Հարցումների կշռման հաշվիչ

Հարցումների տվյալների կալիբրացում և ռեյքինգի մեթոդաբանություն

Հարցումների իրականացման ժամանակ հաճախ է պատահում, որ հավաքագրված ընտրանքի ժողովրդագրական կամ սոցիալական կառուցվածքը չի համապատասխանում հետազոտվող բնակչության իրական բաշխմանը։ Տվյալների կալիբրացումը թույլ է տալիս ճշգրտել հարցվողների անհատական կշիռներն այնպես, որ ընտրանքի սահմանային բաշխումները համապատասխանեն բնակչության հայտնի ցուցանիշներին։

Այս նպատակով կիրառվում է ռեյքինգի (raking կամ iterative proportional fitting) ալգորիթմը։ Այն պարբերաբար ճշգրտում է անհատական կշիռները յուրաքանչյուր ընտրված փոփոխականի համար՝ ցիկլային եղանակով մոտենալով թիրախային սահմաններին։ Գործընթացն ավարտվում է, երբ բոլոր սահմանների գծով հարաբերական սխալը փոքրանում է օգտագործողի կողմից սահմանված թույլատրելի շեղումից։

Ռեյքինգի և հետշերտավորման տարբերությունները

Երբ հետազոտության մեջ կիրառվում է միայն մեկ կատեգորիկ փոփոխական (օրինակ՝ միայն սեռը կամ միայն տարիքային խումբը), կալիբրացման գործընթացն իրականացվում է մեկ ցիկլով։ Այս դեպքում յուրաքանչյուր կատեգորիա ստանում է պարզ ճշգրտում՝ թիրախային մասնաբաժինը բաժանելով ընթացիկ մասնաբաժնի վրա։ Սա կոչվում է պարզ հետշերտավորում (post-stratification)։

Սակայն, երբ անհրաժեշտ է համապատասխանեցնել մի քանի փոփոխականներ միաժամանակ (օրինակ՝ սեռը, տարիքը և տարածաշրջանը), պարզ հետշերտավորումը պահանջում է բոլոր փոփոխականների խաչաձև աղյուսակի յուրաքանչյուր բջջի թիրախային տվյալները։ Շատ հաճախ այդպիսի մանրամասն տվյալներ հասանելի չեն լինում։ Ռեյքինգը լուծում է այս խնդիրը՝ օգտագործելով միայն առանձին փոփոխականների սահմանային բաշխումները (margins)։ Այն հերթով ճշգրտում է յուրաքանչյուր փոփոխականի սահմանը՝ առանց պահանջելու խաչաձև համակցությունների թիրախային արժեքները։

Բազային կշիռների կիրառումը և նշանակությունը

Կալիբրացման գործընթացը սկսելուց առաջ յուրաքանչյուր հարցվողի համար կարող է սահմանվել սկզբնական կամ բազային կշիռ։

• Բազային կշռի սյունակ (Base-weight column). Սա ոչ պարտադիր և անչափելի մուտքային տվյալ է։ Եթե այն թողնվում է դատարկ, ապա յուրաքանչյուր հարցվող ստանում է 1 սկզբնական կշիռ։
• Կիրառման կանոնները. Բազային կշռի արժեքները պետք է լինեն վերջավոր և մեծ 0-ից։ Սովորաբար որպես բազային կշիռ օգտագործվում է հարցվողի ընտրության հավանականության հակադարձ մեծությունը, որը կարող է ներառել նաև չպատասխանելու հետևանքով առաջացած շեղումների նախնական ճշգրտումները։
• Սահմանափակումներ. Բազային կշիռների կիրառումը չի կարող հարմարավետ ընտրանքը (convenience sample) վերածել լիարժեք հավանականային ընտրանքի, սակայն այն օգնում է նվազեցնել հայտնի ժողովրդագրական շեղումները։

Կշռման ազդեցությունը ճշգրտության վրա (Kish Weight Effect)

Կշիռների կիրառումը գրեթե միշտ հանգեցնում է ընտրանքի անդամների միջև անհավասար կշիռների առաջացման, ինչն իր հերթին մեծացնում է գնահատումների դիսպերսիան (variance)։ Այս ճշգրտության կորուստը գնահատելու համար օգտագործվում է Kish-ի կշռի ազդեցության ցուցանիշը։

Kish-ի ախտորոշումը հաշվարկվում է հետևյալ բանաձևով. Kish weight effect = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›

Այս ցուցանիշի հիման վրա որոշվում է ընտրանքի արդյունավետ ծավալը (Effective sample size). Effective sample size = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›

Կշռման արդյունավետությունը ցույց է տալիս, թե ընտրանքի որ տոկոսն է պահպանվում որպես օգտակար տեղեկատվություն անհավասար կշռման արդյունքում։ Կարևոր է հաշվի առնել, որ Kish-ի ախտորոշումն արտացոլում է միայն անհավասար կշիռները. այն չի ներառում կլաստերավորումը, շերտավորումը կամ հարցման դիսպերսիայի ամբողջական գնահատումը։

Ռեյքինգի ձախողման և անհամապատասխանության ախտորոշում

Ոչ բոլոր դեպքերում է հնարավոր հասնել ալգորիթմի համամիտմանը։ Հիմնական պատճառներն ու ախտորոշման եղանակներն են.

1. Զրոյական բջիջների խնդիր (Zero-Cell Condition). Եթե որևէ կատեգորիա ունի դրական թիրախային տոկոս բնակչության մեջ, սակայն ընտրանքում այդ կատեգորիայի գծով ոչ մի հարցվող չկա (կամ սկզբնական կշիռների գումարը 0 է), ապա վերջավոր լուծում գոյություն չունի։
2. Անհամատեղելի թիրախներ. Երբ տարբեր փոփոխականների սահմանային թիրախները հակասում են միմյանց, ալգորիթմը չի կարողանում գտնել համատեղելի լուծում։
3. Իտերացիաների սահմանաչափ. Եթե ալգորիթմը հասնում է սահմանված առավելագույն իտերացիաներին նախքան պահանջվող թույլատրելի շեղմանը հասնելը, համամիտումը ձախողվում է։

Այս դեպքերում օգտակար է ուսումնասիրել «Թիրախների աուդիտ» աղյուսակը և համամիտման մատյանը՝ պարզելու համար, թե որ փոփոխականների գծով են մնացել ամենամեծ մնացորդները։

Տվյալների նախապատրաստում և ձևաչափի կանոններ

Հաջող կշռում իրականացնելու համար անհրաժեշտ է խստորեն հետևել տվյալների ներմուծման կանոններին.

Հարցվողների տվյալներ (Respondent data)

• Աղյուսակը պետք է պարունակի վերնագրի տող և առնվազն մեկ հարցվողի տող։
• Առավելագույն սահմանաչափը 20,000 տող է և 2,000,000 նիշ։
• Յուրաքանչյուր սյունակ պետք է ունենա եզակի վերնագիր, և դատարկ վերնագրեր չեն թույլատրվում։
• Որպես բաժանիչ կարող են հանդես գալ տաբուլյացիան, կետ-ստորակետը կամ CSV ստորակետները։ Այն տարածաշրջաններում, որտեղ տասնորդական նշանը ստորակետն է, խորհուրդ է տրվում օգտագործել տաբուլյացիա կամ կետ-ստորակետ, որպեսզի տասնորդական նշանը մնա բջջի ներսում։

Բնակչության սահմաններ (Population margins)

• Աղյուսակը պետք է ունենա ուղիղ երեք սյունակ՝ փոփոխական (variable), կատեգորիա (category) և թիրախային տոկոս (target percent)։
• Թույլատրվում է առավելագույնը 6 կալիբրացման փոփոխական, 500 թիրախային տող և 100 կատեգորիա յուրաքանչյուր փոփոխականի համար։
• Յուրաքանչյուր փոփոխականի թիրախային տոկոսների գումարը պետք է կազմի ուղիղ 100%։

Գաղտնիություն և տվյալների մշակում

Օգտագործողների տվյալների գաղտնիությունն ամբողջությամբ պահպանվում է, քանի որ բոլոր հաշվարկներն ու տվյալների մշակումը կատարվում են անմիջապես օգտագործողի վեբ բրաուզերում։ Ոչ մի տվյալ չի վերբեռնվում արտաքին սերվերներ կամ փոխանցվում երրորդ կողմերին։

---

Հաճախ տրվող հարցեր (FAQ)

Ի՞նչ պետք է օգտագործեմ որպես բազային կշիռ։

Օգտագործեք այն կշիռը, որը պատկանում է նախքան պոպուլյացիայի կալիբրացումը. սովորաբար դա յուրաքանչյուր հարցվողի վերջնական ընտրության հավանականության հակադարձ մեծությունն է՝ ձեր հետազոտության կողմից պահանջվող չպատասխանելու ցանկացած նախնական ճշգրտումից հետո։ Եթե չունեք հավանականային կշիռներ, թողեք դաշտը դատարկ՝ բոլորին 1-ով սկսելու համար։ Դա կստեղծի կալիբրացման կշիռներ, սակայն հարմարավետ ընտրանքը չի վերածի հավանականային ընտրանքի։

Ինչո՞ւ թիրախը կարող է լուծում չունենալ կամ չհամամիտվել։

Դրական թիրախ չի կարող ստեղծվել այնպիսի կատեգորիայից, որից ոչ մի հարցվող չի ընդգրկվել ընտրանքում։ Մի քանի փոփոխականների դեպքում դիտարկվող համակցությունները կարող են նաև անհամատեղելի դարձնել այլապես ողջամիտ թվացող սահմանները։ Իտերացիաների շատ փոքր սահմանաչափը կամ սկզբնական ծայրահեղ կշիռները կարող են կանգնեցնել գործընթացը նախքան պահանջվող թույլատրելի շեղմանը հասնելը։ Թիրախների աուդիտը և վատագույն թիրախների մատյանը ցույց են տալիս, թե որտեղ է մնում անհամապատասխանությունը. մի՛ դիտարկեք այդ վերջին կշիռները որպես տրամաչափված։

Արդյո՞ք Kish-ի կշռի ազդեցությունը հարցման ամբողջական դիզայն-էֆեկտն է։

Ո՛չ։ Այն չափում է միայն անհավասար կշիռների հետ կապված ճշգրտության կորուստը. հավասար կշիռները տալիս են 1, իսկ ավելի փոփոխական կշիռները նվազեցնում են ընտրանքի արդյունավետ ծավալը։ Կլաստերավորումը, շերտավորումը, վերջավոր համախմբի ուղղումները և այն, թե ինչպես է արդյունքային փոփոխականը առնչվում տրամաչափման փոփոխականներին, կարող են փոխել իրական դիսպերսիան։ Ստանդարտ սխալների և վստահության միջակայքերի համար օգտագործեք ծրագրային ապահովում, որը հաշվի է առնում ընտրանքի ամբողջական կառուցվածքը։