் உளவியல் ஆய்வு ஏனெனில் அவர்களின் நடத்தை மாற்ற பங்கேற்பாளர்கள் பற்றிய கவலைகள் (Orne 1962) மற்றும் பொருளாதாரம் (Zizzo 2009) . பெரும்பாலும் ஆய்வக சோதனைகள் தொடர்புடைய என்றாலும் இதே பிரச்சனைகள் அதே துறையில் சோதனைகள் பிரச்சினைகளை ஏற்படுத்தும். உண்மையில், தேவை விளைவுகள் கூட சில நேரங்களில் ஹாதோர்ன் விளைவுகள் ஒரு துறையில் சோதனை இருந்து பெறப்பட்டது என்று ஒரு கால, மேற்கத்திய மின்சார குழுமம் ஹாதோர்ன் தொழிற்சாலையில் 1924 ல் தொடங்கியது என்று குறிப்பாக பிரபலமான வெளிச்சம் சோதனைகள் அழைக்கப்படுகின்றன, (Adair 1984; Levitt and List 2011) . (மேலும் பார்க்க இருவரும் தேவை விளைவுகள் மற்றும் ஹாவ்தோர்ன் விளைவுகள் நெருக்கமாக பாடம் 2 விவாதிக்கப்படும் எதிர்வினை அளவீடு யோசனை தொடர்பான Webb et al. (1966) ).

துறையில் சோதனைகள் வரலாறு பொருளாதாரம் விவரித்தார் (Levitt and List 2009) , அரசியல் அறிவியல் (Green and Gerber 2003; Druckman et al. 2006; Druckman and Lupia 2012) , உளவியல் (Shadish 2002) , மற்றும் பொது கொள்கை (Shadish and Cook 2009) . துறையில் சோதனைகள் விரைவில் பிரபலமாகியிருந்தன அங்கு சமூக அறிவியல் ஒரு பகுதியில் சர்வதேச வளர்ச்சி ஆகும். பொருளாதாரம் உள்ள அந்த வேலை ஒரு நேர்மறையான விமர்சனம் பார்க்கவும் Banerjee and Duflo (2009) , மற்றும் ஒரு முக்கியமான மதிப்பீடு பார்க்க Deaton (2010) . அரசியல் அறிவியல் இந்த வேலை ஒரு ஆய்வு பார்க்க Humphreys and Weinstein (2009) . இறுதியாக, துறையில் சோதனைகளில் ஈடுபட்டு நெறிமுறை சவால்களை அரசியல் அறிவியல் தேடப்பட்டு வந்திருக்கிறது (Humphreys 2015; Desposato 2016b) மற்றும் வளர்ச்சி பொருளாதாரம் (Baele 2013) .

அதிகாரத்தில், நான் முன் சிகிச்சை தகவல் மதிப்பிடப்பட்டுள்ளது சிகிச்சை விளைவுகள் நுணுக்கத்தை முன்னேற்ற பயன்படுத்த முடியும் என்று கருத்து, ஆனால் இந்த அணுகுமுறை பற்றி சில விவாதம் உள்ளது: Freedman (2008) , Lin (2013) , மற்றும் Berk et al. (2013) ; பார்க்க Bloniarz et al. (2016) மேலும் தகவலுக்கு.

  • எளிய பரிசோதனைகள் அப்பால் நகர்ந்து (பகுதி 4.4)

செல்லுபடியாகும், சிகிச்சை விளைவுகள் பலபடித்தான, மற்றும் வழிமுறைகள்: நான் மூன்று கருத்துக்களையும் கவனம் செலுத்த தேர்வு. இந்த கருத்துக்கள் பல்வேறு துறைகளில் வெவ்வேறு பெயர்களை கொண்டிருக்கும். எடுத்துக்காட்டாக, உளவியல் நிபுணர்கள் மத்தியஸ்தர்களாக மற்றும் நிர்வாகிகள் மீது கவனம் செலுத்துவதன் மூலம் எளிய சோதனைகள் தாண்டி செல்ல முனைகின்றன (Baron and Kenny 1986) . மத்தியஸ்தர்களாக யோசனை நான் வழிமுறைகள் அழைக்க என்ன கைப்பற்றப்பட்டது, மற்றும் நெறியாளர்கள் யோசனை நான் வெளிப்புற செல்லுபடியாகும் (எ.கா., அது வெவ்வேறு சூழ்நிலைகளில் ரன் என்றால் சோதனையின் முடிவுகள் வித்தியாசமாக இருக்க வேண்டும்) மற்றும் சிகிச்சை விளைவுகள் பலபடித்தான (அழைக்க என்ன கைப்பற்றப்பட்டது எ.கா., மற்ற மக்கள் விட சில மக்கள்) பெரிய விளைவுகள் உள்ளன.

சோதனை Schultz et al. (2007) பயனுள்ள தலையீடுகள் வடிவமைக்க பயன்படுத்த முடியும் சமூக கோட்பாடுகள் எப்படி காட்டுகிறது. பயனுள்ள தலையீடுகள் வடிவமைத்தல் கோட்பாடு பங்கு பற்றி ஒரு பொது வாதம், பார்க்க Walton (2014) .

  • ஏற்றுக்கொள்ளக் கூடிய (பிரிவு 4.4.1)

உள் மற்றும் வெளி செல்லுபடியாகும் கருத்துக்கள் முதல் ஆண்டில் அறிமுகமானது Campbell (1957) . பார்க்க Shadish, Cook, and Campbell (2001) , ஒரு விரிவான வரலாறு மற்றும் புள்ளியியல் முடிவுக்கு செல்லுபடியாகும், உள் செல்லுபடியாகும் கவனமாக விரிவாக்கம் செல்லுபடியாகும், மற்றும் வெளிப்புற செல்லுபடியாகும் கட்டும்.

சோதனைகள் புள்ளிவிவர முடிவுக்கு செல்லுபடியாகும் தொடர்பான பிரச்சினைகள் ஒரு பார்வைக்கு பார்க்கவும் Gerber and Green (2012) (ஒரு சமூக அறிவியல் கண்ணோட்டத்தில்) மற்றும் Imbens and Rubin (2015) (ஒரு புள்ளிவிவர முன்னோக்கிற்காக). ஆன்லைன் துறையில் சோதனைகள் குறிப்பாக எழும் புள்ளிவிவர முடிவுக்கு செல்லுபடியாகும் சில பிரச்சினைகள் போன்ற சார்ந்து தரவு நம்பக இடைவெளிகள் உருவாக்கும் கணக்கீட்டு திறமையான முறைகளில் பிரச்சினைகள் அடங்கும் (Bakshy and Eckles 2013) .

உள்நாட்டு செல்லுபடியாகும் சிக்கலான துறையில் சோதனைகளில் உறுதி கடினமாக இருக்கும். உதாரணமாக, பார்க்கவும் Gerber and Green (2000) , Imai (2005) , மற்றும் Gerber and Green (2005) வாக்குப்பதிவு ஒரு சிக்கலான துறையில் சோதனை அமுல்படுத்துவது பற்றி விவாதம் நடத்தப்பட. Kohavi et al. (2012) மற்றும் Kohavi et al. (2013) ஆன்லைன் துறையில் பரிசோதனைகள் இடைவெளி செல்லுபடியாகும் சவால்களை ஒரு அறிமுகம் வழங்கும்.

உள் செல்லுபடியாகும் ஒரு பெரிய கவலை அமைத்தல் பிரச்சினைகள் உள்ளது. திறன் அமைத்தல் பிரச்சினைகள் கண்டறிய ஒரு வழி காணக்கூடிய பண்புகளை சிகிச்சை மற்றும் கட்டுப்பாட்டு குழுக்கள் ஒப்பிட்டு ஆகிறது. ஒப்பீடு இந்த வகையான ஒரு சமநிலை காசோலை அழைக்கப்படுகிறது. பார்க்க Hansen and Bowers (2008) காசோலைகள் சமப்படுத்த, பார்க்க ஒரு புள்ளிவிவர அணுகுமுறை Mutz and Pemantle (2015) சமநிலை காசோலைகள் பற்றி கவலைகள். உதாரணமாக, ஒரு சமநிலை பயன்படுத்தி பார்க்கலாம் Allcott (2011) அமைத்தல் OPower சோதனைகள் சில பரிசோதனைகள் மூன்று சரியாக செயல்படுத்தப்படவில்லை என்று சில சான்றுகள் உள்ளன என்று கண்டறியப்பட்டது (அட்டவணை 2 பார், தளங்கள் 2, 6, 8). மற்ற அணுகுமுறைகள், பார்க்க Imbens and Rubin (2015) , பாடம் 21.

உள் செல்லுபடியாகும் தொடர்பான மற்ற முக்கிய கவலைகள் உள்ளன: 1) ஒரு தரப்பு அல்லாத இணக்கம் சிகிச்சை குழு உள்ள அனைவருக்கும் உண்மையில் அங்கே சிகிச்சை பெற்றேன், 2) இரண்டு அல்லாத இணக்கம் சிகிச்சை குழு உள்ள அனைவருக்கும் சிகிச்சை மற்றும் சில பெறும் பக்கம் சாய்ந்தது கட்டுப்பாட்டு குழு மக்கள் சிகிச்சை மேற்பட்ட மக்கள் இருந்து சிகிச்சை நிலையில் கட்டுப்பாடு நிலையில் மக்கள் கொட்டிவிட்டால் எங்கே சிகிச்சை, 3) தேய்வு, விளைவுகளை சில பங்கேற்பாளர்கள் அளவிடப்படுகிறது இல்லை எங்கே, மற்றும் 4) குறுக்கீடு, பெற. பார்க்க Gerber and Green (2012) அத்தியாயங்கள் 5, 6, 7, மற்றும் இந்த பிரச்சினைகள் ஒவ்வொரு மீது மேலும் 8.

கட்டமைப்பாக செல்லுபடிக்காலத்திலேயே மேலும் காண்க, Westen and Rosenthal (2003) , மற்றும் பெரிய தரவு மூலங்கள் நிர்மாணிக்கவுள்ளது செல்லுபடியாகும், மீது மேலும் Lazer (2015) மற்றும் இப்புத்தகத்தின் 2.

வெளி செல்லுபடியாகும் ஒரு அம்சம், அங்கு ஒரு தலையீடு சோதனை அமைப்பு ஆகும். Allcott (2015) தளம் தேர்வு கோடல் ஒரு கவனமாக கோட்பாடு மற்றும் ஆளக்கூடிய சிகிச்சை அளிக்கப்படுகிறது. இப்பிரச்சினை தொடர்பாக விவாதிக்கப்படுகிறது Deaton (2010) . பல தளங்களில் சுழலத்தொடங்குவதோடு கூடுதலாக, வீட்டு எரிசக்தி அறிக்கை தலையீடு பல ஆராய்ச்சி குழுக்களால் சுதந்திரமாக ஆய்வு செய்யப்பட்டு வருகிறது (எ.கா., Ayres, Raseman, and Shih (2013) ).

  • சிகிச்சை விளைவுகள் வேறுபாட்டு (பிரிவு 4.4.2)

துறையில் சோதனைகள் சிகிச்சை விளைவுகள் வேறுபாட்டில் ஒரு சிறந்த கண்ணோட்டத்திற்கு, என்ற அத்தியாயம் 12 பார்க்க Gerber and Green (2012) . மருத்துவ பரிசோதனைகளில் சிகிச்சை விளைவுகள் பலபடித்தான அறிமுகங்கள், பார்க்க Kent and Hayward (2007) , Longford (1999) , மற்றும் Kravitz, Duan, and Braslow (2004) . சிகிச்சை விளைவுகள் வேறுபாட்டு பொதுவாக முன் சிகிச்சை பண்புகள் அடிப்படையில் வேறுபாடுகள் கவனம். நீங்கள் பிந்தைய சிகிச்சை விளைவுகளை அடிப்படையாக வேறுபாட்டில் உள்ள ஆர்வமாக இருந்தால், பின் இன்னும் சிக்கலான approachs போன்ற முக்கிய ஸ்டிராடிபிகேஷனால் தேவைப்படும் (Frangakis and Rubin 2002) ; பார்க்க Page et al. (2015) ஒரு ஆய்வு.

பல ஆராய்ச்சியாளர்கள் நேரியல் பின்னடைவு பயன்படுத்தி சிகிச்சை விளைவுகள் பலபடித்தான மதிப்பிட, ஆனால் புதிய முறைகள் உதாரணமாக, இயந்திரம் கற்றல் தங்கியிருக்க Green and Kern (2012) , Imai and Ratkovic (2013) , Taddy et al. (2016) , மற்றும் Athey and Imbens (2016a) .

ஏனெனில் பல ஒப்பீடு பிரச்சினைகள் மற்றும் ". மீன்பிடி" பல ஒப்பீடு பற்றி முகவரியை கவலைகளை உதவ முடியும் என்று புள்ளிவிவர பல்வேறு அணுகுமுறைகள் உள்ளன விளைவுகளை பலபடித்தான கண்டுபிடிப்புகள் பற்றி சில சந்தேகங்கள் உள்ளன (Fink, McConnell, and Vollmer 2014; List, Shaikh, and Xu 2016) . "மீன்பிடி" பற்றி கவலை ஒரு அணுகுமுறை முன் பதிவு, உளவியல் பொதுவாக அதிகரித்து வருகிறது இது (Nosek and Lakens 2014) , அரசியல் அறிவியல் (Humphreys, Sierra, and Windt 2013; Monogan 2013; Anderson 2013; Gelman 2013; Laitin 2013) , மற்றும் பொருளாதாரம் (Olken 2015) .

ஆய்வில் Costa and Kahn (2013) சோதனையில் குடும்பங்களின் மட்டும் சுமார் அரை மக்கள் தொகை தகவல் இணைக்கப்பட வேண்டும் முடிந்தது. இந்த ஆய்வு விவரங்கள் மற்றும் சாத்தியமான பிரச்சினைகள் ஆர்வம் வாசகர்கள் அசல் காகித பார்க்கவும் வேண்டும்.

  • வகைமுறைகள் (பிரிவு 4.4.3)

வழிமுறைகள் நம்பமுடியாத முக்கியம், ஆனால் அவர்கள் படிக்க மிகவும் கடினம் மாறிவிடும். வழிமுறைகள் பற்றி ஆராய்ச்சி நெருக்கமாக உளவியல் மத்தியஸ்தர்களாக ஆய்வு தொடர்பான (ஆனால் பார்க்க VanderWeele (2009) இரண்டு யோசனைகள் இடையே ஒரு துல்லியமான ஒப்பீடு). போன்ற அபிவிருத்தி அணுகுமுறை கண்டுபிடித்து வழிமுறைகள் புள்ளி அணுகுமுறைகள், Baron and Kenny (1986) , மிகவும் பொதுவான. துரதிருஷ்டவசமாக, அது அந்த நடைமுறைகள் சில வலுவான அனுமானங்களை சார்ந்து என்று மாறிவிடும் (Bullock, Green, and Ha 2010) மற்றும் ஒரு பல சூழ்நிலைகளில் எதிர்பார்க்க முடியும் என, பல வழிமுறைகள் உள்ளன போது பாதிக்கப்படுகின்றனர் (Imai and Yamamoto 2013; VanderWeele and Vansteelandt 2014) . Imai et al. (2011) மற்றும் Imai and Yamamoto (2013) சில மேம்பட்ட புள்ளியியல் முறைகள் வழங்குகின்றன. மேலும், VanderWeele (2015) உணர்திறன் பகுப்பாய்வு ஒரு விரிவான அணுகுமுறையை உட்பட முக்கியமான முடிவுகளை, ஒரு எண் ஒரு புத்தகம் நீளம் சிகிச்சை வழங்குகிறது.

ஒரு தனி அணுகுமுறை நேரடியாக நுட்பத்தை (எ.கா., கொடுத்து மாலுமிகள் வைட்டமின் சி) கையாள முயற்சிக்கும் என்று சோதனைகள் கவனம் செலுத்துகிறது. துரதிருஷ்டவசமாக, பல சமூக அறிவியல் அமைப்புகளை அங்கு அடிக்கடி பல வழிமுறைகள் உள்ளன, அது மற்றவர்களுக்கு மாற்றாமல் ஒரு மாற்ற சிகிச்சைகள் என்று வடிவமைக்க கடினமாக உள்ளது. சில அணுகுமுறைகள் பரிசோதனைமுறையாக மாற்றுவதன் வழிமுறைகள் விவரிக்கப்பட்டுள்ளன செய்ய Imai, Tingley, and Yamamoto (2013) , Ludwig, Kling, and Mullainathan (2011) , மற்றும் Pirlott and MacKinnon (2016) .

இறுதியாக, வழிமுறைகள் ஒரு நீண்ட வரலாறு அறிவியல் தத்துவம் உள்ள விவரிக்கப்படுகிறது வேண்டும் Hedström and Ylikoski (2010) .

  • இருக்கும் சூழலில் பயன்படுத்தி (பிரிவு 4.5.1.1)

பாகுபாடு அளவிட கடித ஆய்வுகள் மற்றும் தணிக்கை ஆய்வுகள் பயன்படுத்தி பற்றி மேலும் பார்க்க Pager (2007) .

  • உங்கள் சொந்த சோதனை கட்ட (பிரிவு 4.5.1.2)

நீங்கள் உருவாக்க என்று சோதனைகள் பங்கேற்பாளர்கள் சேர்த்துக்கொள்ள மிகவும் பொதுவான வழி அமேசான் மெக்கானிக்கல் துருக்கியர் (MTurk) உள்ளது. பாரம்பரிய ஆய்வக சோதனைகள் ஊதியம் மக்கள் MTurk போன்று தோற்றமளிக்கும் அம்சங்களிலும் அவர்கள் இலவச-பல ஆராய்ச்சியாளர்கள் செய்ய முடியாது என்று பணிகளை முடிக்க ஏனெனில் ஏற்கனவே பாரம்பரிய விட வேகமான மற்றும் மலிவான தரவு சேகரிப்பு விளைவாக மனித பாடங்களில் சோதனைகளில் பங்கு என Turkers (MTurk மீது தொழிலாளர்கள்) பயன்படுத்தி தொடங்கியுள்ளன வளாகத்தில் பரிசோதனைகள் (Paolacci, Chandler, and Ipeirotis 2010; Horton, Rand, and Zeckhauser 2011; Mason and Suri 2012; Rand 2012; Berinsky, Huber, and Lenz 2012) .

MTurk இருந்து ஆட்சேர்ப்பு பங்கேற்பாளர்கள் பரிசோதனைகள் மிகப்பெரிய பலம் விநியோக: அவை ஆராய்ச்சியாளர்கள் விரைவாகவும் தேவையான பங்கேற்பாளர்கள் சேர்த்துக்கொள்ள அனுமதிக்க. ஆய்வுக்கூடத்தில் சில சோதனைகள் இயக்க வாரங்கள் ஆகலாம் மற்றும் துறையில் சோதனைகள் அமைக்க அப் மாதங்கள் ஆகலாம் அதேசமயம், MTurk இருந்து ஆட்சேர்ப்பு பங்கேற்பாளர்கள் பரிசோதனைகள் நாட்கள் இயக்க முடியும். உதாரணமாக, Berinsky, Huber, and Lenz (2012) 8 நிமிடம் சோதனை பங்கேற்க ஒரே நாளில் 400 பாடங்களில் சேர்த்துக்கொள்ள முடிந்தது. மேலும், இந்த பங்கேற்பாளர்கள் (அதிகாரங்கள் 3 விவாதிக்கப்படும், ஆய்வுகள் மற்றும் வெகுஜன ஒத்துழைப்பு உட்பட மற்றும் 5) கிட்டத்தட்ட எந்த நோக்கத்திற்காக ஆட்சேர்ப்பு முடியும். ஆட்சேர்ப்பு இந்த எளிதாக ஆராய்ச்சியாளர்கள் விரைவான தொடர்புடைய சோதனைகள் காட்சிகளை இயக்க முடியும் என்று அர்த்தம்.

உங்கள் சொந்த சோதனைகள் MTurk இருந்து பங்கேற்பாளர்கள் ஆட்களை நியமிப்பதற்கு முன்னர், தெரிந்து கொள்ள நான்கு முக்கியமான விஷயங்கள் உள்ளன. முதல், பல ஆராய்ச்சியாளர்கள் Turkers சம்பந்தப்பட்ட சோதனைகள் ஒரு அல்லாத குறிப்பிட்ட ஐயுறவு வேண்டும். இந்த ஐயுறவு குறிப்பிட்ட அல்ல, ஏனெனில், அது ஆதாரம் கொண்டு எதிர்கொள்வதற்கு கடினமாக உள்ளது. எனினும், Turkers பயன்படுத்தி ஆய்வுகள் பல ஆண்டுகளுக்கு பிறகு, இப்போது நாம் இந்த ஐயுறவு குறிப்பாக அவசியம் இல்லை என்று ஒரு முடிவுக்கு வர முடியும். மற்ற மக்கள் மற்றும் பிற மக்கள்தொகையினரிடையே முடிவுகளை Turkers பரிசோதனைகள் முடிவுகள் ஒப்பிட்டுப் பல ஆய்வுகள் Turkers விளக்கப்படங்கள் ஒப்பிட்டு பல ஆய்வுகள் உள்ளன. இந்த வேலை கொடுக்கப்பட்ட, நான் நீங்கள் அதை பற்றி யோசிக்க சிறந்த வழி Turkers மிகவும் மாணவர்கள், ஆனால் சற்று அதிகமான பல்வேறு போன்ற, ஒரு நியாயமான வசதிக்காக மாதிரி என்று என்று நினைக்கிறேன் (Berinsky, Huber, and Lenz 2012) . இவ்வாறு, மாணவர்கள் சில ஒரு நியாயமான மக்கள் ஆனால் அனைத்து சோதனை ஆராய்ச்சி தான் என, Turkers சில ஒரு நியாயமான மக்கள் தொகையில் ஆனால் அனைத்து ஆராய்ச்சி உள்ளன. நீங்கள் Turkers கொண்டு வேலை செய்ய போகிறீர்கள் என்றால், அது இந்த ஒப்பீட்டு ஆய்வுகள் பல படித்து தங்கள் நுணுக்கங்களை புரிந்து அர்த்தமுள்ளதாக.

இரண்டாவது, ஆராய்ச்சியாளர்கள் துருக்கியர் சோதனைகள் உள் செல்லுபடியாகும் அதிகரித்து சிறந்த நடைமுறைகள் உருவாக்கப்பட்டது, மற்றும் நீங்கள் பற்றி அறிய இந்த சிறந்த நடைமுறைகள் பின்பற்ற வேண்டும் (Horton, Rand, and Zeckhauser 2011; Mason and Suri 2012) . உதாரணமாக, Turkers பயன்படுத்தி ஆராய்ச்சியாளர்கள் கவனக்குறைவான பங்கேற்பாளர்கள் நீக்க screeners பயன்படுத்த தூண்டும் (Berinsky, Margolis, and Sances 2014; Berinsky, Margolis, and Sances 2016) (ஆனால் பார்க்க DJ Hauser and Schwarz (2015b) மற்றும் DJ Hauser and Schwarz (2015a) ). நீங்கள் கவனக்குறைவான பங்கேற்பாளர்கள் நீக்க வேண்டாம் என்றால், பின்னர் சிகிச்சை எந்த விளைவு கவனக்குறைவான பங்கேற்பாளர்கள் இருந்து அறிமுகப்படுத்தப்பட்டது இரைச்சல் மூலம் கழுவ முடியும், மற்றும் நடைமுறையில் கவனக்குறைவான பங்கேற்பவர்களின் எண்ணிக்கை கணிசமான இருக்க முடியும். ஹூபர் மற்றும் சக சோதனையில் (2012) பங்கேற்பாளர்கள் சுமார் 30% அடிப்படை கவனத்தை screeners தோல்வி. Turkers கொண்டு மற்றொரு பிரச்சினை அல்லாத அப்பாவியாக பங்கேற்பாளர்கள் ஆகும் (Chandler et al. 2015) .

மூன்றாவது, டிஜிட்டல் சோதனைகள் மற்ற சில வடிவங்கள் உறவினர், MTurk சோதனைகள் அளவிட முடியாது; Stewart et al. (2015) எந்த நேரத்திலும் MTurk மீது மட்டும் சுமார் 7,000 பேர் உள்ளனர் என்று மதிப்பிட்டுள்ளது.

இறுதியாக, நீங்கள் MTurk அதன் சொந்த விதிகள் மற்றும் நெறிமுறைகளுக்கு கொண்ட ஒரு சமூகம் என்று தெரிந்து கொள்ள வேண்டும் (Mason and Suri 2012) . நீங்கள் உங்கள் சோதனைகள் இயக்க போகிறேன் அங்கு ஒரு நாட்டின் கலாச்சாரம் பற்றி கண்டுபிடிக்க முயற்சி என்று அதே வழியில், நீங்கள் கலாச்சாரம் மற்றும் Turkers நெறிகளை பற்றி மேலும் அறிய முயற்சிக்க வேண்டும் (Salehi et al. 2015) . மற்றும், நீங்கள் Turkers நீங்கள் பொருத்தமற்ற அல்லது நியாயமற்ற ஏதாவது உங்கள் சோதனை பற்றி பேசி இருக்க வேண்டும் என்று தெரிந்து கொள்ள வேண்டும் (Gray et al. 2016) .

MTurk அவர்கள் போன்ற, ஆய்வக போன்று இருக்கும் என்பதை, உங்கள் சோதனைகள் பங்கேற்பாளர்கள் சேர்த்துக்கொள்ள ஒரு நம்பமுடியாத வசதியான வழி Huber, Hill, and Lenz (2012) , அல்லது அதற்கு மேற்பட்ட துறையில் போன்ற, போன்ற Mason and Watts (2009) , Goldstein, McAfee, and Suri (2013) , Goldstein et al. (2014) , Horton and Zeckhauser (2016) , மற்றும் Mao et al. (2016) .

  • உங்கள் சொந்த தயாரிப்பு கட்ட (பிரிவு 4.5.1.3)

நீங்கள் உங்கள் சொந்த தயாரிப்பு உருவாக்க முயற்சி நினைக்கிறீர்கள் என்றால், நான் நீங்கள் MovieLens குழு வழங்கப்படும் ஆலோசனை படிக்க வேண்டும் என்று பரிந்துரைக்கிறோம் Harper and Konstan (2015) . தங்கள் அனுபவத்தில் இருந்து ஒரு முக்கிய பார்வையை ஒவ்வொரு வெற்றிகரமான திட்டம் பல, பல தோல்விகள் உள்ளன என்று. உதாரணமாக, MovieLens குழு போன்ற முழுமையான தோல்விகள் என்ற GopherAnswers மற்ற பொருட்கள் தொடங்கப்பட்டது (Harper and Konstan 2015) . ஒரு தயாரிப்பு உருவாக்க முயற்சிக்கும் போது தவறிய ஒரு ஆராய்ச்சியாளர் மற்றொரு உதாரணம் ஆர்டன் என்று ஒரு ஆன்லைன் விளையாட்டு கட்ட எட்வர்ட் Castronova முயற்சி ஆகும். நிதி $ 250,000 போதிலும், இந்த திட்டம் ஒரு தோல்வியாக இருந்தது (Baker 2008) . GopherAnswers மற்றும் ஆர்டன் போன்ற திட்டங்கள் துரதிருஷ்டவசமாக மிகவும் பொதுவான MovieLens போன்ற திட்டங்கள் விட. இறுதியாக, நான் வெற்றிகரமாக மீண்டும் சோதனைகளுக்காக கட்டப்பட்டது பொருட்கள் என்று வேறு எந்த ஆராய்ச்சியாளர்கள் தெரியாது என்று கூறிய போது, இங்கே என் அடிப்படை ஆகும்: 1) பங்கேற்பாளர்கள், ஏனெனில் அது அவர்களுக்கு எ.கா., அவர்கள் பணம் இல்லை வழங்குகிறது என்ன (தயாரிப்பு பயன்படுத்தும் மற்றும் அவர்கள் இல்லை தொண்டர்கள் அறிவியல் உதவி) மற்றும் 2) தயாரிப்பு, ஒன்றிற்கு மேற்பட்ட சோதனை (அதாவது, அதே பரிசோதனை பல்வேறு பங்கு குளங்கள் முறை) பயன்படுத்தப்பட்டு வருகிறது. நீங்கள் வேறு எடுத்துக்காட்டுகளை தெரியும் என்றால், எனக்கு தெரியப்படுத்துங்கள்.

  • சக்தி வாய்ந்த பார்ட்னர் (பிரிவு 4.5.2)

நான் தொழில்நுட்ப நிறுவனங்களில் அடிக்கடி விவாதிக்கப்பட்ட பாஸ்டியுரின் குவாட்ரன்ட் யோசனை கேட்டிருக்கிறேன், மற்றும் இது கூகிள் ஆய்வு முயற்சிகள் ஏற்பாடு உதவுகிறது (Spector, Norvig, and Petrov 2012) .

பாண்ட் மற்றும் சக 'ஆய்வு (2012) அவர்களை பெற்றார் அந்த நண்பர்கள் மீது இந்த சிகிச்சைகள் விளைவு கண்டறிய முயற்சிக்கிறது. ஏனெனில் பரிசோதனையின் வடிவமைப்பு, இந்த spillovers தெளிவாக கண்டறிய கடினமானது; ஆர்வம் வாசகர்கள் பார்க்க வேண்டும் Bond et al. (2012) ஒரு முழுமையான விவாதம். இந்தப் பரிசோதனை வாக்களியுங்கள் ஊக்குவிக்க முயற்சிகள் மீது அரசியல் அறிவியல் சோதனைகள் ஒரு நீண்ட பாரம்பரியம் பகுதியாக உள்ளது (Green and Gerber 2015) . அவர்கள் பாஸ்டியுரின் தோற்றமளிப்பதை ஏனெனில் இந்த வெளியே வரும் வாக்கு சோதனைகள் பகுதியாக பொதுவானதாக இருக்கிறது. வாக்களிப்பு மற்றும் வாக்கு அதிகரிக்க நடத்தை மாற்றம் மற்றும் சமூக செல்வாக்கு பற்றி மேலும் பொது கோட்பாடுகள் சோதிக்க ஒரு சுவாரஸ்யமான நடத்தை இருக்க முடியும் உந்துதல் யார் நிறைய பேர் இருக்கிறார்கள், உள்ளது.

மற்ற ஆராய்ச்சியாளர்கள் போன்ற அரசியல் கட்சிகள், தன்னார்வ தொண்டு நிறுவனங்கள், மற்றும் தொழில்கள் நிறுவன பங்காளர்களுடன் துறையில் சோதனைகளில் பற்றி ஆலோசனை வழங்கிய (Loewen, Rubenson, and Wantchekon 2010; List 2011; Gueron 2002) . மற்றவர்கள் நிறுவனங்கள் கூட்டுடன் ஆராய்ச்சி வடிவமைப்புகளை பாதிப்பை ஏற்படுத்த முடியும் என்பதை பற்றி ஆலோசனை வழங்கினார் வேண்டும் (Green, Calfano, and Aronow 2014; King et al. 2007) . கூட்டு நன்னெறி கேள்விகள் ஏற்படலாம் (Humphreys 2015; Nickerson and Hyde 2016) .

  • வடிவமைப்பு ஆலோசனை (பிரிவு 4.6)

நீங்கள் உங்கள் சோதனை இயங்கும் முன் ஒரு பகுப்பாய்வு திட்டத்தை உருவாக்க போகிறோம் என்றால், நான் நீங்கள் அறிக்கை வழிமுறைகளை படிக்க ஆரம்பிப்பார்கள் என்று கூறுகின்றன. மனைவி வழிகாட்டுதல்கள் (வழக்குகளுக்கான ஒருங்கிணைந்த நிலையான அறிக்கையிடுதலைத்) மருத்துவம் உருவாக்கப்பட்டன (Schulz et al. 2010) மற்றும் சமூக ஆராய்ச்சி மாற்றம் (Mayo-Wilson et al. 2013) . வழிகாட்டுதல்கள் தொடர்புடைய தொகுப்பு சோதனை அரசியல் அறிவியல் இதழ் ஆசிரியர்கள் உருவாக்கப்பட்டது (Gerber et al. 2014) (மேலும் பார்க்க Mutz and Pemantle (2015) மற்றும் Gerber et al. (2015) ). இறுதியாக, புகார் வழிமுறைகளை உளவியல் உருவாக்கப்பட்டு வருகின்றன (Group 2008) , மற்றும் கூட பார்க்க Simmons, Nelson, and Simonsohn (2011) .

நீங்கள் ஒரு பகுப்பாய்வு திட்டத்தை உருவாக்க என்றால் நீங்கள் முன் பதிவு மற்றவர்கள் உங்கள் முடிவுகளை கொண்டிருக்கிற தைரியம் அதிகரிக்கும் என்பதால் முன் பதிவு கருத்தில் கொள்ள வேண்டும். மேலும், நீங்கள் ஒரு பங்குதாரர் வேலை செய்தால், அது முடிவுகளை பார்த்து பிறகு பகுப்பாய்வு மாற்ற உங்கள் பங்குதாரர் கட்டுப்படுத்தும். முன் பதிவு உளவியல் பொதுவாக அதிகரித்து வருகிறது (Nosek and Lakens 2014) , அரசியல் அறிவியல் (Humphreys, Sierra, and Windt 2013; Monogan 2013; Anderson 2013; Gelman 2013; Laitin 2013) , மற்றும் பொருளாதாரம் (Olken 2015) .

உங்கள் முன் பகுப்பாய்வு திட்டம் உருவாக்கும் போது நீங்கள் சில ஆராய்ச்சியாளர்கள் மதிப்பிடப்பட்டுள்ளது சிகிச்சை விளைவு துல்லியம் மேம்படுத்த பின்னடைவு மற்றும் தொடர்புடைய அணுகுமுறைகள் பயன்படுத்த என்பதில் கவனமாக இருக்க வேண்டும், மற்றும் இந்த அணுகுமுறை பற்றி சில விவாதம் உள்ளது: Freedman (2008) , Lin (2013) , மற்றும் Berk et al. (2013) ; பார்க்க Bloniarz et al. (2016) மேலும் தகவலுக்கு.

ஆன்லைன் துறையில் சோதனைகள் குறிப்பாக வடிவமைப்பு ஆலோசனைகளும் வழங்கப்படுகிறது Konstan and Chen (2007) மற்றும் Chen and Konstan (2015) .

  • பூஜ்யம் மாறி செலவு தரவு உருவாக்க (பிரிவு 4.6.1)

MusicLab சோதனைகள் மேலும் காண்க, Salganik, Dodds, and Watts (2006) , Salganik and Watts (2008) , Salganik and Watts (2009b) , Salganik and Watts (2009a) , மற்றும் Salganik (2007) . வெற்றி-அனைத்து எடுத்து சந்தைகளில் மேலும் காண்க, Frank and Cook (1996) . Untangling அதிர்ஷ்டம் மற்றும் திறன் மேலும் மேலும் பொதுவாக, பார்க்க Mauboussin (2012) , Watts (2012) , மற்றும் Frank (2016) .

கட்டாய இராணுவ சேவை: ஆராய்ச்சியாளர்கள் எச்சரிக்கையுடன் பயன்படுத்த வேண்டும் என்று பங்கு பணம் நீக்குவது மற்றொரு அணுகுமுறை உள்ளது. பல ஆன்லைன் துறையில் சோதனைகளில் பங்கு அடிப்படையில் ஈடு சோதனைகள் ஒரு தயாரிக்கப்பட்டு ஒருபோதும். இந்த அணுகுமுறை எடுத்துக்காட்டுகள் Restivo மற்றும் வான் டி Rijt தான் அடங்கும் (2012) விக்கிபீடியா மற்றும் பாண்ட் மற்றும் சக உள்ள வெகுமதிகளை சோதனை (2012) வாக்களிக்க ஊக்குவிக்கும் மக்கள் மீது சோதனை. இந்த பரிசோதனைகள் உண்மையில் பூஜ்யம் மாறி செலவு இல்லை, அவர்கள் ஆராய்ச்சியாளர்கள் பூஜ்யம் மாறி செலவு வேண்டும். இந்த சோதனைகள் பல செலவு ஒவ்வொரு பங்கு மிகவும் குறைவாக உள்ளது என்றாலும், சிறிய செலவுகள் பங்கேற்பாளர்கள் ஒரு மகத்தான எண் சீக்கிரம் சேர்க்க முடியும் திணிக்கப்பட்ட. பாரிய ஆன்லைன் சோதனைகள் இயங்கும் ஆராய்ச்சியாளர்கள் மக்கள் பலரும் பயன்படுத்தப்படும் போது இந்த சிறிய விளைவுகளை முக்கியமான ஆக முடியும் என்று கூறி சிறிய மதிப்பீட்டிலான சிகிச்சை விளைவுகள் முக்கியத்துவம் நியாயப்படுத்த. அதே சிந்தனை ஆய்வில் மீது சுமத்துவதற்கு செலவுகள் பொருந்தும். உங்கள் சோதனைகள் ஒரு மில்லியன் மக்கள் ஒரு நிமிடம் வீணடிக்க ஏற்படுத்துகிறது என்றால், சோதனை எந்த குறிப்பிட்ட நபர் மிகவும் தீங்கு இல்லை, ஆனால் மதிப்பீட்டு அதை நேரம், கிட்டத்தட்ட இரண்டு ஆண்டுகள் வீணாகி வருகிறது.

பங்கேற்பாளர்கள் பூஜ்யம் மாறி செலவு பணம் உருவாக்கும் மற்றொரு அணுகுமுறை ஒரு லாட்டரி, மேலும் சர்வே ஆராய்ச்சி பயன்படுத்தப்பட்டு வருகிறது என்று ஒரு அணுகுமுறை பயன்படுத்த வேண்டும் (Halpern et al. 2011) . இறுதியாக, வடிவமைத்தல் பற்றி மேலும் சுவாரஸ்யமாக பயனர் அனுபவங்களை பார்க்க Toomim et al. (2011) .

  • , மாற்றவும் துல்லியப்படுத்தல், மற்றும் குறைத்தல் (பிரிவு 4.6.2)

இங்கே இருந்து மூன்று ஆர் அசல் வரையறைகள் உள்ளன Russell and Burch (1959) :

"மாற்று உயிரற்ற பொருள் உணர்வு வாழும் அதிக விலங்குகள் நிகராக்கலாக அர்த்தம். குறைப்பு ஒரு குறிப்பிட்ட அளவு மற்றும் துல்லியமான தகவல்களை பெற பயன்படுத்தப்படும் விலங்குகள், எண்கள் குறைக்க வேண்டிய. பண்புடைமை நிகழ்வு அல்லது இன்னும் பயன்படுத்த வேண்டும் இது அந்த விலங்குகள் பயன்படுத்தப்படும் மனிதாபிமானமற்ற நடைமுறைகள் தீவிரத்தை எந்த குறையும் என்று பொருள். "

மூன்று ஆர் நான் முன்மொழிய நெறிமுறைசார் கொள்கைகள் பாடம் 6. விவரித்தார் புறக்கணிக்க வேண்டாம் மாறாக, அவர்கள் மனித சோதனைகள் அமைப்பை அந்த கொள்கைகளை-இலாபத்தால் குறித்து, குறிப்பாக ஒரு விரிவாக பதிப்பு ஒன்று.

உணர்ச்சிகரமான பகிர்தலின் கருத்தில் போது, இந்த பரிசோதனையை துபாஷி போது மனதில் வைத்து மூன்று அல்லாத நெறிமுறை பிரச்சினைகள் உண்டு. முதல், அது சோதனையின் உண்மையான விவரங்களை தத்துவார்த்த கூற்றுக்கள் இணைக்க என்பது தெளிவாக இல்லை; வேறு வார்த்தைகளில் கூறுவதானால், கட்டமைப்பாக செல்லுபடியாகும் பற்றி கேள்விகள் உள்ளன. அது நேர்மறை மற்றும் எதிர்மறை வார்த்தை எண்ணிக்கைகள் மக்கள் பதிவு என்று வார்த்தைகள் தங்கள் உணர்வுகளை ஒரு நல்ல அடையாளமாகும் என்று ஏனெனில் 1) அது தெளிவாக இல்லை உண்மையில் பங்கேற்பாளர்கள் உணர்ச்சி வசப்பட்ட நிலையில் ஒரு நல்ல அடையாளமாகும் என்று தெளிவாக இல்லை, 2) அதை தெளிவாக இல்லை ஆராய்ச்சியாளர்கள் பயன்படுத்தப்படும் என்று குறிப்பிட்ட உணர்வு பகுப்பாய்வு தொழில்நுட்பம் நம்பத்தகுந்த உணர்வுகளை உய்த்துணர முடியும் (Beasley and Mason 2015; Panger 2016) . வேறு வார்த்தைகளில் கூறுவதானால், ஒரு பக்கச்சார்பான சமிக்ஞையின் ஒரு மோசமான நடவடிக்கை இருக்கலாம். இரண்டாவது, பரிசோதனையின் வடிவமைப்பு மற்றும் பகுப்பாய்வு எங்களுக்கு மிகவும் பாதிக்கப்படும் யார் (அதாவது, சிகிச்சை விளைவுகள் பலபடித்தான எந்த ஆய்வும் இல்லை) மற்றும் நுட்பத்தை இருக்கலாம் என்ன பற்றி எதுவும் சொல்கிறது. இந்த வழக்கில், ஆய்வில் பற்றிய தகவல்களை நிறைய இருந்தது, ஆனால் அவர்கள் அடிப்படையில் பகுப்பாய்வு விட்ஜெட்கள் நடத்தப்படுகின்றனர். மூன்றாவதாக, இந்த சோதனையில் விளைவு அளவு மிகக் குறைவாக இருந்தது; சிகிச்சை மற்றும் கட்டுப்பாட்டு நிலைமைகள் இடையே வேறுபாடு 1,000 வார்த்தைகள் சுமார் 1 உள்ளது. தங்கள் தாளில், கிராமர் மற்றும் சக இந்த அளவு ஒரு விளைவை கோடிக்கணக்கான மக்கள் தங்கள் செய்திகள் ஒவ்வொரு நாளும் Feed அணுக ஏனெனில் முக்கியம் என்று வழக்கு செய்ய. வேறு வார்த்தைகளில் கூறுவதானால், அவர்கள் மதிப்பீட்டு பெரிதாக அமைக்கப்பட்டிருக்கும் ஒவ்வொரு நபரும் சிறிய என்று கூட விளைவுகள் என்று வாதிடுகின்றனர். நீங்கள் இந்த வாதம் ஏற்று இருந்தால் கூட, அது இன்னும் தெளிவாக இல்லை இந்த அளவு ஒரு விளைவை உணர்ச்சிகரமான பகிர்தலின் பற்றி மேலும் பொது அறிவியல் கேள்வி தொடர்பாக முக்கியம் என்றால் உள்ளது. சிறிய விளைவுகளை முக்கியமான சூழ்நிலைகளில் பற்றி மேலும் பார்க்க Prentice and Miller (1992) .

முதல் ஆர் (மாற்று), அடிப்படையில் உணர்ச்சிகரமான பகிர்தலின் சோதனை ஒப்பிட்டு (Kramer, Guillory, and Hancock 2014) மற்றும் உணர்ச்சிகரமான பகிர்தலின் இயற்கை சோதனை (Coviello et al. 2014) இருந்து நகரும் சம்பந்தப்பட்ட வர்த்தக பரிமாற்ற சமாதானங்களை பற்றி சில பொதுவான பாடங்கள் வழங்குகிறது இயற்கை சோதனைகள் சோதனைகள் (அல்லாத சோதனை தரவு பரிசோதனைகள் தோராயமான என்று முயற்சி பொருத்தமான போன்ற மற்ற அணுகுமுறைகள், அத்தியாயம் 2 பார்க்க). நெறிமுறை நன்மைகள் கூடுதலாக, சோதனை இருந்து அல்லாத பரிசோதனை ஆய்வுகள் மாறுவதற்கு அவர்கள் தளவாட வரிசைப்படுத்த முடியவில்லை என்று சிகிச்சைகள் படிக்க ஆராய்ச்சியாளர்கள் செயல்படுத்துகிறது. இந்த நெறிமுறை மற்றும் விநியோக நன்மைகள் எனினும், ஒரு செலவில் வந்து. இயற்கை சோதனைகள் ஆய்வில், அமைத்தல் ஆட்சேர்ப்பு போன்ற விஷயங்களை குறைவாக, மற்றும் சிகிச்சை தன்மை வேண்டும். உதாரணமாக, ஒரு சிகிச்சை மழை ஒரு வரையறை அதை இருவரும் நேர்மறை அதிகரிக்கிறது மற்றும் எதிர்மறை குறைகிறது என்று. சோதனை ஆய்வில், எனினும், கிராமர் மற்றும் சக சுதந்திரமாக நேர்மறை மற்றும் எதிர்மறை சரிசெய்ய முடிந்தது.

பயன்படுத்துகின்ற குறிப்பிட்ட அணுகுமுறை Coviello et al. (2014) மேலும் விஸ்தரிக்கப்பட்டது Coviello, Fowler, and Franceschetti (2014) . கருவியாக மாறிகள் அறிமுகத்திற்கு பார்க்க Angrist and Pischke (2009) (குறைந்த சாதாரண) அல்லது Angrist, Imbens, and Rubin (1996) (மேலும் சாதாரண). கருவியாக மாறிகள் ஒரு சந்தேகம் மதிப்பீட்டில் பார்க்கவும் Deaton (2010) , மற்றும் பலவீனமான வாசித்தல் (மழை ஒரு பலவீனமான கருவியாக உள்ளது) இன்ஸ்ட்ருமெண்டலும் மாறிகள் ஒரு அறிமுகம், பார்க்க Murray (2006) .

மேலும் பொதுவாக, இயற்கை சோதனைகள் ஒரு நல்ல அறிமுகம் உள்ளது Dunning (2012) , மற்றும் Rosenbaum (2002) , Rosenbaum (2009) , மற்றும் Shadish, Cook, and Campbell (2001) சோதனைகள் இல்லாமல் காரண விளைவுகளை மதிப்பிட்டு பற்றி நல்ல கருத்துக்களை வழங்க.

இரண்டாவது ஆர் (பண்புடைமை) அடிப்படையில், அறிவியல் மற்றும் விநியோக வர்த்தக பரிமாற்ற சமாதானங்களை பதிவுகள் அதிகரிக்க பதிவுகள் தடுப்பதில் இருந்து உணர்ச்சிகரமான பகிர்தலின் வடிவமைப்பு மாற்றுவது பற்றி போது உள்ளன. உதாரணமாக, அது செய்தி ஜூன் தொழில்நுட்ப செயல்படுத்த அது பதிவுகள் ஏற்றம் ஒரு பரிசோதனை விட பதிவுகள் தடுப்பதை ஒரு பரிசோதனை செய்ய கணிசமாக எளிதாக இருக்கும் என்பது வழக்கு இருக்கலாம் (பதிவுகள் தடுப்பதை ஒரு பரிசோதனை ஒரு அடுக்கு செயல்படுத்தலாம் என்பதை நினைவில் அடிப்படை அமைப்பு மாற்றங்கள் ஆகியவை அடங்கும்) எந்த தேவை இல்லாமல் செய்திகள் ஊட்டம் கணினி மேல். அறிவியலின்படி, எனினும், பரிசோதனையின் மூலம் உரையாற்றினார் கோட்பாடு தெளிவாக மற்ற மீது ஒரு வடிவமைப்பு கருத்தைக் கூறவில்லை.

துரதிருஷ்டவசமாக, நான் தடுப்பதை மற்றும் நியூஸ் பீடு உள்ளடக்கம் ஏற்றம் உறவினர் நன்மைகளுக்காக பற்றி கணிசமான முன் ஆய்வு தெரியாது. மேலும், நான் அவர்களை குறைவாக தீங்கு செய்ய சிகிச்சைகள் சுத்திகரிப்பு பற்றி அதிகம் ஆராய்ச்சி பார்த்ததில்லை; ஒரு விதிவிலக்கல்ல Jones and Feamster (2015) இணைய தணிக்கை அளவீட்டு வழக்கு கருதும், (நான் என்கோர் ஆய்வு உறவு அத்தியாயம் 6 விவாதிக்க ஒரு தலைப்பை (Burnett and Feamster 2015; Narayanan and Zevenbergen 2015) ).

மூன்றாவது ஆர் (குறைப்பு) அடிப்படையில், பாரம்பரிய சக்தி ஆய்வு செய்ய ஒரு நல்ல அறிமுகம் உள்ளது Cohen (1988) . முன் நேர்த்தி நிரப்ப வடிவமைப்பு நிலை மற்றும் சோதனைகள் பகுப்பாய்வு நிலை சேர்க்க முடியும்; அத்தியாயம் 4 Gerber and Green (2012) இரண்டு அணுகுமுறைகளும் ஒரு நல்ல அறிமுகம் வழங்குகிறது, மற்றும் Casella (2008) ஒரு ஆழமான முறையில் சிகிச்சை அளிக்கப்படுகிறது. அமைத்தல் இந்த முன் சிகிச்சை தகவலின் நுட்பங்கள் பொதுவாக ஒன்று சோதனை வடிவமைப்புக்கான அல்லது அடுக்கு சோதனை வடிவமைப்புக்கான (சொல்லியல் சமூகங்கள் முழுவதும் தொடர்ந்து பயன்படுத்த முடியாது) தடுக்கப்பட்டது என்று அழைக்கப்படுகின்றன; இந்த உத்திகள் ஆழமாக பாடம் 3. காண்க விவாதிக்கப்படும் அடுக்கு மாதிரி நுட்பங்கள் தொடர்பான Higgins, Sävje, and Sekhon (2016) பாரிய பரிசோதனைகளில் இந்த வடிவமைப்புகளை பயன்படுத்தி மீது மேலும். முன் நேர்த்தி நிரப்ப பகுப்பாய்வின் நிலை சேர்க்க முடியும். McKenzie (2012) அதிக விவரமாக துறையில் சோதனைகள் ஆய்வு வேறுபாடு-ல் வேறுபாடுகள் அணுகுமுறை ஆராய்கிறது. பார்க்க Carneiro, Lee, and Wilhelm (2016) சிகிச்சை விளைவுகள் பற்றிய மதிப்பீடுகள், துல்லியமான அதிகரிக்க பல்வேறு அணுகுமுறைகள் இடையே வர்த்தக பரிமாற்ற சமாதானங்களை மீது மேலும். இறுதியாக, வடிவமைப்பு அல்லது பகுப்பாய்வு நிலை (அல்லது இரண்டும்) மணிக்கு முன் சிகிச்சை நிரப்ப சேர்க்க முயற்சி என்பதை தீர்மானிக்கும் போது, அங்கு கருத்தில் கொள்ள வேண்டிய சில காரணிகள். ஆராய்ச்சியாளர்கள் அவர்கள் இல்லை என்று "மீன்பிடி" காட்ட வேண்டும், அங்கு ஒரு அமைப்பை (Humphreys, Sierra, and Windt 2013) , வடிவமைப்பு நிலையில் முன் சிகிச்சை நிரப்ப பயன்படுத்தி பயனுள்ளதாக இருக்க முடியும் (Higgins, Sävje, and Sekhon 2016) . பங்கேற்பாளர்கள், தொடர்ந்து வரும் குறிப்பாக ஆன்லைன் துறையில் சோதனைகள், வடிவமைப்பு நிலையில் முன் சிகிச்சை தகவல்களை பயன்படுத்தி தளவாட கடினமாக இருக்கலாம் சூழ்நிலைகளில், உதாரணத்திற்கு பார்க்க Xie and Aurisset (2016) .

அது வேறுபாடு-ல் வேறுபாடுகள் வேறுபாடு-ல் வழிமுறையாக விட மிகவும் அதிகமாக பயனுள்ளதாக இருக்க முடியும் ஏன் உள்ளுணர்வு ஒரு பிட் சேர்த்து மதிப்பு. பல ஆன்லைன் விளைவுகளை மிக அதிக மாறுபாடு வேண்டும் (பார்க்க எ.கா., Lewis and Rao (2015) மற்றும் Lamb et al. (2015) ) மற்றும் காலப்போக்கில் ஒப்பீட்டளவில் நிலையான இருக்கும். இந்த வழக்கில், மதிப்பெண் புள்ளியியல் சோதனை சக்தி அதிகரித்து, கணிசமான அளவு குறைந்த மாறுபாடு வேண்டும். இந்த அணுகி மேலும் அடிக்கடி பயன்படுத்தப்படுகிறது இல்லை, காரணம், டிஜிட்டல் வயது முன் அதை முன் சிகிச்சை விளைவுகளை பொதுவான இல்லை என்று உள்ளது. அதை பற்றி யோசிக்க ஒரு உறுதியான வழி ஒரு குறிப்பிட்ட வழக்கமான உடற்பயிற்சி எடை இழப்பு ஏற்படுகிறது என்பதை அளவிட ஒரு சோதனை கற்பனை ஆகும். நீங்கள் ஒரு வித்தியாசம்-ல் வழிமுறையாக அணுகுமுறை செய்தால், உங்கள் மதிப்பீடு மக்கள் தொகையில் எடைகள் உள்ள மாறுபாட்டைக் இருந்து வருகிறது என்று மாறுபடும் தன்மை வேண்டும். நீங்கள் ஒரு வித்தியாசம்-ல் வேறுபாடு அணுகுமுறை செய்தால், எனினும், எடைகள் என்று இயற்கையாக மாறுபாடு அகற்றப்பட்டால் மற்றும் நீங்கள் இன்னும் எளிதாக சிகிச்சை ஏற்படும் ஒரு வேறுபாடு கண்டறிய முடியும்.

உங்கள் சோதனையில் பங்கேற்பாளர்கள் எண்ணிக்கை குறைக்க முக்கியமான ஒரு வழி மூலம் இயற்கை பரிசோதனையில் இருந்து அனுசரிக்கப்பட்டது விளைவு அளவுகள் அடிப்படையில் இது கிராமர் மற்றும் சக செய்திருக்க முடியும் ஒரு சக்தி பகுப்பாய்வு, நடத்த உள்ளது Coviello et al. (2014) அல்லது முந்தைய க்ராமர் அல்லாத சோதனை ஆராய்ச்சி (2012) (உண்மையில் இந்த இந்த அத்தியாயத்தின் இறுதியில் நடவடிக்கைகள் உள்ளன). சக்தி ஆய்வின் இந்த பயன்பாடு வழக்கமான விட ஒரு பிட் வேறு என்பதை கவனியுங்கள். அனலாக் வயது, ஆராய்ச்சியாளர்கள் பொதுவாக தங்கள் ஆய்வில் மிக சிறிய இல்லை என்று உறுதி செய்ய அதிகாரம் ஆய்வு செய்தார் (அதாவது, இயங்கும் கீழ்). இப்போது, எனினும், ஆராய்ச்சியாளர்கள் மின்சக்தி பகுப்பாய்வு தங்கள் ஆய்வில் மிக பெரிய அல்ல என்று உறுதி செய்ய வேண்டும் (அதாவது மேல் இயக்கப்படும்).

Repurpose: இறுதியாக, நான் ஒரு நான்காவது ஆர் சேர்த்து கருதப்படுகிறது. என்று ஆராய்ச்சியாளர்கள் அவர்கள் தங்கள் அசல் ஆராய்ச்சி கேள்வி உரையாற்ற வேண்டும் விட சோதனை தரவு தங்களை கண்டறிய என்றால், அவர்கள் புதிய கேள்விகளை கேட்க தரவு repurpose வேண்டும், இல்லை. உதாரணமாக, கிராமர் மற்றும் சக தங்கள் ஆராய்ச்சி கேள்வி உரையாற்ற தேவை விட தரவு ஒரு வித்தியாசம்-ல் வேறுபாடுகள் மதிப்பான் பயன்படுத்தப்படும் மற்றும் காணப்படும் என்று தங்களை கற்பனை. மாறாக முழுமையாக அளவிற்கு தரவை பயன்படுத்துவதில்லை விட, அவர்கள் முன் சிகிச்சை உணர்ச்சி வெளிப்பாடு ஒரு செயல்பாடாக விளைவின் அளவு படித்திருக்கலாம். போல் Schultz et al. (2007) சிகிச்சை விளைவு, ஒளி மற்றும் கனரக பயனர்கள் வேறு என்று ஒருவேளை செய்திகள் ஊட்டம் விளைவுகள் ஏற்கனவே சந்தோஷமாக (அல்லது வருத்தம்) செய்திகளை வெளியிடவும் எண்ணப்பட்டன மக்கள் வெவ்வேறு கொண்டிருந்ததைக் கண்டார். Repurposing "மீன்பிடி" வழிவகுக்கும் (Humphreys, Sierra, and Windt 2013) மற்றும் "ப-ஹேக்கிங்" (Simmons, Nelson, and Simonsohn 2011) , ஆனால் இவை பெரும்பாலும் நேர்மையான அறிக்கை ஆகியவற்றின் மூலம் முகவரியிடத்தகும் உள்ளன (Simmons, Nelson, and Simonsohn 2011) , முன் பதிவு (Humphreys, Sierra, and Windt 2013) , மற்றும் மேல்-பொருத்தி தவிர்க்க முயற்சிக்கும் என்று இயந்திர கற்றல் முறைகள்.