আপনি সার্ভারমনকি কী এলোমেলোভাবে নমুনা পেয়েছেন তা এড়িয়ে যায়?

Question

আপনার জনসংখ্যার আকারের উপর ভিত্তি করে প্রদত্ত ব্যবধানের ত্রুটি বা আত্মবিশ্বাসের ব্যবধানের জন্য আপনার কী নমুনা আকারের প্রয়োজন তা নির্ধারণ করার জন্য সার্ভেমনকির পদক্ষেপ এবং একটি চার্ট রয়েছে।

সার্ভেমনকি নমুনার আকার

এই চার্টটি কী কেবল এই সত্যটিকে উপেক্ষা করে যে আপনি কোনও এলোমেলো নমুনা পাবেন না, যেহেতু আপনি কেবল সেই লোকদেরই পান যা জরিপের প্রতিক্রিয়া জানায়?

আমি টাইপ করার সাথে সাথে আমি সতর্ক হয়ে যাচ্ছি যে প্রশ্নটি বিষয়গতভাবে প্রদর্শিত হবে তাই সম্ভবত আমি এটি সঠিকভাবে জিজ্ঞাসা করছি না। এটি সার্ভেমনকি সম্পর্কে সত্যই নয় তবে এটি একটি সাধারণ প্রশ্ন - আপনি কী জানেন না এমন কিছু উন্নত কৌশল ব্যবহার করে স্বেচ্ছাসেবী প্রতিক্রিয়ার ডেটা থেকে আস্থাভ্রান্তি অন্তরালগুলি গণনা করতে পারবেন?

প্রস্থান পোল বা জাতীয় সমীক্ষায়, অবশ্যই তাদের অবশ্যই এই সমস্যাটি মোকাবেলা করতে হবে। আমার শিক্ষায় জরিপের স্যাম্পলিংয়ের কৌশলগুলি গভীরভাবে কভার করেনি তবে আমি ধরে নিই যে এটিতে ডেমোগ্রাফিক ডেটা সংগ্রহ করা এবং এটি আপনার ব্যবহার করে যে কোনও নমুনার প্রতিনিধিত্ব করবেন তা জানার জন্য এটি জড়িত।

তবে এগুলি বাদ দিয়ে, একটি সাধারণ অনলাইন জরিপের জন্য, তারা কি কেবল ধরে নিচ্ছে যে লোকেরা যে প্রতিক্রিয়া জানাতে বিরক্ত করে তারা জনগণের একটি এলোমেলো নমুনা?

Answer 1

সংক্ষিপ্ত উত্তর হ্যাঁ: জরিপ বানর ঠিক কীভাবে আপনার নমুনাটি পেয়েছেন তা উপেক্ষা করে। সার্ভে বানর অনুমান করা যে কি জড়ো স্মার্ট যথেষ্ট নয় নয় একটি সুবিধার নমুনা কিন্তু কার্যত প্রতিটি সার্ভে বানর জরিপ হয় একটি সুবিধার নমুনা। আপনি ঠিক কীভাবে নিখুঁত নমুনা নিরূপণ করতে পারবেন না / নির্ধারণ করতে পারে তার পক্ষে ঠিক এই ক্ষেত্রে বিশাল বৈষম্য তৈরি করে। একদিকে আপনি একটি জনসংখ্যা সংজ্ঞায়িত করতে পারেন (এবং এতে সংযুক্তিগুলি) আপনি কোনও এসআরএস থেকে পাবেন। অন্যদিকে, আপনি আপনার অ-র্যান্ডম স্যাম্পলিং দ্বারা নির্ধারিত একটি জনসংখ্যার সংজ্ঞা দিতে পারেন, সেখানে যে সমিতিগুলি পারেনঅনুমান (এবং পাওয়ারের নিয়মগুলি এই জাতীয় মানগুলির জন্য ধারণ করে)। এই তাত্পর্য নিয়ে আলোচনা করা এবং পাঠককে সিদ্ধান্ত নিতে দিন যে এলোমেলোভাবে নমুনাটি বাস্তব প্রবণতাটির সন্নিকটে কতটা বৈধ হতে পারে the

একটি বিষয় হিসাবে, পক্ষপাত শব্দটির বেমানান ব্যবহার রয়েছে। সম্ভাবনা তত্ত্বে, একটি অনুমানকারকের পক্ষপাতটি দ্বারা সংজ্ঞায়িত করা হয় । তবে একটি অনুমানকারী পক্ষপাতদুষ্ট হতে পারে, তবে সামঞ্জস্যপূর্ণ, যাতে বড় নমুনায় পক্ষপাত "অদৃশ্য" হয়ে যায়, যেমন সাধারণত বিতরণ করা আরভিগুলির স্ট্যান্ডার্ড বিচ্যুতির সর্বাধিক সম্ভাবনা অনুমানের পক্ষপাতিত্ব। যেমন । যে পক্ষপাত নেই, (যেমন ) অসঙ্গত বলা হয়$\mbox{Bias}_n = \theta - \hat{\theta}_n$$\hat{\theta} \rightarrow_p \theta$$\hat{\theta} \not\to_p \theta$সম্ভাবনা তত্ত্ব। অধ্যয়ন নকশা বিশেষজ্ঞরা (এপিডেমিওলজিস্টের মতো) অসঙ্গতিকে "পক্ষপাত" বলার একটি খারাপ অভ্যাসটি বেছে নিয়েছেন। এই ক্ষেত্রে এটি নির্বাচন পক্ষপাত বা স্বেচ্ছাসেবীর পক্ষপাতিত্ব। এটি অবশ্যই পক্ষপাতিত্বের একটি রূপ, তবে অসঙ্গতি থেকেই বোঝা যায় যে পরিমাণে নমুনা দেওয়ার বিষয়টি কখনই সংশোধন করবে না।

সুবিধাযুক্ত নমুনা ডেটা থেকে জনসংখ্যা স্তরের সংস্থাগুলি অনুমান করার জন্য, আপনাকে সঠিকভাবে নমুনা সম্ভাবনা পদ্ধতিটি সনাক্ত করতে হবে এবং আপনার সমস্ত অনুমানের মধ্যে বিপরীত সম্ভাবনা ওজন ব্যবহার করতে হবে। খুব বিরল পরিস্থিতিতে এটি উপলব্ধি করে। অনুশীলনে অসম্ভবের পরে এই জাতীয় প্রক্রিয়া সনাক্তকরণ is এটি করা যেতে পারে এমন সময়টি পূর্বের তথ্য সহ এমন ব্যক্তিদের মধ্যে রয়েছে যারা সমীক্ষা পূরণের জন্য যোগাযোগ করা হয়েছিল। প্রতিক্রিয়াহীন সম্ভাবনার পূর্ববর্তী তথ্যের একটি ফাংশন হিসাবে অনুমান করা যেতে পারে, যেমন বয়স, লিঙ্গ, এসইএস, ... ওজন আপনাকে উত্তর-প্রতিক্রিয়াশীল জনগোষ্ঠীতে কী ফলাফল হত তা এক্সট্রোপোলেটের সুযোগ দেয়। এই জাতীয় বিশ্লেষণের জন্য বিপরীত সম্ভাবনা ওজনকে জড়িত করার জরিপ একটি ভাল উদাহরণ।

Comments

সুবিধাযুক্ত নমুনাকে অসম্পূর্ণ বিবেচনা করা যেতে পারে তবে পক্ষপাতদুষ্ট নয় এমন ধারণাটি নিয়ে আপনি কি কিছুটা ব্যাখ্যা করতে পারেন ? Icallyতিহাসিকভাবে অনেক সুবিধাযুক্ত নমুনাগুলি কঠোরভাবে পক্ষপাতদুষ্ট বলে প্রমাণিত হয়েছে (এবং "পক্ষপাতদুষ্ট" শব্দটি লোকেরা তাদের বর্ণনার জন্য ব্যবহার করেছেন): ১৯৩36 সালের সাহিত্যের ডাইজেস্ট পোল সম্ভবত সবচেয়ে বিখ্যাত উদাহরণ হিসাবে দেখা গেছে।

— হোবার

@ শুভ আমার "অসামঞ্জস্যপূর্ণ" পরিভাষার ব্যবহার ক্ষমা করুন। বায়াস এমন এক জিনিস যা আমি ধরে নিয়েছিলাম বড় নমুনাগুলিতে চলে যাব, যেখানে অনুমানযুক্ত নয় যে অনুমানগুলি কখনও কখনও বড় নমুনায় রূপান্তর করে না। প্রোব তত্ত্বে, বেমানান অনুমানকারীগুলির উদাহরণগুলি খুব কম এবং এর মধ্যে খুব বেশি, তবে অধ্যয়ন নকশার দৃষ্টিকোণ থেকে তারা সর্বদা ক্রপ হয়। মজার বিষয় হচ্ছে, মহামারীবিজ্ঞানীরা সেই "পক্ষপাত" (অর্থাৎ নির্বাচন পক্ষপাত) বলে অভিহিত করেছেন। তবে পোস্টারগুলির প্রশ্নের মাধ্যমে মনে হয়েছিল যে "আরও নমুনা দেওয়ার" পক্ষপাত প্রশমন করবে, যেমনটি সম্ভাবনার তত্ত্ব ধরণের পক্ষপাতিত্বের ক্ষেত্রেও হতে পারে।

— আদমো

আমি নিশ্চিত যে আমি এগুলি সব বুঝেছি, তাই আমি কেবলমাত্র একটি ছোট্ট অংশের দিকে মনোনিবেশ করব: আপনি কি (বা আপনি নন) জোর দিয়ে বলছেন যে বৃহত্তর [সুবিধা] নমুনাগুলি পক্ষপাতিত্ব হ্রাস করে? আমি আশা করি আপনি নন, কারণ এটি অবশ্যই মিথ্যা! (এটি সাহিত্যের ডাইজেস্ট পোল কুখ্যাত হওয়ার এক কারণ: এটি এখন পর্যন্ত নেওয়া সবচেয়ে বড় একটি এবং সবচেয়ে বড় পক্ষপাতীর মধ্যে একটিও প্রদর্শিত হয়েছে))

— হোবার

আসলেই না! আরও নমুনা দেওয়ার ফলে এ জাতীয় অন্তর্দৃষ্টি দূর হয় না। এখানেই বিষয়টি। পোস্টারটি ননর্যান্ডম নমুনার সাথে জনসংখ্যার সংযোগের অনুমানের জন্য পাওয়ারে আগ্রহী এবং আমার বক্তব্যটি হ'ল আপনার কাছে সর্বদা 0 পাওয়ার অনুমান করার ক্ষমতা থাকে (যদি না খুব সাবধানী এবং জটিল ওজন প্রক্রিয়া নিযুক্ত করা হয়)।

— আদমো

শেষ মন্তব্যের জন্য আপনাকে ধন্যবাদ; এটি আপনার উত্তরের একটি অংশ সাফ করে দেয় যে আমি অন্যথায় ভুল ব্যাখ্যা করতে পারি। (+1)

— হোয়াট