3.3 Ang kabuuang framework survey error

Kabuuang survey error = representasyon error + pagsukat error.

Ang mga pagtatantya na nagmumula sa mga sample survey ay kadalasang hindi perpekto. Iyon ay, karaniwan ay isang pagkakaiba sa pagitan ng pagtantya na ginawa ng isang sample survey (hal., Ang tinatayang average na taas ng mga estudyante sa isang paaralan) at ang tunay na halaga sa populasyon (hal., Ang aktwal na average na taas ng mga estudyante sa isang paaralan). Kung minsan ang mga error na ito ay napakaliit na hindi mahalaga ang mga ito, ngunit kung minsan, sa kasamaang palad, maaari silang maging malaki at kinahihinatnan. Sa pagsisikap na maunawaan, sukatin, at mabawasan ang mga pagkakamali, ang mga mananaliksik ay unti-unting lumikha ng isang solong, pangkalahatang konsepto ng balangkas para sa mga pagkakamali na maaaring lumabas sa mga sample survey: ang kabuuang balangkas ng error sa survey (Groves and Lyberg 2010) . Kahit na ang pag-unlad ng balangkas na ito ay nagsimula noong 1940s, sa palagay ko ito ay nagbibigay sa amin ng dalawang kapaki-pakinabang na ideya para sa pagsisiyasat ng survey sa digital age.

Una, ang kabuuang balangkas ng error sa survey ay nagpapaliwanag na may dalawang uri ng mga pagkakamali: ang mga bias at pagkakaiba . Halos, ang bias ay sistematikong error at pagkakaiba ay random error. Sa madaling salita, isipin ang pagpapatakbo ng 1,000 mga pagtitiklop ng parehong sample na survey at pagkatapos ay tumitingin sa pamamahagi ng mga pagtatantya mula sa 1,000 na pagtitiklop. Ang bias ay ang pagkakaiba sa pagitan ng ibig sabihin ng mga tiklop na mga pagtantya at ang tunay na halaga. Ang pagkakaiba ay ang pagbabagu-bago ng mga pagtatantya na ito. Ang lahat ng iba ay pantay, nais namin ang isang pamamaraan na walang bias at maliit na pagkakaiba. Sa kasamaang palad, para sa maraming mga tunay na problema, tulad ng mga walang bias, mga pamamaraan ng maliit-pagkakaiba ay hindi umiiral, na naglalagay ng mga mananaliksik sa mahirap na posisyon ng pagpapasya kung paano balansehin ang mga problema na ipinakilala sa pamamagitan ng mga bias at pagkakaiba. Ang ilang mga mananaliksik ay likas na ginusto ang walang pinapanigang mga pamamaraan, ngunit ang isang solong pag-iisip na focus sa bias ay maaaring maging isang pagkakamali. Kung ang layunin ay upang makabuo ng isang pagtatantya na mas malapit hangga't maaari sa katotohanan (ibig sabihin, sa pinakamaliit na posibleng error), pagkatapos ay maaari kang maging mas mahusay na may isang pamamaraan na may isang maliit na bias at isang maliit na pagkakaiba kaysa sa isa na walang kinikilingan ngunit may malaking pagkakaiba (tayahin 3.1). Sa ibang salita, ang kabuuang balangkas ng error sa survey ay nagpapakita na kapag sinusuri ang mga pamamaraan sa pagsasaliksik ng survey, dapat mong isaalang-alang ang parehong mga bias at pagkakaiba.

Figure 3.1: Bias at pagkakaiba. Sa isip, ang mga mananaliksik ay magkakaroon ng isang walang-bias, mababang-pagbabawas na pamamaraang pamamaraan. Sa totoo lang, madalas silang gumawa ng mga desisyon na lumikha ng isang trade-off sa pagitan ng mga bias at pagkakaiba. Bagaman ang ilang mga mananaliksik ay likas na ginusto ang walang pinapanigang pamamaraan, kung minsan ay isang maliit na bias, ang pamamaraan ng maliit na pagkakaiba ay maaaring makagawa ng mas tumpak na pagtatantya kaysa sa walang pinapanigang pamamaraan na may mataas na pagkakaiba.

Figure 3.1: Bias at pagkakaiba. Sa isip, ang mga mananaliksik ay magkakaroon ng isang walang-bias, mababang-pagbabawas na pamamaraang pamamaraan. Sa totoo lang, madalas silang gumawa ng mga desisyon na lumikha ng isang trade-off sa pagitan ng mga bias at pagkakaiba. Bagaman ang ilang mga mananaliksik ay likas na ginusto ang walang pinapanigang pamamaraan, kung minsan ay isang maliit na bias, ang pamamaraan ng maliit na pagkakaiba ay maaaring makagawa ng mas tumpak na pagtatantya kaysa sa walang pinapanigang pamamaraan na may mataas na pagkakaiba.

Ang ikalawang pangunahing pananaw mula sa kabuuang balangkas ng error sa survey, na kung saan ay mag-organisa ng marami sa kabanatang ito, ay may dalawang pinagmulan ng mga pagkakamali: mga problema na nauugnay sa iyong pinag-uusapan ( representasyon ) at mga problema na nauugnay sa iyong natutunan mula sa mga pag-uusap ( pagsukat ). Halimbawa, maaaring interesado ka sa pagtantya ng mga saloobin tungkol sa privacy sa online sa mga matatanda na nakatira sa France. Ang paggawa ng mga pagtatantya na ito ay nangangailangan ng dalawang magkakaibang uri ng pagkakakilanlan. Una, mula sa mga sagot na ibinibigay ng mga respondent, kailangan mong ipahiwatig ang kanilang mga saloobin tungkol sa privacy sa online (na isang problema ng pagsukat). Ikalawa, mula sa mga nasasangkot na saloobin sa mga sumasagot, dapat mong ipahiwatig ang mga saloobin sa populasyon sa kabuuan (na isang problema ng pagkatawan). Ang perpektong sampling na may masamang mga tanong sa survey ay makakapagdulot ng masamang mga pagtatantiya, tulad ng masamang sampling na may perpektong mga tanong sa survey. Sa madaling salita, ang mga mahusay na pagtatantya ay nangangailangan ng mga tunog na diskarte sa pagsukat at representasyon. Dahil sa background na iyon, susuriin ko kung paano naisip ng mga mananaliksik ng survey ang pagkatawan at pagsukat noon. Pagkatapos, ipapakita ko kung paano ang mga ideya tungkol sa representasyon at pagsukat ay maaaring magamit ang pagsasaliksik ng digital na edad na pananaliksik.