3.3 మొత్తం సర్వే లోపం ఫ్రేమ్

మొత్తం సర్వే లోపం = ప్రాతినిధ్యం లోపాలు + కొలత లోపాలు.

నమూనా సర్వేల నుండి వచ్చే అంచనాలు తరచుగా అసంపూర్ణంగా ఉంటాయి. అంటే, ఒక నమూనా సర్వే (ఉదాహరణకు, ఒక పాఠశాలలో విద్యార్థుల అంచనా సగటు ఎత్తు) మరియు జనాభాలో నిజమైన విలువ (ఉదా., ఒక పాఠశాలలో విద్యార్థుల సగటు సగటు ఎత్తు) ఉత్పత్తి చేసిన అంచనా మధ్య వ్యత్యాసం సాధారణంగా ఉంటుంది. కొన్నిసార్లు ఈ లోపాలు చాలా తక్కువగా ఉంటాయి, కానీ కొన్నిసార్లు, దురదృష్టవశాత్తు, అవి పెద్దవిగా మరియు పర్యవసానంగా ఉంటాయి. అర్థం, కొలత మరియు లోపాలను తగ్గించే ప్రయత్నంలో, పరిశోధకులు క్రమంగా నమూనా సర్వేల్లో ఉత్పన్నమయ్యే లోపాల కోసం ఒకే, విస్తృతమైన సంభావిత ఫ్రేమ్వర్క్ను సృష్టించారు: మొత్తం సర్వే లోపం ఫ్రేమ్ (Groves and Lyberg 2010) . ఈ చట్రం యొక్క అభివృద్ధి 1940 లలో ప్రారంభమైనప్పటికీ, ఇది డిజిటల్ యుగంలో సర్వే పరిశోధన కోసం మాకు రెండు ఉపయోగకరమైన ఆలోచనలను అందిస్తుంది.

మొదట, మొత్తం సర్వే లోపం ఫ్రేమ్ రెండు రకాలైన లోపాలు ఉన్నాయి: పక్షపాతం మరియు భేదం . క్రమంగా, పక్షపాత వ్యవస్థాత్మక లోపం మరియు భేదం యాదృచ్ఛిక లోపం. మరో మాటలో చెప్పాలంటే, అదే మాదిరి సర్వే యొక్క 1,000 రెప్లికేషన్లను నడుపుతున్న తరువాత, ఈ 1,000 రెప్లికేషన్ల నుండి అంచనాల పంపిణీని చూడటం. ఈ ప్రతిబింబ అంచనాలు మరియు నిజమైన విలువ మధ్య వ్యత్యాసం బయాస్. ఈ అంచనాల వైవిధ్యం భేదం. అన్ని వేరే సమానం, మేము ఏ పక్షపాతం మరియు చిన్న వైవిధ్యం ఒక ప్రక్రియ కోరుకుంటున్నారో. దురదృష్టవశాత్తు, అనేక నిజమైన సమస్యలకు, అటువంటి ఎటువంటి పక్షపాతాలు, చిన్న-వేరియేతర విధానాలు ఉనికిలో లేవు, ఇది బయాస్ మరియు భేదాల ద్వారా ప్రవేశపెట్టిన సమస్యలను ఎలా సమతుల్యం చేయాలో నిర్ణయించే కష్టమైన స్థితిలో పరిశోధకులని ఉంచుతుంది. కొందరు పరిశోధకులు సహజంగా నిష్పాక్షికమైన విధానాలను ఇష్టపడతారు, కానీ పక్షపాతంపై ఏకాభిప్రాయ దృష్టి మాత్రం తప్పు కావచ్చు. సత్యంతో సాధ్యమైనంత దగ్గరగా ఉన్న ఒక అంచనాను రూపొందించడం లక్ష్యంగా ఉంటే (అనగా, చిన్నది సాధ్యం లోపంతో), అప్పుడు మీరు ఒక చిన్న పక్షపాతము మరియు ఒక చిన్న భేదాన్ని కలిగి ఉన్న విధానంతో మంచిది కావచ్చు నిష్పాక్షికమైన కానీ పెద్ద భిన్నత్వం కలిగి ఉంది (ఫిగర్ 3.1). ఇతర మాటలలో, మొత్తం సర్వే లోపం ఫ్రేమ్ సర్వే పరిశోధన పద్ధతుల మూల్యాంకనం ఉన్నప్పుడు, మీరు పక్షపాతం మరియు అంతర్భేధం రెండు భావించాల్సిన చూపిస్తుంది.

మూర్తి 3.1: బయాస్ మరియు భేదం. ఆదర్శవంతంగా, పరిశోధకులు ఎటువంటి పక్షపాతము, తక్కువ-వేరియస్ అంచనా విధానాన్ని కలిగి ఉంటారు. వాస్తవానికి, వారు తరచుగా బయాస్ మరియు భేదాభిప్రాయాల మధ్య వాణిజ్యాన్ని సృష్టించే నిర్ణయాలు తీసుకోవాలి. కొంతమంది పరిశోధకులు సహజంగా నిష్పాక్షికమైన విధానాలను ఇష్టపడకపోయినప్పటికీ, కొన్నిసార్లు చిన్న-బయాస్, చిన్న-వైవిధ్యమైన విధానం అధిక వ్యత్యాసం ఉన్న నిష్పాక్షికమైన ప్రక్రియ కంటే మరింత ఖచ్చితమైన అంచనాలను ఉత్పత్తి చేస్తుంది.

మూర్తి 3.1: బయాస్ మరియు భేదం. ఆదర్శవంతంగా, పరిశోధకులు ఎటువంటి పక్షపాతము, తక్కువ-వేరియస్ అంచనా విధానాన్ని కలిగి ఉంటారు. వాస్తవానికి, వారు తరచుగా బయాస్ మరియు భేదాభిప్రాయాల మధ్య వాణిజ్యాన్ని సృష్టించే నిర్ణయాలు తీసుకోవాలి. కొంతమంది పరిశోధకులు సహజంగా నిష్పాక్షికమైన విధానాలను ఇష్టపడకపోయినప్పటికీ, కొన్నిసార్లు చిన్న-బయాస్, చిన్న-వైవిధ్యమైన విధానం అధిక వ్యత్యాసం ఉన్న నిష్పాక్షికమైన ప్రక్రియ కంటే మరింత ఖచ్చితమైన అంచనాలను ఉత్పత్తి చేస్తుంది.

ఈ అధ్యాయంలో ఎక్కువ భాగం నిర్వహించగల మొత్తం సర్వే ఎర్రర్ ఫ్రేమ్వర్క్ నుండి రెండవ ప్రధాన అవగాహన ఏమిటంటే, రెండు లోపాల లోపాలు ఉన్నాయి: మీరు మాట్లాడేవారికి ( ప్రాతినిధ్య ) మరియు మీరు ఆ సంభాషణల నుండి నేర్చుకున్న దానికి సంబంధించిన సమస్యలు ( కొలత ). ఉదాహరణకు, ఫ్రాన్స్లో నివసిస్తున్న పెద్దవారిలో ఆన్లైన్ గోప్యత గురించి వైఖరులు అంచనా వేయడానికి మీరు ఆసక్తి కలిగి ఉండవచ్చు. ఈ అంచనాలకు రెండు వేర్వేరు రకాల అనుమితులు అవసరమవుతాయి. మొదట, ప్రతివాదులు ఇచ్చిన సమాధానాల నుండి, ఆన్లైన్ గోప్యత గురించి వారి వైఖరిని మీరు ఊహించుకోవాలి (కొలత సమస్య ఇది). రెండవది, ప్రతివాదులు మధ్య ఊహించిన వైఖరి నుండి, మీరు జనాభాలో మొత్తం వైఖరిని (ప్రాతినిధ్యానికి సంబంధించిన సమస్య) ఊహించుకోవాలి. చెడు సర్వే ప్రశ్నలతో పర్ఫెక్ట్ మాదిరి చెడు అంచనాలను ఉత్పత్తి చేస్తుంది, ఖచ్చితమైన సర్వే ప్రశ్నలతో చెడు మాదిరి ఉంటుంది. మరో మాటలో చెప్పాలంటే, మంచి అంచనాలు కొలత మరియు ప్రాతినిధ్యానికి ధ్వని విధానాలు అవసరం. నేపథ్యంలో, నేను సర్వే పరిశోధకులు గతంలో ప్రాతినిధ్యం మరియు కొలత గురించి ఆలోచించిన ఎలా సమీక్షించి చేస్తాము. అప్పుడు, నేను ప్రాతినిధ్యం మరియు కొలత గురించి ఆలోచనలు డిజిటల్-వయస్సు సర్వే పరిశోధన మార్గనిర్దేశం చేయవచ్చు ఎలా చేస్తాను.