ಸಮೀಕ್ಷೆ ತೂಕದ ಕ್ಯಾಲ್ಕುಲೇಟರ್

ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾವನ್ನು ತಿಳಿದಿರುವ ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್‌ಗಳಿಗೆ ರೇಕ್ ಮಾಡಿ, ನಂತರ ಪ್ರತಿಯೊಂದು ಅಂತಿಮ ತೂಕ, ಟಾರ್ಗೆಟ್ ರೆಸಿಡುವಲ್ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಪರಿಶೀಲಿಸಿ.

ಮಾದರಿ ಮತ್ತು ಗುರಿಗಳು

ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾಹೆಡರ್ ಮತ್ತು ಗರಿಷ್ಠ 20,000 ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಸಾಲುಗಳನ್ನು (2,000,000 ಅಕ್ಷರಗಳು) ಪೇಸ್ಟ್ ಮಾಡಿ. ಟ್ಯಾಬ್‌ಗಳು, ಸೆಮಿಕೋಲನ್‌ಗಳು ಮತ್ತು CSV ಕಾಮಾಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ; ಸಂಖ್ಯೆಗಳು ಚುಕ್ಕೆ ದಶಮಾಂಶವನ್ನು ಬಳಸುತ್ತವೆ.

ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್‌ಗಳು (%)ವೇರಿಯೇಬಲ್, ವರ್ಗ ಮತ್ತು ಟಾರ್ಗೆಟ್ ಶೇಕಡಾವಾರು (0%–100%) ಬಳಸಿ: ಗರಿಷ್ಠ 500 ಸಾಲುಗಳು, ತಲಾ 6 ವೇರಿಯೇಬಲ್‌ಗಳು ಮತ್ತು 100 ವರ್ಗಗಳು. ಪ್ರತಿ ವೇರಿಯೇಬಲ್ ಎಲ್ಲಾ ಮಾದರಿ ವರ್ಗಗಳನ್ನು ಒಳಗೊಂಡಿರಬೇಕು ಮತ್ತು ಒಟ್ಟು 100% ಆಗಿರಬೇಕು.

ಬೇಸ್-ವೇಟ್ ಕಾಲಮ್ಐಚ್ಛಿಕ ಮತ್ತು ಆಯಾಮರಹಿತವಾಗಿದೆ. ಪ್ರತಿಯೊಬ್ಬರನ್ನೂ 1 ರ ತೂಕದಿಂದ ಪ್ರಾರಂಭಿಸಲು ಖಾಲಿ ಬಿಡಿ. ಮೌಲ್ಯಗಳು ಸೀಮಿತವಾಗಿರಬೇಕು ಮತ್ತು 0 ಕ್ಕಿಂತ ಹೆಚ್ಚಿರಬೇಕು.

ಫಲಿತಾಂಶದ ಕಾಲಮ್ತೂಕದ ಸರಾಸರಿಗಳನ್ನು ಹೋಲಿಸಲು ಮಾತ್ರ ಬಳಸಲಾಗುವ ಐಚ್ಛಿಕ ಸೀಮಿತ ಸಂಖ್ಯಾತ್ಮಕ ಕಾಲಮ್; ಫಲಿತಾಂಶಗಳು ಕಾಲಮ್‌ನ ಸ್ವಂತ ಯೂನಿಟ್ ಅನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತವೆ.

ಸಾಪೇಕ್ಷ ಟಾಲರೆನ್ಸ್ಆಯಾಮರಹಿತ. ಪ್ರತಿ ಟಾರ್ಗೆಟ್‌ನ ಸಾಪೇಕ್ಷ ದೋಷವು ಈ ಮೌಲ್ಯಕ್ಕೆ (1e-12 ರಿಂದ 1e-2) ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವಾಗ ನಿಲ್ಲಿಸಿ.

ಗರಿಷ್ಠ ಪುನರಾವರ್ತನೆಗಳುಕನ್ವರ್ಜೆನ್ಸ್ ಆಗುವ ಮೊದಲು ಈ ಮಿತಿಯನ್ನು (1 ರಿಂದ 500) ತಲುಪಿದರೆ ಮಾತ್ರ ಕೊನೆಯ ತೂಕಗಳು ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ಉಳಿಯುತ್ತವೆ.

ಪ್ರದರ್ಶಿಸಲಾಗುವ ದಶಮಾಂಶಗಳು

ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ತೂಕಗಳು

ಮಾರ್ಜಿನ್ ಹೊಂದಾಣಿಕೆ

—

ಗುರಿ ಆಡಿಟ್

ವೇರಿಯಬಲ್	ವರ್ಗ	ಮಾದರಿ n	ಗುರಿ	ವೇಯ್ಟೆಡ್	ರೆಸಿಡುವಲ್

ಮೊದಲ-ಚಕ್ರದ ಹೊಂದಾಣಿಕೆ ಅಂಶಗಳು

ವೇರಿಯಬಲ್	ವರ್ಗ	ಪ್ರಸ್ತುತ ಮೊತ್ತ	ಗುರಿ ಮೊತ್ತ	ಅಂಶ

ಕನ್ವರ್ಜೆನ್ಸ್ ಲಾಗ್

ಪುನರಾವರ್ತನೆ	ಗರಿಷ್ಠ ಸಾಪೇಕ್ಷ ದೋಷ	ಅತಿ ಕೆಟ್ಟ ಗುರಿ

ಪ್ರತಿಕ್ರಿಯೆದಾರರ ತೂಕಗಳು

ಸಾಲಿನ ಸಂಖ್ಯೆ	ID	ಬೇಸ್ ವೇಟ್	ಹೊಂದಾಣಿಕೆ	ಅಂತಿಮ ತೂಕ	ಫಲಿತಾಂಶ

ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ಬದಲಿ

S_mc = Σ w_i for i in category c

T_mc = n × target_mc ÷ 100

a_mc = T_mc ÷ S_mc

w_i ← w_i × a_mc

w_i,final = d_i × adjustment_i

DEFF_Kish = n·Σw_i² ÷ (Σw_i)²

n_eff = (Σw_i)² ÷ Σw_i²

ತೂಕಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾ ಮತ್ತು ಜನಸಂಖ್ಯೆಯ ಗುರಿಗಳನ್ನು ಪೇಸ್ಟ್ ಮಾಡಿ.

ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾ ಮತ್ತು ಲೆಕ್ಕಹಾಕಿದ ತೂಕಗಳು ಈ ಬ್ರೌಸರ್‌ನಲ್ಲೇ ಉಳಿಯುತ್ತವೆ ಮತ್ತು ಎಂದಿಗೂ ಅಪ್‌ಲೋಡ್ ಆಗುವುದಿಲ್ಲ.

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

ರೇಕಿಂಗ್ ಎಂದರೇನು, ಮತ್ತು ಒಂದು ಮಾರ್ಜಿನ್ ಕೇವಲ ಪೋಸ್ಟ್-ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್ ಆಗಿರುವುದು ಯಾವಾಗ?

ರೇಕಿಂಗ್ ಒಂದು ಬಾರಿಗೆ ಒಂದು ತಿಳಿದಿರುವ ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್ ಅನ್ನು ಹೊಂದಿಸುತ್ತದೆ, ನಂತರ ನಂತರದ ಹೊಂದಾಣಿಕೆಗಳ ನಂತರವೂ ಹಿಂದಿನ ಮಾರ್ಜಿನ್‌ಗಳು ಹೊಂದಾಣಿಕೆಯಾಗುವವರೆಗೆ ಅವುಗಳ ಮೂಲಕ ಚಕ್ರಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸುತ್ತದೆ. ನೀವು ಕೇವಲ ಒಂದು ವರ್ಗೀಯ ವೇರಿಯೇಬಲ್ ಅನ್ನು ಒದಗಿಸಿದರೆ, ಒಂದು ಚಕ್ರವು ಸಾಕಾಗುತ್ತದೆ: ಪ್ರತಿ ವರ್ಗವು ಪರಿಚಿತವಿರುವ ಟಾರ್ಗೆಟ್-ಪಾಲು ÷ ಪ್ರಸ್ತುತ-ಪಾಲು ಹೊಂದಾಣಿಕೆಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಬಹು ಮಾರ್ಜಿನ್‌ಗಳು ಅವುಗಳ ಪಟ್ಟಿ ಮಾಡದ ಕ್ರಾಸ್-ಸಂಯೋಜನೆಗಳನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಲು ಒತ್ತಾಯಿಸುವುದಿಲ್ಲ.

ನಾನು ಬೇಸ್ ವೇಟ್ ಆಗಿ ಏನನ್ನು ಬಳಸಬೇಕು?

ಜನಸಂಖ್ಯೆಯ ಕ್ಯಾಲಿಬ್ರೇಶನ್‌ಗೆ ಮೊದಲು ಅನ್ವಯಿಸುವ ತೂಕವನ್ನು ಬಳಸಿ — ಸಾಮಾನ್ಯವಾಗಿ ನಿಮ್ಮ ಅಧ್ಯಯನಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಮುಂಚಿನ ಪ್ರತಿಕ್ರಿಯಿಸದಿರುವಿಕೆಯ ಹೊಂದಾಣಿಕೆಯ ನಂತರ, ಪ್ರತಿಯೊಬ್ಬ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಅಂತಿಮ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ ವಿಲೋಮವಾಗಿರುತ್ತದೆ. ನಿಮ್ಮ ಬಳಿ ಸಂಭವನೀಯತೆಯ ತೂಕಗಳು ಇಲ್ಲದಿದ್ದರೆ, ಪ್ರತಿಯೊಬ್ಬರನ್ನೂ 1 ರಿಂದ ಪ್ರಾರಂಭಿಸಲು ಈ ಕ್ಷೇತ್ರವನ್ನು ಖಾಲಿ ಬಿಡಿ. ಇದು ಕ್ಯಾಲಿಬ್ರೇಶನ್ ತೂಕಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಅನುಕೂಲಕರ ಮಾದರಿಯನ್ನು ಸಂಭವನೀಯತೆಯ ಮಾದರಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವುದಿಲ್ಲ.

Kish ತೂಕದ ಪರಿಣಾಮವು ಸಂಪೂರ್ಣ ಸಮೀಕ್ಷೆಯ ವಿನ್ಯಾಸದ ಪರಿಣಾಮವೇ?

ಇಲ್ಲ. ಇದು ಅಸಮಾನ ತೂಕಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ನಿಖರತೆಯ ನಷ್ಟವನ್ನು ಮಾತ್ರ ಅಳೆಯುತ್ತದೆ: ಸಮಾನ ತೂಕಗಳು 1 ಅನ್ನು ನೀಡುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸವಿರುವ ತೂಕಗಳು ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ. ಕ್ಲಸ್ಟರಿಂಗ್, ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್, ಸೀಮಿತ-ಜನಸಂಖ್ಯೆಯ ತಿದ್ದುಪಡಿಗಳು ಮತ್ತು ಫಲಿತಾಂಶವು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ವೇರಿಯೇಬಲ್‌ಗಳಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದೆಲ್ಲವೂ ನಿಜವಾದ ವ್ಯತ್ಯಾಸವನ್ನು ಬದಲಾಯಿಸಬಹುದು. ಸ್ಟ್ಯಾಂಡರ್ಡ್ ದೋಷಗಳು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಇಂಟರ್ವಲ್‌ಗಳಿಗಾಗಿ ಸಂಪೂರ್ಣ ಮಾದರಿ ವಿನ್ಯಾಸವನ್ನು ತಿಳಿದಿರುವ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಬಳಸಿ.

ಒಂದು ಗುರಿಗೆ ಯಾವುದೇ ಪರಿಹಾರವಿಲ್ಲದಿರಲು ಅಥವಾ ಅದು ಕನ್ವರ್ಜ್ ಆಗಲು ವಿಫಲವಾಗಲು ಕಾರಣವೇನು?

ಮಾದರಿ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಯಾವುದೇ ಪ್ರತಿಕ್ರಿಯೆದಾರರಿಲ್ಲದ ವರ್ಗದಿಂದ ಧನಾತ್ಮಕ ಗುರಿಯನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಹಲವಾರು ವೇರಿಯೇಬಲ್‌ಗಳಿದ್ದಾಗ, ಗಮನಿಸಿದ ಸಂಯೋಜನೆಗಳು ಸಹ ಸಾಮಾನ್ಯವಾಗಿ ಸಮಂಜಸವಾಗಿ ಕಾಣುವ ಮಾರ್ಜಿನ್‌ಗಳನ್ನು ಅಸಮಂಜಸವಾಗಿಸಬಹುದು. ಅತ್ಯಂತ ಕಡಿಮೆ ಪುನರಾವರ್ತನೆ ಮಿತಿ ಅಥವಾ ತೀವ್ರವಾದ ಆರಂಭಿಕ ತೂಕಗಳು ವಿನಂತಿಸಿದ ಟಾಲರೆನ್ಸ್ ತಲುಪುವ ಮೊದಲೇ ನಿಲ್ಲಬಹುದು. ಟಾರ್ಗೆಟ್ ಆಡಿಟ್ ಮತ್ತು ಅತ್ಯಂತ ಕಳಪೆ ಟಾರ್ಗೆಟ್ ಲಾಗ್ ಎಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯಾಗದೆ ಉಳಿದಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ; ಆ ಕೊನೆಯ ತೂಕಗಳನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ತೂಕಗಳೆಂದು ಪರಿಗಣಿಸಬೇಡಿ.

BroBroGo ಸಂಪಾದಕೀಯ ತಂಡವು ಬರೆದು ಪರಿಶೀಲಿಸಿದೆ.ಕೊನೆಯದಾಗಿ ನವೀಕರಿಸಲಾಗಿದೆ: 2026-07-28

ಸಮೀಕ್ಷೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಪರಿಚಯ

ಸಮೀಕ್ಷೆ ಸಂಶೋಧನೆಯಲ್ಲಿ, ಸಂಗ್ರಹಿಸಿದ ಮಾದರಿ ಡೇಟಾವು (sample data) ನೈಜ ಜನಸಂಖ್ಯೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿಖರವಾಗಿ ಪ್ರತಿನಿಧಿಸದೇ ಇರಬಹುದು. ಇಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಮಾದರಿಯ ವಿತರಣೆಯನ್ನು ತಿಳಿದಿರುವ ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್‌ಗಳಿಗೆ (population margins) ಹೊಂದಿಸಲು ಸಮೀಕ್ಷೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು (survey calibration) ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ವೈಯಕ್ತಿಕ ತೂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸುವ ಮೂಲಕ ಲಿಂಗ, ವಯಸ್ಸು ಅಥವಾ ಪ್ರದೇಶದಂತಹ ಜನಸಂಖ್ಯಾ ವಿತರಣೆಗಳನ್ನು ಸೆನ್ಸಸ್ ಅಥವಾ ಅಧಿಕೃತ ಅಂಕಿ-ಅಂಶಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಮಾರ್ಪಡಿಸುತ್ತದೆ.

"ಸಮೀಕ್ಷೆ ತೂಕದ ಕ್ಯಾಲ್ಕುಲೇಟರ್" ಉಪಕರಣವು ರೇಕಿಂಗ್ (iterative proportional fitting) ಅಲ್ಗಾರಿದಮ್ ಬಳಸಿ ಈ ಹೊಂದಾಣಿಕೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ತಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಸಾಲುಗಳನ್ನು ಮತ್ತು ಗುರಿ ಜನಸಂಖ್ಯೆಯ ಶೇಕಡಾವಾರುಗಳನ್ನು ಅಂಟಿಸಿದಾಗ, ಸಿಸ್ಟಮ್ ತೂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸಿ ತಕ್ಷಣದ ರೋಗನಿರ್ಣಯದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಮಾದರಿಯಲ್ಲಿನ ವ್ಯವಸ್ಥಿತ ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ರೇಕಿಂಗ್ ಮತ್ತು ಪೋಸ್ಟ್-ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸ

ಪೋಸ್ಟ್-ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್ (post-stratification) ವಿಧಾನದಲ್ಲಿ, ಎಲ್ಲಾ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ವೇರಿಯೇಬಲ್‌ಗಳ ಸಂಪೂರ್ಣ ಕ್ರಾಸ್-ವರ್ಗೀಕರಣದ ಸೆಲ್‌ಗಳನ್ನು (ಉದಾಹರಣೆಗೆ: ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಗುಂಪಿನೊಳಗಿನ ನಿರ್ದಿಷ್ಟ ಲಿಂಗ) ಬಳಸಲಾಗುತ್ತದೆ. ಆದರೆ, ವೇರಿಯೇಬಲ್‌ಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ, ಕೆಲವು ಸೆಲ್‌ಗಳಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆದಾರರೇ ಇಲ್ಲದ ಪರಿಸ್ಥಿತಿ (zero-cell) ಎದುರಾಗಬಹುದು.

ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ರೇಕಿಂಗ್ (raking) ಅಥವಾ ಪುನರಾವರ್ತಿತ ಅನುಪಾತದ ಫಿಟ್ಟಿಂಗ್ ಅಲ್ಗಾರಿದಮ್, ಲಭ್ಯವಿರುವ ಪ್ರತಿಯೊಂದು ಮಾರ್ಜಿನಲ್ ವಿತರಣೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮತ್ತು ಪುನರಾವರ್ತಿತವಾಗಿ ಸರಿಹೊಂದಿಸುತ್ತದೆ. ಇದು ಬಹು ಮಾರ್ಜಿನಲ್ ಗುರಿಗಳನ್ನು ಹೊಂದಿಸಲು ಸುಲಭವಾದ ಮಾರ್ಗವಾಗಿದೆ. ಒಂದು ವೇಳೆ ಕೇವಲ ಒಂದೇ ಒಂದು ವರ್ಗೀಯ ವೇರಿಯೇಬಲ್ ಅನ್ನು ಒದಗಿಸಿದರೆ, ಉಪಕರಣವು ಕೇವಲ ಒಂದು ಚಕ್ರದಲ್ಲಿ ಸರಳವಾದ ಟಾರ್ಗೆಟ್-ಪಾಲು ÷ ಪ್ರಸ್ತುತ-ಪಾಲು ಹೊಂದಾಣಿಕೆಯನ್ನು ಅನ್ವಯಿಸಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ.

ಇನ್‌ಪುಟ್ ಡೇಟಾ ಮತ್ತು ಮಿತಿಗಳು

ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಕೆಳಗಿನ ಇನ್‌ಪುಟ್ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸಬೇಕು:

ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾ: ಹೆಡರ್ ಸಾಲು ಮತ್ತು ಕನಿಷ್ಠ ಒಬ್ಬ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಸಾಲನ್ನು ಹೊಂದಿರಬೇಕು. ಇದು ಗರಿಷ್ಠ 20,000 ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಸಾಲುಗಳನ್ನು ಮತ್ತು 2,000,000 ಅಕ್ಷರಗಳನ್ನು ಮಾತ್ರ ಬೆಂಬಲಿಸುತ್ತದೆ. ಕೋಷ್ಟಕದಲ್ಲಿ ಯಾವುದೇ ಖಾಲಿ ಹೆಡರ್ ಇಲ್ಲದ ಕನಿಷ್ಠ ಎರಡು ಹೆಸರಿಸಲಾದ ವಿಶಿಷ್ಟ ಕಾಲಮ್‌ಗಳು ಇರಬೇಕು.
ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್‌ಗಳು (%): ಈ ಕೋಷ್ಟಕವು ವೇರಿಯೇಬಲ್, ವರ್ಗ ಮತ್ತು ಶೇಕಡಾವಾರು ಎಂಬ ಸರಿಯಾಗಿ ಮೂರು ಕಾಲಮ್‌ಗಳನ್ನು ಹೊಂದಿರಬೇಕು. ಇದು ಗರಿಷ್ಠ 500 ಗುರಿ ಸಾಲುಗಳು, 6 ಕ್ಯಾಲಿಬ್ರೇಶನ್ ವೇರಿಯೇಬಲ್‌ಗಳು ಮತ್ತು ಪ್ರತಿ ವೇರಿಯೇಬಲ್‌ಗೆ 100 ವರ್ಗಗಳಿಗೆ ಸೀಮಿತವಾಗಿದೆ. ಪ್ರತಿ ವೇರಿಯೇಬಲ್‌ನ ಒಟ್ಟು ಮೊತ್ತ ನಿಖರವಾಗಿ 100% ಇರಬೇಕು ಮತ್ತು ಗುರಿಗಳು 0% ರಿಂದ 100% ರವರೆಗೆ ಇರಬೇಕು.
ಬೇಸ್-ವೇಟ್ ಕಾಲಮ್: ಇದು ಐಚ್ಛಿಕವಾಗಿದ್ದು, ಆರಂಭಿಕ ಸಾಪೇಕ್ಷ ತೂಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮೌಲ್ಯಗಳು 0 ಕ್ಕಿಂತ ಹೆಚ್ಚಿರಬೇಕು. ಇದನ್ನು ಖಾಲಿ ಬಿಟ್ಟರೆ, ಪ್ರತಿಯೊಬ್ಬರನ್ನೂ 1 ರ ಡಿಫಾಲ್ಟ್ ತೂಕದಿಂದ ಪ್ರಾರಂಭಿಸಲಾಗುತ್ತದೆ.
ಫಲಿತಾಂಶದ ಕಾಲಮ್: ಆರಂಭಿಕ ಮತ್ತು ಅಂತಿಮ ತೂಕದ ಸರಾಸರಿಗಳನ್ನು ಹೋಲಿಸಲು ಬಳಸಲಾಗುವ ಐಚ್ಛಿಕ ಸಂಖ್ಯಾತ್ಮಕ ಕಾಲಮ್ ಆಗಿದೆ.
ನಿಯಂತ್ರಣ ಸೆಟ್ಟಿಂಗ್‌ಗಳು: ಸಾಪೇಕ್ಷ ಟಾಲರೆನ್ಸ್ ಮೌಲ್ಯವು 1e-12 ರಿಂದ 1e-2 ರವರೆಗೆ ಇರಬೇಕು. ಗರಿಷ್ಠ ಪುನರಾವರ್ತನೆಗಳು 1 ರಿಂದ 500 ರವರೆಗಿನ ಪೂರ್ಣಾಂಕವಾಗಿರಬೇಕು.

Kish ತೂಕದ ಪರಿಣಾಮ ಮತ್ತು ವಿನ್ಯಾಸದ ಪರಿಣಾಮಗಳು

ಸಮೀಕ್ಷೆಯ ತೂಕಗಳನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ ಮಾದರಿಯ ನಿಖರತೆಯು ಬದಲಾಗುತ್ತದೆ. ತೂಕಗಳು ಹೆಚ್ಚು ಅಸಮಾನವಾಗಿದ್ದಾಗ, ಅಂದಾಜುಗಳ ವ್ಯತ್ಯಾಸವು (variance) ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರವು ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಇದನ್ನು ಅಳೆಯಲು Kish ತೂಕದ ಪರಿಣಾಮವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.

ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಈ ಕೆಳಗಿನ ಸೂತ್ರಗಳನ್ನು ಬಳಸಿ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ:

ಅಂತಿಮ ತೂಕಗಳ ನಾರ್ಮಲೈಸೇಶನ್: "ಅಂತಿಮ ತೂಕಗಳನ್ನು ಸರಾಸರಿ 1 ಕ್ಕೆ ನಾರ್ಮಲೈಸ್ ಮಾಡಿ, ಇದರಿಂದ ಅವುಗಳ ಮೊತ್ತವು ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಸಂಖ್ಯೆಗೆ ಸಮನಾಗಿರುತ್ತದೆ: Σw = n = ‹count›."
Kish ತೂಕದ ಪರಿಣಾಮ: "Kish ತೂಕದ ಪರಿಣಾಮ = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›."
ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರ: "ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರ = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›."

ಈ Kish ರೋಗನಿರ್ಣಯವು ಕೇವಲ ಅಸಮಾನ ತೂಕಗಳನ್ನು ಮಾತ್ರ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಇದು ಕ್ಲಸ್ಟರಿಂಗ್, ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್ ಅಥವಾ ಸಂಪೂರ್ಣ ಸಮೀಕ್ಷೆಯ ವ್ಯತ್ಯಾಸದ ಅಂದಾಜನ್ನು ಒಳಗೊಂಡಿರುವುದಿಲ್ಲ.

ದೋಷಗಳು ಮತ್ತು ರೋಗನಿರ್ಣಯದ ಸಂದೇಶಗಳು

ಲೆಕ್ಕಾಚಾರದ ಸಮಯದಲ್ಲಿ ಎದುರಾಗುವ ಸಮಸ್ಯೆಗಳಿಗೆ ಉಪಕರಣವು ನಿರ್ದಿಷ್ಟ ದೋಷ ಸಂದೇಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ:

ಡೇಟಾ ಹೆಡರ್ ದೋಷವಿದ್ದರೆ: "ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಕೋಷ್ಟಕದಲ್ಲಿ ಯಾವುದೇ ಖಾಲಿ ಹೆಡರ್ ಇಲ್ಲದ ಕನಿಷ್ಠ ಎರಡು ಹೆಸರಿಸಲಾದ ಕಾಲಮ್‌ಗಳು ಇರಬೇಕು."
ನಕಲಿ ಹೆಡರ್ ಇದ್ದರೆ: "ಪ್ರತಿಯೊಂದು ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಡೇಟಾ ಕಾಲಮ್‌ಗೆ ವಿಶಿಷ್ಟವಾದ ಹೆಡರ್ ಇರಬೇಕು."
ಸಾಲುಗಳ ಅಗಲ ಹೊಂದಾಣಿಕೆಯಾಗದಿದ್ದರೆ: "ಸಾಲು ‹line› ರಲ್ಲಿ ‹actual› ಸೆಲ್‌ಗಳಿವೆ; ಹೆಡರ್‌ನಲ್ಲಿ ‹expected› ಇರಬೇಕು."
ಶೂನ್ಯ ಪ್ರತಿಕ್ರಿಯೆದಾರರ ವರ್ಗವಿದ್ದರೆ: "“‹variable› / ‹category›” ಧನಾತ್ಮಕ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ ಆದರೆ ಯಾವುದೇ ಬಳಸಬಹುದಾದ ಮಾದರಿ ತೂಕವನ್ನು ಹೊಂದಿಲ್ಲ, ಆದ್ದರಿಂದ ಯಾವುದೇ ಸೀಮಿತ ಪರಿಹಾರ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ."
ಕನ್ವರ್ಜೆನ್ಸ್ ವಿಫಲವಾದರೆ: "ಕನ್ವರ್ಜೆನ್ಸ್ ಆಗುವ ಮೊದಲು ಪುನರಾವರ್ತನೆ ಮಿತಿಯನ್ನು (‹iterations›) ತಲುಪಿದೆ. ಕೊನೆಯ ತೂಕಗಳನ್ನು ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ತೋರಿಸಲಾಗಿದೆ, ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ಫಲಿತಾಂಶಗಳಾಗಿ ಅಲ್ಲ."
ತೂಕದ ವ್ಯತ್ಯಾಸವು ತೀವ್ರವಾಗಿದ್ದರೆ: "ಮಾರ್ಜಿನ್‌ಗಳು ಹೊಂದಾಣಿಕೆಯಾಗಿವೆ, ಆದರೆ ಅತ್ಯಂತ ವಿಶಾಲವಾದ ತೂಕವು ಅತ್ಯಂತ ಚಿಕ್ಕದಕ್ಕಿಂತ ‹ratio› ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ; ಅವುಗಳನ್ನು ಬಳಸುವ ಮೊದಲು ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಪರಿಶೀಲಿಸಿ."
ಆರಂಭಿಕ ತೂಕಗಳು ಈಗಾಗಲೇ ಹೊಂದಿಕೆಯಾಗಿದ್ದರೆ: "ಆರಂಭಿಕ ತೂಕಗಳು ಈಗಾಗಲೇ ವಿನಂತಿಸಿದ ಪ್ರತಿಯೊಂದು ಮಾರ್ಜಿನ್‌ಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ."

ಗೌಪ್ಯತೆ ಮತ್ತು ಡೇಟಾ ಸಂಸ್ಕರಣೆ

ಈ ಉಪಕರಣವನ್ನು ಬಳಸುವಾಗ ಡೇಟಾ ಸುರಕ್ಷತೆಯ ಬಗ್ಗೆ ಚಿಂತಿಸಬೇಕಾಗಿಲ್ಲ. ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆದಾರರ ಡೇಟಾ ಮತ್ತು ಲೆಕ್ಕಹಾಕಿದ ತೂಕಗಳು ಈ ಬ್ರೌಸರ್‌ನಲ್ಲೇ ಉಳಿಯುತ್ತವೆ ಮತ್ತು ಎಂದಿಗೂ ಯಾವುದೇ ಬಾಹ್ಯ ಸರ್ವರ್‌ಗೆ ಅಪ್‌ಲೋಡ್ ಆಗುವುದಿಲ್ಲ. ಎಲ್ಲಾ ಪ್ರಕ್ರಿಯೆಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಬಳಕೆದಾರರ ವೆಬ್ ಬ್ರೌಸರ್‌ನಲ್ಲಿಯೇ ಸ್ಥಳೀಯವಾಗಿ ನಡೆಯುತ್ತವೆ.

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು (FAQ)

ಪ್ರಶ್ನೆ: ರೇಕಿಂಗ್ ಎಂದರೇನು, ಮತ್ತು ಒಂದು ಮಾರ್ಜಿನ್ ಕೇವಲ ಪೋಸ್ಟ್-ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್ ಆಗಿರುವುದು ಯಾವಾಗ? ಉತ್ತರ: ರೇಕಿಂಗ್ ಒಂದು ಬಾರಿಗೆ ಒಂದು ತಿಳಿದಿರುವ ಜನಸಂಖ್ಯೆಯ ಮಾರ್ಜಿನ್ ಅನ್ನು ಹೊಂದಿಸುತ್ತದೆ, ನಂತರ ನಂತರದ ಹೊಂದಾಣಿಕೆಗಳ ನಂತರವೂ ಹಿಂದಿನ ಮಾರ್ಜಿನ್‌ಗಳು ಹೊಂದಾಣಿಕೆಯಾಗುವವರೆಗೆ ಅವುಗಳ ಮೂಲಕ ಚಕ್ರಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸುತ್ತದೆ. ನೀವು ಕೇವಲ ಒಂದು ವರ್ಗೀಯ ವೇರಿಯೇಬಲ್ ಅನ್ನು ಒದಗಿಸಿದರೆ, ಒಂದು ಚಕ್ರವು ಸಾಕಾಗುತ್ತದೆ: ಪ್ರತಿ ವರ್ಗವು ಪರಿಚಿತವಿರುವ ಟಾರ್ಗೆಟ್-ಪಾಲು ÷ ಪ್ರಸ್ತುತ-ಪಾಲು ಹೊಂದಾಣಿಕೆಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಬಹು ಮಾರ್ಜಿನ್‌ಗಳು ಅವುಗಳ ಪಟ್ಟಿ ಮಾಡದ ಕ್ರಾಸ್-ಸಂಯೋಜನೆಗಳನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಲು ಒತ್ತಾಯಿಸುವುದಿಲ್ಲ.

ಪ್ರಶ್ನೆ: ನಾನು ಬೇಸ್ ವೇಟ್ ಆಗಿ ಏನನ್ನು ಬಳಸಬೇಕು? ಉತ್ತರ: ಜನಸಂಖ್ಯೆಯ ಕ್ಯಾಲಿಬ್ರೇಶನ್‌ಗೆ ಮೊದಲು ಅನ್ವಯಿಸುವ ತೂಕವನ್ನು ಬಳಸಿ — ಸಾಮಾನ್ಯವಾಗಿ ನಿಮ್ಮ ಅಧ್ಯಯನಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಮುಂಚಿನ ಪ್ರತಿಕ್ರಿಯಿಸದಿರುವಿಕೆಯ ಹೊಂದಾಣಿಕೆಯ ನಂತರ, ಪ್ರತಿಯೊಬ್ಬ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಅಂತಿಮ ಆಯ್ಕೆಯ ಸಂಭವನೀಯತೆಯ ವಿಲೋಮವಾಗಿರುತ್ತದೆ. ನಿಮ್ಮ ಬಳಿ ಸಂಭವನೀಯತೆಯ ತೂಕಗಳು ಇಲ್ಲದಿದ್ದರೆ, ಪ್ರತಿಯೊಬ್ಬರನ್ನೂ 1 ರಿಂದ ಪ್ರಾರಂಭಿಸಲು ಈ ಕ್ಷೇತ್ರವನ್ನು ಖಾಲಿ ಬಿಡಿ. ಇದು ಕ್ಯಾಲಿಬ್ರೇಶನ್ ತೂಕಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಅನುಕೂಲಕರ ಮಾದರಿಯನ್ನು ಸಂಭವನೀಯತೆಯ ಮಾದರಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವುದಿಲ್ಲ.

ಪ್ರಶ್ನೆ: ಒಂದು ಗುರಿಗೆ ಯಾವುದೇ ಪರಿಹಾರವಿಲ್ಲದಿರಲು ಅಥವಾ ಅದು ಕನ್ವರ್ಜ್ ಆಗಲು ವಿಫಲವಾಗಲು ಕಾರಣವೇನು? ಉತ್ತರ: ಮಾದರಿ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಯಾವುದೇ ಪ್ರತಿಕ್ರಿಯೆದಾರರಿಲ್ಲದ ವರ್ಗದಿಂದ ಧನಾತ್ಮಕ ಗುರಿಯನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಹಲವಾರು ವೇರಿಯೇಬಲ್‌ಗಳಿದ್ದಾಗ, ಗಮನಿಸಿದ ಸಂಯೋಜನೆಗಳು ಸಹ ಸಾಮಾನ್ಯವಾಗಿ ಸಮಂಜಸವಾಗಿ ಕಾಣುವ ಮಾರ್ಜಿನ್‌ಗಳನ್ನು ಅಸಮಂಜಸವಾಗಿಸಬಹುದು. ಅತ್ಯಂತ ಕಡಿಮೆ ಪುನರಾವರ್ತನೆ ಮಿತಿ ಅಥವಾ ತೀವ್ರವಾದ ಆರಂಭಿಕ ತೂಕಗಳು ವಿನಂತಿಸಿದ ಟಾಲರೆನ್ಸ್ ತಲುಪುವ ಮೊದಲೇ ನಿಲ್ಲಬಹುದು. ಟಾರ್ಗೆಟ್ ಆಡಿಟ್ ಮತ್ತು ಅತ್ಯಂತ ಕಳಪೆ ಟಾರ್ಗೆಟ್ ಲಾಗ್ ಎಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯಾಗದೆ ಉಳಿದಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ; ಆ ಕೊನೆಯ ತೂಕಗಳನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ತೂಕಗಳೆಂದು ಪರಿಗಣಿಸಬೇಡಿ.

ಪ್ರಶ್ನೆ: Kish ತೂಕದ ಪರಿಣಾಮವು ಸಂಪೂರ್ಣ ಸಮೀಕ್ಷೆಯ ವಿನ್ಯಾಸದ ಪರಿಣಾಮವೇ? ಉತ್ತರ: ಇಲ್ಲ. ಇದು ಅಸಮಾನ ತೂಕಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ನಿಖರತೆಯ ನಷ್ಟವನ್ನು ಮಾತ್ರ ಅಳೆಯುತ್ತದೆ: ಸಮಾನ ತೂಕಗಳು 1 ಅನ್ನು ನೀಡುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸವಿರುವ ತೂಕಗಳು ಪರಿಣಾಮಕಾರಿ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ. ಕ್ಲಸ್ಟರಿಂಗ್, ಸ್ಟ್ರಾಟಿಫಿಕೇಶನ್, ಸೀಮಿತ-ಜನಸಂಖ್ಯೆಯ ತಿದ್ದುಪಡಿಗಳು ಮತ್ತು ಫಲಿತಾಂಶವು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ವೇರಿಯೇಬಲ್‌ಗಳಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದೆಲ್ಲವೂ ನಿಜವಾದ ವ್ಯತ್ಯಾಸವನ್ನು ಬದಲಾಯಿಸಬಹುದು. ಸ್ಟ್ಯಾಂಡರ್ಡ್ ದೋಷಗಳು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಇಂಟರ್ವಲ್‌ಗಳಿಗಾಗಿ ಸಂಪೂರ್ಣ ಮಾದರಿ ವಿನ್ಯಾಸವನ್ನು ತಿಳಿದಿರುವ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಬಳಸಿ.