Section author: Danielle J. Navarro and David R. Foxcroft
மாதிரி, மக்கள் தொகை மற்றும் மாதிரி
பகுதி I இன் முன்னுரிமையில் தூண்டலின் புதிரைப் பற்றி விவாதித்து, * அனைத்து * கற்றலுக்கும் நீங்கள் அனுமானங்களைச் செய்ய வேண்டும் என்ற உண்மையை எடுத்துக்காட்டுகிறது. இது உண்மை என்பதை ஏற்றுக்கொள்வது, அர்த்தமுள்ள தரவைப் பற்றிய சில பொதுவான அனுமானங்களைக் கொண்டு வருவதற்கான எங்கள் முதல் பணி. இங்குதான் ** மாதிரி கோட்பாடு ** வருகிறது. நிகழ்தகவு கோட்பாடு அனைத்து புள்ளிவிவரக் கோட்பாடுகளும் கட்டும் அடித்தளமாக இருந்தால், மாதிரி கோட்பாடு என்பது நீங்கள் வீட்டின் மற்ற பகுதிகளை உருவாக்கக்கூடிய சட்டமாகும். உங்கள் புள்ளிவிவர அனுமானங்கள் நம்பியிருக்கும் அனுமானங்களைக் குறிப்பிடுவதில் மாதிரி கோட்பாடு பெரும் பங்கு வகிக்கிறது. "அனுமானங்களை உருவாக்குவது" பற்றி பேசுவதற்கு புள்ளிவிவர வல்லுநர்கள் இதைப் பற்றி சிந்திக்கிறார்கள் அனுமானங்கள் * பற்றி * (மக்கள் தொகை).
ஆர்வமுள்ள ஒவ்வொரு சூழ்நிலையிலும், ஆராய்ச்சியாளர்களாகிய நமக்கு கிடைப்பது ** மாதிரி ** தரவு. சில பங்கேற்பாளர்களுடன் நாங்கள் பரிசோதனையை நடத்தியிருக்கலாம், வாக்களிக்கும் நோக்கங்கள் குறித்து கேள்விகளைக் கேட்க ஒரு வாக்குச் சாவடி சிலருக்கு போன் செய்திருக்கலாம், மற்றும் பல. இந்த வழியில் எங்களுக்கு கிடைக்கும் தரவு தொகுப்பு வரையறுக்கப்பட்ட மற்றும் முழுமையற்றது. உலகில் உள்ள ஒவ்வொரு நபரையும் எங்கள் பரிசோதனையைச் செய்ய நாம் பெற முடியாது, எடுத்துக்காட்டாக ஒரு வாக்குச் சாவடி நிறுவனத்திற்கு நாட்டின் ஒவ்வொரு வாக்காளரையும் வளர்க்க நேரமோ பணமோ இல்லை. எங்கள் முந்தைய கலந்துரையாடலில்: DOC: ../ CH04/CH04_Descriptives, இந்த மாதிரி நாங்கள் ஆர்வமாக இருந்தது. அந்த மாதிரியை விவரிக்கும், சுருக்கமாகக் கூறுவதற்கும், வரைபடமாக்குவதற்கும் வழிகளைக் கண்டுபிடிப்பதே எங்கள் ஒரே குறிக்கோளாக இருந்தது. இது மாறப்போகிறது.
ஒரு மக்கள்தொகையை வரையறுத்தல்
ஒரு மாதிரி ஒரு உறுதியான சேதி. நீங்கள் ஒரு தரவுக் கோப்பைத் திறக்கலாம், மேலும் உங்கள் மாதிரியிலிருந்து தரவு உள்ளது. ஒரு ** மக்கள் தொகை **, மறுபுறம், மிகவும் சுருக்கமான சிந்தனை. இது சாத்தியமான அனைத்து நபர்களின் தொகுப்பையும், அல்லது சாத்தியமான அனைத்து அவதானிப்புகளையும் குறிக்கிறது, நீங்கள் முடிவுகளை எடுக்க விரும்புகிறீர்கள், பொதுவாக மாதிரியை விட * மிகச் பெரியது. ஒரு சிறந்த உலகில், ஆராய்ச்சியாளர் ஆர்வத்தின் மக்கள் தொகை என்ன என்பதற்கான தெளிவான யோசனையுடன் ஆய்வைத் தொடங்குவார், ஏனெனில் ஒரு ஆய்வை வடிவமைத்து, தரவுகளுடன் கருதுகோள்களைச் சோதிக்கும் செயல்முறை நீங்கள் அறிக்கைகளை வெளியிட விரும்பும் மக்கள்தொகையைப் பொறுத்தது.
சில நேரங்களில் வட்டி மக்கள்தொகையை குறிப்பிடுவது எளிது. உதாரணமாக, அத்தியாயத்தைத் திறந்த “வாக்குச் சாவடி” எடுத்துக்காட்டில், ஆய்வின் போது பதிவுசெய்யப்பட்ட அனைத்து வாக்காளர்களையும், மில்லியன் கணக்கான மக்கள் மக்கள்தொகை கொண்டவர்கள். மாதிரி அந்த மக்கள்தொகையைச் சேர்ந்த 1000 பேரின் தொகுப்பாகும். பெரும்பாலான ஆய்வுகளில் நிலைமை மிகக் குறைவான நேரடியானது. ஆர்வத்தின் மக்கள்தொகையை தீர்மானிக்கும் ஒரு பொதுவான உளவியல் பரிசோதனையில் சற்று சிக்கலானது. எனது பங்கேற்பாளர்களாக 100 இளங்கலை மாணவர்களைப் பயன்படுத்தி ஒரு பரிசோதனையை நடத்துகிறேன் என்று வைத்துக்கொள்வோம். அறிவாற்றல் விஞ்ஞானியாக எனது குறிக்கோள், மனம் எவ்வாறு செயல்படுகிறது என்பதைப் பற்றி ஏதாவது அறிய முயற்சிப்பதாகும். எனவே, பின்வருவனவற்றில் எது “மக்கள் தொகை” என்று கருதப்படும்:
அடிலெய்ட் பல்கலைக்கழகத்தில் இளங்கலை உளவியல் மாணவர்கள் அனைவரும்?
பொதுவாக இளங்கலை உளவியல் மாணவர்கள், உலகில் எங்கும்?
தற்போது வசிக்கும் ஆச்திரேலியர்கள்?
எனது மாதிரிக்கு ஒத்த அகவை ஆச்திரேலியர்கள்?
தற்போது யாராவது உயிருடன் இருக்கிறார்களா?
எந்த மனிதனும், கடந்த கால, நிகழ்காலம் அல்லது எதிர்காலமா?
ஒரு நிலப்பரப்பு சூழலில் செயல்படும் போதுமான அளவு உளவுத்துறையுடன் ஏதேனும் உயிரியல் உயிரினம்?
ஏதேனும் புத்திசாலி?
இவை ஒவ்வொன்றும் மனம் பதப்படுத்தும் நிறுவனங்களின் உண்மையான குழுவை வரையறுக்கிறது, இவை அனைத்தும் ஒரு அறிவாற்றல் விஞ்ஞானியாக எனக்கு ஆர்வமாக இருக்கலாம், மேலும் ஆர்வத்தின் உண்மையான மக்கள்தொகையாக எது இருக்க வேண்டும் என்பது தெளிவாக இல்லை. மற்றொரு எடுத்துக்காட்டு, நாங்கள் முன்னுரையில் விவாதித்த வெல்லச்லி-கூட்டாளர் விளையாட்டைக் கவனியுங்கள். இங்கே மாதிரி வெல்லச்லிக்கு 12 வெற்றிகள் மற்றும் 0 இழப்புகளின் குறிப்பிட்ட வரிசை. மக்கள் தொகை என்ன?
வெல்லச்லியும் க்ரோக்கரும் தங்கள் இலக்கை அடையும் வரை எல்லா விளைவுகளும்?
வெல்லச்லி மற்றும் க்ரோக்கர் ஆகியோர் தங்கள் வாழ்நாள் முழுவதும் விளையாடியிருந்தால் எல்லா விளைவுகளும்?
வெல்லச்லி மற்றும் க்ரோக்கரின் அனைத்து விளைவுகளும் என்றென்றும் வாழ்ந்து, உலகம் மலைகளை விட்டு வெளியேறும் வரை விளையாட்டை விளையாடியதா?
எல்லா விளைவுகளும் நாம் எல்லையற்ற இணையான பிரபஞ்சங்களை உருவாக்கினால், வெல்லெச்லி/க்ரோக்கர் இணை ஒவ்வொரு பிரபஞ்சத்திலும் ஒரே 12 மலைகளைப் பற்றி யூகங்களை உருவாக்கியது?
மீண்டும், மக்கள் தொகை என்ன என்பது தெளிவாகத் தெரியவில்லை.
எளிய சீரற்ற மாதிரிகள்
மக்கள்தொகையை நான் எவ்வாறு வரையறுக்கிறேன் என்பதைப் பொருட்படுத்தாமல், முக்கியமான சேதி என்னவென்றால், மாதிரி மக்கள்தொகையின் துணைக்குழு மற்றும் மக்கள்தொகையின் பண்புகள் குறித்த அனுமானங்களை வரைய மாதிரியைப் பற்றிய நமது அறிவைப் பயன்படுத்துவதே எங்கள் குறிக்கோள். இரண்டிற்கும் இடையிலான உறவு மாதிரி தேர்ந்தெடுக்கப்பட்ட * செயல்முறை * ஐப் பொறுத்தது. இந்த செயல்முறை ** மாதிரி முறை ** என குறிப்பிடப்படுகிறது, மேலும் இது ஏன் முக்கியமானது என்பதைப் புரிந்துகொள்வது தேவை.
விசயங்களை எளிமையாக வைத்திருக்க, 10 சில்லுகள் கொண்ட ஒரு பை எங்களிடம் உள்ளது என்று கற்பனை செய்யலாம். ஒவ்வொரு சிப்பிலும் ஒரு தனித்துவமான கடிதம் அச்சிடப்பட்டுள்ளது, எனவே 10 சில்லுகளுக்கு இடையில் வேறுபடுத்தலாம். சில்லுகள் கருப்பு மற்றும் வெள்ளை இரண்டு வண்ணங்களில் வருகின்றன. இந்த சில்லுகளின் தொகுப்பு ஆர்வத்தின் மக்கள் தொகை மற்றும் இது இடதுபுறத்தில் வரைபடமாக சித்தரிக்கப்படுகிறது: எண்ரெஃப்: FIG-SRS1. படத்தைப் பார்ப்பதிலிருந்து நீங்கள் பார்க்க முடியும் என 4 கருப்பு சில்லுகள் மற்றும் 6 வெள்ளை சில்லுகள் உள்ளன, ஆனால் நிச்சயமாக நிச வாழ்க்கையில் நாங்கள் பையில் பார்க்காவிட்டால் அது எங்களுக்குத் தெரியாது. இப்போது நீங்கள் பின்வரும் “பரிசோதனையை” இயக்குவதை கற்பனை செய்து பாருங்கள்: நீங்கள் பையை அசைத்து, கண்களை மூடிக்கொண்டு, அவற்றில் எதையும் மீண்டும் பையில் வைக்காமல் 4 சில்லுகளை வெளியே இழுக்கிறீர்கள். முதலில் வெளியே * a * சிப் (கருப்பு), பின்னர் * சி * சிப் (வெள்ளை), பின்னர் * சே * (வெள்ளை), பின்னர் இறுதியாக * பி * (கருப்பு) வருகிறது. நீங்கள் விரும்பினால், எல்லா சில்லுகளையும் மீண்டும் பையில் வைத்து, வலது புறத்தில் சித்தரிக்கப்பட்டுள்ளபடி பரிசோதனையை மீண்டும் செய்ய முடியும்: numref: Fig-srs1. ஒவ்வொரு முறையும் நீங்கள் வெவ்வேறு முடிவுகளைப் பெறும்போது, ஒவ்வொரு விசயத்திலும் செயல்முறை ஒரே மாதிரியாக இருக்கும். ஒவ்வொரு முறையும் நாம் ஒரு * சீரற்ற * செயல்முறை எனக் குறிப்பிடும்போது ஒரே நடைமுறை வெவ்வேறு முடிவுகளுக்கு வழிவகுக்கும். [#] _ இருப்பினும், எந்தவொரு சில்லுகளையும் வெளியே இழுப்பதற்கு முன்பு நாங்கள் பையை அசைத்ததால், ஒவ்வொரு சிப்பும் இருக்கிறது என்று நினைப்பது நியாயமானதாகத் தெரிகிறது தேர்ந்தெடுக்கப்பட்ட அதே வாய்ப்பு. மக்கள்தொகையில் ஒவ்வொரு உறுப்பினருக்கும் தேர்ந்தெடுக்கப்பட்ட ஒரு வாய்ப்பு ஒரு ** எளிய சீரற்ற மாதிரி ** என்று அழைக்கப்படுகிறது. நாங்கள் செய்ததில்லை*சில்லுகளை வெளியே இழுத்தபின் பையில் மீண்டும் பையில் வைக்கவில்லை என்பதன் பொருள், இதே விசயத்தை நீங்கள் இரண்டு முறை கவனிக்க முடியாது, இதுபோன்ற சந்தர்ப்பங்களில் அவதானிப்புகள் மாற்றப்படாமல் ** மாதிரி செய்யப்பட்டதாகக் கூறப்படுகிறது **.
Fig. 55 வரையறுக்கப்பட்ட மக்கள்தொகையிலிருந்து மாற்றப்படாமல் எளிய சீரற்ற மாதிரி
மாதிரி நடைமுறையின் முக்கியத்துவத்தை நீங்கள் புரிந்துகொண்டுள்ளீர்கள் என்பதை உறுதிப்படுத்த, சோதனை இயக்கக்கூடிய மாற்று வழியைக் கவனியுங்கள். எனது 5 அகவை மகன் பையைத் திறந்து, அவற்றில் எதையும் மீண்டும் பையில் வைக்காமல் நான்கு கருப்பு சில்லுகளை வெளியே இழுக்க முடிவு செய்தான் என்று வைத்துக்கொள்வோம். இந்த * பக்கச்சார்பான * மாதிரி திட்டம் இதில் சித்தரிக்கப்பட்டுள்ளது: NUMREF: Fig-brs. இப்போது 4 கருப்பு சில்லுகள் மற்றும் 0 வெள்ளை சில்லுகளைப் பார்ப்பதன் தெளிவான மதிப்பைக் கவனியுங்கள். இது மாதிரி திட்டத்தைப் பொறுத்தது என்பது தெளிவாகத் தெரிகிறது, இல்லையா? கருப்பு சில்லுகளை மட்டுமே தேர்ந்தெடுப்பதற்கு மாதிரி திட்டம் பக்கச்சார்பானது என்பது உங்களுக்குத் தெரிந்தால், கருப்பு சில்லுகளை மட்டுமே கொண்ட ஒரு மாதிரி மக்கள்தொகையைப் பற்றி உங்களுக்கு அதிகம் சொல்லாது! இந்த காரணத்திற்காக, புள்ளிவிவர வல்லுநர்கள் ஒரு தரவுத் தொகுப்பை ஒரு எளிய சீரற்ற மாதிரியாகக் கருதும்போது அதை விரும்புகிறார்கள், ஏனெனில் இது தரவு பகுப்பாய்வை * மிகவும் * எளிதாக்குகிறது.
Fig. 56 வரையறுக்கப்பட்ட மக்கள்தொகையில் இருந்து மாற்றாமல் பக்கச்சார்பான மாதிரி
மூன்றாவது நடைமுறை குறிப்பிடத் தகுந்தது. இந்த நேரத்தில் நாங்கள் கண்களை மூடிக்கொண்டு, பையை அசைத்து, ஒரு சிப்பை வெளியே இழுக்கிறோம். எவ்வாறாயினும், இந்த நேரத்தில், நாங்கள் அவதானிப்பைப் பதிவுசெய்து பின்னர் சிப்பை மீண்டும் பையில் வைக்கிறோம். மீண்டும் நாங்கள் கண்களை மூடிக்கொண்டு, பையை அசைத்து, ஒரு சிப்பை வெளியே இழுக்கிறோம். நாங்கள் 4 சில்லுகள் இருக்கும் வரை இந்த நடைமுறையை மீண்டும் செய்கிறோம். இந்த வழியில் உருவாக்கப்படும் தரவுத் தொகுப்புகள் இன்னும் எளிமையான சீரற்ற மாதிரிகள், ஆனால் அவற்றை வரைந்த உடனேயே சில்லுகளை பையில் மீண்டும் வைப்பதால், அது ஒரு மாதிரி ** மாற்றத்துடன் ** என குறிப்பிடப்படுகிறது **. இந்த நிலைமைக்கும் முதலாவதாகவும் உள்ள வேறுபாடு என்னவென்றால், ஒரே மக்கள்தொகை உறுப்பினரை பல முறை அவதானிக்க முடியும், இது எண்ரெப்பில் விளக்கப்பட்டுள்ளது: FIG-SRS2.
Fig. 57 வரையறுக்கப்பட்ட மக்கள்தொகையிலிருந்து மாற்றத்துடன் எளிய சீரற்ற மாதிரி
எனது அனுபவத்தில், பெரும்பாலான உளவியல் சோதனைகள் மாற்றமின்றி மாதிரியாக இருக்கின்றன, ஏனென்றால் அதே நபர் சோதனையில் இரண்டு முறை பங்கேற்க அனுமதிக்கப்படுவதில்லை. இருப்பினும், பெரும்பாலான புள்ளிவிவரக் கோட்பாடு தரவு ஒரு எளிய சீரற்ற மாதிரியிலிருந்து * மாற்றத்துடன் எழுகிறது என்ற அனுமானத்தை அடிப்படையாகக் கொண்டது. நிச வாழ்க்கையில் இது மிகவும் அரிதாகவே முக்கியமானது. வட்டி மக்கள் தொகை பெரியதாக இருந்தால் (எ.கா., 10 க்கும் மேற்பட்ட நிறுவனங்கள் உள்ளன!) மாதிரிக்கு இடையிலான வேறுபாடு- மற்றும் இல்லாமல்- மாற்றீடு மிகவும் சிறியது. மறுபுறம், எளிய சீரற்ற மாதிரிகள் மற்றும் பக்கச்சார்பான மாதிரிகள் ஆகியவற்றுக்கு இடையேயான வேறுபாடு நிராகரிக்க எளிதான சேதி அல்ல.
பெரும்பாலான மாதிரிகள் எளிய சீரற்ற மாதிரிகள் அல்ல
நான் மேலே காட்டிய சாத்தியமான மக்களின் பட்டியலைப் பார்ப்பதிலிருந்து நீங்கள் காணக்கூடியது போல, ஆர்வத்தின் பெரும்பாலான மக்களிடமிருந்து ஒரு எளிய சீரற்ற மாதிரியைப் பெறுவது கிட்டத்தட்ட சாத்தியமற்றது. நான் சோதனைகளை நடத்தும்போது, எனது பங்கேற்பாளர்கள் அடிலெய்ட் பல்கலைக்கழகத்தின் இளங்கலை உளவியல் மாணவர்களின் சீரற்ற மாதிரியாக மாறினால், இது ஒரு சிறிய அதிசயமாக கருதப்படுகிறது, இது நான் பொதுமைப்படுத்த விரும்பும் குறுகிய மக்கள்தொகையாக இருந்தாலும். பிற வகை மாதிரி திட்டங்களைப் பற்றிய முழுமையான கலந்துரையாடல் இந்த புத்தகத்தின் எல்லைக்கு அப்பாற்பட்டது, ஆனால் அங்கு என்ன இருக்கிறது என்பதைப் புரிந்துகொள்வதற்கு நான் மிக முக்கியமான சிலவற்றை பட்டியலிடுவேன்.
அடுக்கு மாதிரி. உங்கள் மக்கள் தொகை பல்வேறு துணை மக்கள்தொகைகளாக பிரிக்கப்பட்டுள்ளது (அல்லது இருக்கலாம்) என்று வைத்துக்கொள்வோம். உதாரணமாக, நீங்கள் பல தளங்களில் ஒரு ஆய்வை நடத்துகிறீர்கள். ஒட்டுமொத்த மக்கள்தொகையிலிருந்து தோராயமாக மாதிரி எடுக்க முயற்சிப்பதற்குப் பதிலாக, ஒவ்வொரு அடுக்குகளிலிருந்தும் ஒரு தனி சீரற்ற மாதிரியை சேகரிக்க முயற்சிக்கிறீர்கள். எளிமையான சீரற்ற மாதிரியை விட, குறிப்பாக மக்கள் தொகை ஏற்கனவே தனித்துவமான அடுக்குகளாக பிரிக்கப்பட்டால், அடுக்கடுக்கப்பட்ட மாதிரி சில நேரங்களில் செய்ய எளிதானது. எளிய சீரற்ற மாதிரியை விட இது மிகவும் திறமையானதாக இருக்கும், குறிப்பாக சில துணை மக்கள்தொகைகள் அரிதாக இருக்கும்போது. உதாரணமாக, ச்கிசோஃப்ரினியாவைப் படிக்கும்போது, மக்கள்தொகையை இரண்டு [#] _ அடுக்குகளாகப் பிரிப்பது மிகவும் நல்லது (ச்கிசோஃப்ரினிக் மற்றும் ச்கிசோஃப்ரினிக் அல்ல) பின்னர் ஒவ்வொரு குழுவிலிருந்தும் சம எண்ணிக்கையிலான மக்களை மாதிரியாகக் கொண்டுள்ளது. நீங்கள் தோராயமாக நபர்களைத் தேர்ந்தெடுத்தால், உங்கள் ஆய்வு பயனற்றதாக இருக்கும் என்று மாதிரியில் சில ச்கிசோஃப்ரினிக் நபர்களைப் பெறுவீர்கள். இந்த குறிப்பிட்ட வகையான அடுக்கு மாதிரிகள் * மிகைப்படுத்தல் * என குறிப்பிடப்படுகின்றன, ஏனெனில் இது அரிய குழுக்களை அதிகமாக பிரதிநிதித்துவப்படுத்த வேண்டுமென்றே முயற்சிக்கிறது.
Snowball sampling is a technique that is especially useful when sampling from a “hidden” or hard to access population and is especially common in social sciences. For instance, suppose the researchers want to conduct an opinion poll among transgender people. The research team might only have contact details for a few trans folks, so the survey starts by asking them to participate (stage 1). At the end of the survey the participants are asked to provide contact details for other people who might want to participate. In stage 2 those new contacts are surveyed. The process continues until the researchers have sufficient data. The big advantage to snowball sampling is that it gets you data in situations that might otherwise be impossible to get any. On the statistical side, the main disadvantage is that the sample is highly non-random, and non-random in ways that are difficult to address. On the real life side, the disadvantage is that the procedure can be unethical if not handled well, because hidden populations are often hidden for a reason. I chose transgender people as an example here to highlight this issue. If you weren’t careful you might end up outing people who don’t want to be outed (very, very bad form), and even if you don’t make that mistake it can still be intrusive to use people’s social networks to study them. It’s certainly very hard to get people’s informed consent before contacting them, yet in many cases the simple act of contacting them and saying “hey we want to study you” can be hurtful. Social networks are complex things, and just because you can use them to get data doesn’t always mean you should.
Convenience sampling is more or less what it sounds like. The samples are chosen in a way that is convenient to the researcher, and not selected at random from the population of interest. Snowball sampling is one type of convenience sampling, but there are many others. A common example in psychology are studies that rely on undergraduate psychology students. These samples are generally non-random in two respects. First, reliance on undergraduate psychology students automatically means that your data are restricted to a single sub-population. Second, the students usually get to pick which studies they participate in, so the sample is a self selected subset of psychology students and not a randomly selected subset. In real life most studies are convenience samples of one form or another. This is sometimes a severe limitation, but not always.
உங்களிடம் எளிய சீரற்ற மாதிரி இல்லையென்றால் எவ்வளவு முக்கியம்?
சரி, எனவே உண்மையான உலக தரவு சேகரிப்பு நல்ல எளிய சீரற்ற மாதிரிகளை உள்ளடக்கியது அல்ல. அது முக்கியமா? உங்கள் தரவு ஒரு எளிய சீரற்ற மாதிரியாக இல்லாவிட்டால் * அது * முதன்மை என்பதை ஒரு சிறிய சிந்தனை உங்களுக்குத் தெளிவுபடுத்த வேண்டும். இடையிலான வேறுபாட்டைப் பற்றி சற்று சிந்தித்துப் பாருங்கள்: NumRef: Fig-srs1 மற்றும்: NumRef:` Fig-brs`. இருப்பினும், இது மிகவும் மோசமாக இல்லை. சில வகையான பக்கச்சார்பான மாதிரிகள் முற்றிலும் சிக்கலற்றவை. உதாரணமாக, ஒரு அடுக்கு மாதிரி நுட்பத்தைப் பயன்படுத்தும் போது நீங்கள் உண்மையில் * தெரியும் * சார்பு என்ன என்பதை நீங்கள் வேண்டுமென்றே உருவாக்கியதால், உங்கள் ஆய்வின் செயல்திறனை * அதிகரிக்க *, மற்றும் நீங்கள் சார்புகளை சரிசெய்ய நீங்கள் பயன்படுத்தக்கூடிய புள்ளிவிவர நுட்பங்கள் உள்ளன அறிமுகப்படுத்தப்பட்டது (இந்த புத்தகத்தில் இல்லை!). எனவே அந்த சூழ்நிலைகளில் இது ஒரு பிரச்சனையல்ல.
மிகவும் பொதுவாக இருந்தாலும், சீரற்ற மாதிரி என்பது ஒரு முடிவுக்கு ஒரு வழிமுறையாகும் என்பதை நினைவில் கொள்வது தேவை, ஆனால் அது தானே முடிவு அல்ல. நீங்கள் ஒரு வசதியான மாதிரியை நம்பியிருக்கிறீர்கள் என்று வைத்துக் கொள்வோம், மேலும் இது பக்கச்சார்பானது என்று நீங்கள் கருதலாம். உங்கள் மாதிரி முறையில் ஒரு சார்பு என்பது தவறான முடிவுகளை எடுக்க நீங்கள் ஏற்படுத்தினால் மட்டுமே ஒரு சிக்கல். அந்த கண்ணோட்டத்தில் பார்க்கும்போது, * ஒவ்வொரு * மரியாதையிலும் தோராயமாக உருவாக்கப்படுவதற்கு எங்களுக்கு மாதிரி தேவையில்லை என்று நான் வாதிடுகிறேன், உளவியல் ரீதியாக தொடர்புடைய ஆர்வமுள்ள நிகழ்வைப் பொறுத்து அது சீரற்றதாக இருக்க வேண்டும். வேலை செய்யும் நினைவகத் திறனைப் பார்க்கும் ஒரு ஆய்வை நான் செய்கிறேன் என்று வைத்துக்கொள்வோம். ஆய்வு 1 இல், தற்போது உயிருடன் இருக்கும் அனைத்து மனிதர்களிடமிருந்தும் தோராயமாக மாதிரி எடுக்கும் திறன் எனக்கு உள்ளது, ஒரு விதிவிலக்கு: ஒரு திங்கட்கிழமை பிறந்தவர்களை மட்டுமே என்னால் மாதிரி செய்ய முடியும். ஆய்வு 2 இல், ஆச்திரேலிய மக்களிடமிருந்து தோராயமாக என்னால் மாதிரி செய்ய முடிகிறது. எனது முடிவுகளை அனைத்து உயிருள்ள மனிதர்களின் மக்களுக்கும் பொதுமைப்படுத்த விரும்புகிறேன். எந்த ஆய்வு சிறந்தது? பதில், வெளிப்படையாக, ஆய்வு 1. ஏன்? ஏனென்றால், "ஒரு திங்கட்கிழமை பிறந்தது" என்பது நினைவகத் திறனுடன் எந்த சுவையான உறவையும் கொண்டுள்ளது என்று நினைப்பதற்கு எங்களுக்கு எந்த காரணமும் இல்லை. இதற்கு நேர்மாறாக, "ஆச்திரேலியராக இருப்பது" என்பது முக்கியமாக இருப்பதற்கான பல காரணங்களை நான் சிந்திக்க முடியும். ஆச்திரேலியா ஒரு பணக்கார, தொழில்மயமாக்கப்பட்ட நாடு. அந்த அமைப்பில் வளர்ந்து வரும் மக்கள், நினைவகத் திறனைச் செயல்படுத்துவதற்கான சோதனைகளை வடிவமைத்தவர்களின் அனுபவங்களுடன் வாழ்க்கை அனுபவங்களை மிகவும் ஒத்ததாக இருந்திருப்பார்கள். இந்த பகிரப்பட்ட பட்டறிவு "ஒரு சோதனையை எவ்வாறு எடுப்பது", உளவியல் ஆய்வு எவ்வாறு செயல்படுகிறது என்பது பற்றிய பகிரப்பட்ட அனுமானம் மற்றும் பலவற்றைப் பற்றிய ஒத்த நம்பிக்கைகளுக்கு எளிதாக மொழிபெயர்க்கலாம். இந்த விசயங்கள் உண்மையில் முதன்மை. உதாரணமாக, இதேபோன்ற சூழலில் வளராத நபர்களை விட மிகவும் சுருக்கமான சோதனைப் பொருட்களில் பிரத்தியேகமாக தங்கள் கவனத்தை எவ்வாறு வழிநடத்துவது என்பதை ஆச்திரேலிய பங்கேற்பாளர்களுக்கு “டெச்ட் எடுக்கும்” பாணி கற்பித்திருக்கலாம். எனவே இது வேலை செய்யும் நினைவக திறன் என்ன என்பதற்கான தவறான படத்திற்கு வழிவகுக்கும்.
இந்த விவாதத்தில் இரண்டு புள்ளிகள் மறைக்கப்பட்டுள்ளன. முதலாவதாக, உங்கள் சொந்த படிப்பை வடிவமைக்கும்போது, நீங்கள் எந்த மக்கள்தொகையைப் பற்றி அக்கறை காட்டுகிறீர்கள் என்பதைப் பற்றி சிந்தித்து, அந்த மக்கள்தொகைக்கு ஏற்ற வகையில் மாதிரி செய்ய கடினமாக முயற்சி செய்யுங்கள். நடைமுறையில், நீங்கள் வழக்கமாக ஒரு “வசதியின் மாதிரி” (எ.கா., உளவியல் விரிவுரையாளர்கள் மாதிரி உளவியல் மாணவர்களை சமாளிக்க வேண்டிய கட்டாயத்தில் உள்ளீர்கள், ஏனெனில் இது தரவைச் சேகரிப்பதற்கான மிகக் குறைந்த விலையுயர்ந்த வழி, மேலும் எங்கள் பொக்கிசங்கள் தங்கத்தால் நிரம்பி வழிகிறது), ஆனால் என்றால் என்றால்) எனவே இந்த நடைமுறையின் ஆபத்துகள் என்னவாக இருக்கும் என்பதைப் பற்றி சிந்திக்க குறைந்தபட்சம் சிறிது நேரம் செலவிட வேண்டும். இரண்டாவதாக, நீங்கள் வேறொருவரின் ஆய்வை விமர்சிக்கப் போகிறீர்கள் என்றால், அவர்கள் முழு மனித மக்களிடமிருந்தும் தோராயமாக மாதிரியாக மாதிரியாக இருப்பதைக் காட்டிலும் வசதியின் மாதிரியைப் பயன்படுத்தியிருப்பதால், குறைந்தபட்சம் * இது எப்படி இருக்கலாம் என்று ஒரு குறிப்பிட்ட கோட்பாட்டை வழங்குவதற்கான மரியாதை உள்ளது முடிவுகளை சிதைத்தது.
மக்கள் தொகை அளவுருக்கள் மற்றும் மாதிரி புள்ளிவிவரங்கள்
சரி. சீரற்ற மாதிரியைப் பெறுவதோடு தொடர்புடைய முள் முறையான சிக்கல்களை ஒதுக்கி வைப்பது, சற்று வித்தியாசமான சிக்கலைக் கருத்தில் கொள்வோம். இந்த கட்டத்தில் நாங்கள் ஒரு விஞ்ஞானி செய்யக்கூடிய விதத்தில் மக்களைப் பற்றி பேசுகிறோம். ஒரு உளவியலாளருக்கு மக்கள் தொகை ஒரு குழுவாக இருக்கலாம். ஒரு சுற்றுச்சூழல் நிபுணருக்கு மக்கள் தொகை கரடிகளின் குழுவாக இருக்கலாம். பெரும்பாலான சந்தர்ப்பங்களில், விஞ்ஞானிகள் அக்கறை கொள்ளும் மக்கள் உண்மையான உலகில் உண்மையில் இருக்கும் உறுதியான விசயங்கள். இருப்பினும், புள்ளிவிவர வல்லுநர்கள் ஒரு வேடிக்கையான நிறைய. ஒருபுறம், அவர்கள் * விஞ்ஞானிகள் போலவே உண்மையான உலக தரவு மற்றும் உண்மையான அறிவியலில் ஆர்வம் காட்டுகிறார்கள். மறுபுறம், அவை கணிதவியலாளர்கள் செய்யும் விதத்தில் தூய சுருக்கத்தின் உலகிலும் செயல்படுகின்றன. இதன் விளைவாக, புள்ளிவிவரக் கோட்பாடு ஒரு மக்கள் தொகை எவ்வாறு வரையறுக்கப்படுகிறது என்பதில் சற்று சுருக்கமாக இருக்கும். உளவியல் ஆராய்ச்சியாளர்கள் எங்கள் சுருக்கமான தத்துவார்த்த யோசனைகளை உறுதியான அளவீடுகளின் அடிப்படையில் செயல்படும் அதே வழியில் (பிரிவு: doc: ../ ch02/ch02_studydesign_1), புள்ளிவிவர வல்லுநர்கள் கணிதப் பொருள்களின் அடிப்படையில் ஒரு“ மக்கள் தொகை ”என்ற கருத்தை செயல்படுத்துகிறார்கள் எவ்வாறு வேலை செய்வது. அத்தியாயம்: ../ ch07/ch07_probability இல் நீங்கள் ஏற்கனவே இந்த பொருள்களைக் கண்டிருக்கிறீர்கள். அவை நிகழ்தகவு வழங்கல் என்று அழைக்கப்படுகின்றன.
சிந்தனை மிகவும் எளிது. நாங்கள் IQ மதிப்பெண்களைப் பற்றி பேசுகிறோம் என்று சொல்லலாம். ஒரு உளவியலாளருக்கு ஆர்வத்தின் மக்கள் தொகை ஐ.க்யூ மதிப்பெண்களைக் கொண்ட உண்மையான மனிதர்களின் குழு. ஒரு புள்ளிவிவர வல்லுநர் இதை இடது குழுவில் சித்தரிக்கப்பட்டுள்ள நிகழ்தகவு விநியோகமாக மக்கள்தொகையை வரையறுப்பதன் மூலம் இதை "எளிதாக்குகிறார்": NUMREF: Fig-IQ_POP_SMP. IQ சோதனைகள் வடிவமைக்கப்பட்டுள்ளன, இதனால் சராசரி IQ 100, IQ மதிப்பெண்களின் நிலையான விலகல் 15, மற்றும் IQ மதிப்பெண்களின் வழங்கல் சாதாரணமானது. இந்த மதிப்புகள் ** மக்கள்தொகை அளவுருக்கள் ** என குறிப்பிடப்படுகின்றன, ஏனெனில் அவை முழு மக்கள்தொகையின் பண்புகள். அதாவது, மக்கள்தொகை என்பது 100 டாலர் என்றும் மக்கள்தொகை தரநிலை விலகல் 15 என்றும் நாங்கள் கூறுகிறோம்.
Fig. 58 ஐ.க்யூ மதிப்பெண்களின் மக்கள்தொகை வழங்கல் (இடது குழு) மற்றும் அதிலிருந்து தோராயமாக வரையப்பட்ட இரண்டு மாதிரிகள்: நடுத்தர குழுவில், எங்களிடம் 100 அவதானிப்புகளின் மாதிரி உள்ளது, வலது பேனலில், 10,000 அவதானிப்புகளின் மாதிரி உள்ளது.
இப்போது நான் ஒரு பரிசோதனையை நடத்துகிறேன் என்று வைத்துக்கொள்வோம். நான் 100 பேரை சீரற்ற முறையில் தேர்ந்தெடுத்து ஒரு ஐ.க்யூ சோதனையை நிர்வகிக்கிறேன், மக்களிடமிருந்து ஒரு எளிய சீரற்ற மாதிரியை எனக்குக் கொடுக்கிறேன். எனது மாதிரி இது போன்ற எண்களின் தொகுப்பைக் கொண்டிருக்கும்:
106 101 98 80 74 … 107 72 100
இந்த ஐ.க்யூ மதிப்பெண்கள் ஒவ்வொன்றும் சராசரி 100 மற்றும் நிலையான விலகல் 15 உடன் சாதாரண விநியோகத்திலிருந்து மாதிரியாக இருக்கும். எனவே நான் மாதிரியின் ஒரு இச்டோகிராம் சூழ்ச்சி செய்தால், நடுத்தர பேனலில் காட்டப்பட்டுள்ளதைப் போன்ற ஒன்றைப் பெறுகிறேன்: NumRef: Fig-IQ_POP_SMP. நீங்கள் பார்க்க முடியும் என, இச்டோகிராம் * தோராயமாக * சரியான வடிவம், ஆனால் இது இடது குழுவில் காட்டப்பட்டுள்ள உண்மையான மக்கள்தொகை விநியோகத்திற்கு மிகவும் கச்சா தோராயமாகும்: NumRef: Fig-IQ_POP_SMP. எனது மாதிரியின் சராசரியை நான் கணக்கிடும்போது, மக்கள்தொகைக்கு மிகவும் நெருக்கமான ஒரு எண்ணை நான் பெறுகிறேன், ஆனால் இது 100 ஆனால் ஒத்ததாக இல்லை. இந்த விசயத்தில், எனது மாதிரியில் உள்ளவர்களுக்கு 98.5 சராசரி ஐ.க்யூ உள்ளது, மேலும் அவர்களின் ஐ.க்யூ மதிப்பெண்களின் நிலையான விலகல் 15.9 ஆகும். இந்த ** மாதிரி புள்ளிவிவரங்கள் ** எனது தரவுத் தொகுப்பின் பண்புகள், அவை உண்மையான மக்கள்தொகை மதிப்புகளுக்கு மிகவும் ஒத்தவை என்றாலும் அவை ஒன்றல்ல. பொதுவாக, மாதிரி புள்ளிவிவரங்கள் உங்கள் தரவுத் தொகுப்பிலிருந்து நீங்கள் கணக்கிடக்கூடிய விசயங்கள் மற்றும் மக்கள் தொகை அளவுருக்கள் நீங்கள் கற்றுக்கொள்ள விரும்பும் விசயங்கள். இந்த அத்தியாயத்தில் உங்கள் மாதிரி புள்ளிவிவரங்களைப் பயன்படுத்தி மக்கள்தொகை அளவுருக்களை எவ்வாறு மதிப்பிடலாம் என்பதைப் பற்றி பேசுவேன் (: DOC: CH08_ESTIMATION_4) மற்றும் உங்கள் மதிப்பீடுகளில் நீங்கள் எவ்வளவு நம்பிக்கையுடன் இருக்கிறீர்கள் (: DOC:` CH08_ESTIMATION_5`) நீங்கள் தெரிந்து கொள்ள வேண்டிய மாதிரி கோட்பாட்டில் இன்னும் சில சிந்தனைகள் உள்ளன.