2.4.3 Approximating تجربات

ہم ایسا نہیں کر سکتے تجربات کا اندازا کر سکتا. دو نقطہ نظر سے خاص طور پر ڈیجیٹل دور سے فائدہ ہے کہ الفاظ کے ملاپ کے اور قدرتی تجربات کر رہے ہیں.

کئی اہم سائنسی اور پالیسی کے سوالات اسباب ہیں. کی پر غور کرتے ہیں، مثال کے طور پر، مندرجہ ذیل سوال: اجرت پر کام کی تربیت کے پروگرام کا اثر کیا ہے؟ اس سوال کا جواب دینے کے لئے ایک طریقہ ایک randomized کنٹرول تجربہ کارکنوں تصادفی یا تو تربیت حاصل کرنے کے لئے یا تربیت حاصل نہ مقرر کئے گئے تھے جہاں کے ساتھ ہو جائے گا. اس کے بعد، محققین صرف اس کو قبول نہ کیا کہ ان لوگوں کو تربیت حاصل کرنے والے لوگوں کی مزدوری کا موازنہ کر کے ان شرکاء کے لیے تربیت کا اثر کا اندازہ لگانے کے کر سکتے تھے.

randomization ہے: سادہ موازنہ کیونکہ کچھ اعداد و شمار بھی جمع کیا گیا تھا اس سے پہلے ایسا ہوتا ہے کہ درست ہے. randomization ہے بغیر، مسئلہ بہت trickier ہے. A محقق رضاکارانہ طور پر سائن اپ نہیں کیا جو ان لوگوں کے لئے تربیت کے لئے سائن اپ کیا جو لوگوں کی مزدوری کا موازنہ کر سکتے تھے. کہ مقابلے شاید تربیت حاصل کرنے والے لوگ زیادہ کمائی ظاہر کرے گا، لیکن اس کا کتنا تربیت کی وجہ سے ہے اور اس کی کتنی ہے کہ سائن اپ تربیت کے لئے لوگوں، سائن اپ نہیں ہے کہ تربیت کے لئے ان لوگوں سے مختلف ہیں کیونکہ؟ دوسرے الفاظ میں، یہ لوگوں کی ان دو گروہوں میں سے اجرت کا موازنہ درست ہے؟

منصفانہ موازنہ کے بارے میں یہ تشویش یہ ایک تجربہ چلانے کے بغیر اسباب تخمینے بنانے کے لئے ناممکن ہے کہ یقین کرنے کے لئے کچھ محققین کی طرف جاتا ہے. یہ دعوی بہت دور چلا جاتا ہے. جبکہ یہ سچ ہے تجربات اسباب کے اثرات کے لئے مضبوط ترین ثبوت فراہم کرتے ہیں کہ، قیمتی اسباب تخمینے مہیا کر سکتے ہیں دیگر حکمت عملی ہیں. یہ سوچ کر کہ اسباب تخمینے (تجربات کی صورت میں) یا تو آسان یا ناممکن ہیں (کے معاملے میں خاموشی کو ڈیٹا کے مشاہدہ سے) کے بجائے، یہ ایک لگاتار مضبوط سے کرنے کی سب سے کمزور (چترا کے ساتھ ساتھ جھوٹ بول اسباب تخمینے بنانے کے لئے حکمت عملی کے بارے میں سوچ کے لئے بہتر ہے 2.4). تسلسل کے مضبوط اختتام پر کنٹرول تجربات کے randomized رہے ہیں. لیکن، یہ اکثر بہت سے علاج حکومتوں یا کمپنیوں سے تعاون کے غیر حقیقی مقدار کی ضرورت ہوتی ہے کیونکہ سوشل ریسرچ میں کیا کرنا مشکل ہے؛ کافی صرف ہم ایسا نہیں کر سکتے کہ بہت سے تجربات موجود ہیں. میں نے دونوں خوبیوں اور randomized کنٹرول تجربات کی کمزوریوں کے باب 4 کے تمام وقف کرے گا، اور میں نے کچھ معاملات میں، تجرباتی طریقوں کے پریکشتاتمک ترجیح دیتے ہیں کے لئے مضبوط اخلاقی وجوہات ہیں کہ بحث کر لیں گے.

پیکر 2.4: اندازے کے مطابق اسباب کے اثرات کے لئے تحقیق کی حکمت عملی کے تسلسل.

پیکر 2.4: اندازے کے مطابق اسباب کے اثرات کے لئے تحقیق کی حکمت عملی کے تسلسل.

تسلسل کے ساتھ ساتھ آگے بڑھ رہے ہیں، حالات محققین کو واضح طور پر بے ترتیب نہیں دیا جہاں سے ہیں. یہی وجہ ہے کہ، محققین دراصل ایک استعمال کر کے بغیر تجربہ کی طرح علم سیکھنے کے لئے کوشش کر رہے ہیں؛ قدرتی طور پر، یہ مشکل ہو جا رہا ہے، لیکن بڑی ڈیٹا کو بہت ان حالات میں اسباب تخمینے بنانے کے لئے اپنی صلاحیت کو بہتر بناتا ہے.

کبھی کبھی دنیا میں randomness کو محققین کے لئے ایک تجربہ کی طرح کچھ پیدا کرنے کے لئے ہوتا ہے جہاں کی ترتیبات موجود ہیں. یہ ڈیزائن قدرتی تجربات کو کہا جاتا ہے، اور وہ دفعہ 2.4.3.1 میں تفصیل سے غور کیا جائے گا. بڑے اعداد و شمار کے ذرائع-ان ہمیشہ پر فطرت اور ان کے دو خصوصیات سائز-بہت وہ پائے جاتے ہیں جب قدرتی تجربات سے سبق حاصل کرنے کی ہماری صلاحیت کو بہتر بناتا ہے.

دور randomized کنٹرول تجربات سے منتقل، کبھی کبھی وہاں ہم ایک قدرتی تجربہ اندازا کرنے کے لئے استعمال کر سکتے ہیں کہ فطرت میں بھی ایک پروگرام نہیں ہے. ان کی ترتیبات میں، ہم احتیاط سے ایک تجربہ اندازا کرنے کی کوشش میں غیر تجرباتی اعداد و شمار کے اندر موازنہ تعمیر کر سکتے ہیں. یہ ڈیزائن کے ملاپ کو کہا جاتا ہے، اور وہ دفعہ 2.4.3.2 میں تفصیل سے غور کیا جائے گا. قدرتی تجربات کی طرح، کے ملاپ بھی بڑی ڈیٹا وسائل سے فائدہ ہے کہ ایک ڈیزائن ہے. خاص طور پر، بڑے پیمانے پر سائز-دونوں مقدمات کی تعداد اور فی معلومات کی قسم کے لحاظ سے معاملہ بہت مماثلت کی سہولت فراہم. قدرتی تجربات اور ملاپ کے درمیان اہم فرق فطری تجربات میں محقق عمل ہے جس کے ذریعے علاج کی تفویض اور اس کے بے ترتیب ہونے کا یقین رکھتا رہا تھا کہ جانتا ہے.

قدرتی تجربات اور ملاپ: تجربات کرنے کے لئے حوصلہ افزائی کی خواہشات کے کہ منصفانہ موازنہ کا تصور بھی دو متبادل طریقے عیاں. ان نقطہ نظر آپ نے پہلے ہی کہ اعداد و شمار کے اندر بیٹھے منصفانہ موازنہ دریافت کی طرف سے خاموشی کا مشاہدہ ڈیٹا سے اسباب کے اثرات کا اندازہ کرنے کے قابل بنائے گی.