ਸਰਵੇਖਣ ਵੇਟਿੰਗ ਕੈਲਕੁਲੇਟਰ

ਉੱਤਰਦਾਤਾ ਡੇਟਾ ਨੂੰ ਜਾਣੇ-ਪਛਾਣੇ ਆਬਾਦੀ ਮਾਰਜਿਨਾਂ ਨਾਲ ਰੇਕ ਕਰੋ, ਫਿਰ ਹਰੇਕ ਅੰਤਿਮ ਵੇਟ, ਟਾਰਗੇਟ ਰੈਜ਼ੀਡਿਊਲ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ ਦੀ ਜਾਂਚ ਕਰੋ।

ਸੈਂਪਲ ਅਤੇ ਟਾਰਗੇਟ

ਇੱਕ ਹੈਡਰ ਅਤੇ 20,000 ਤੱਕ ਉੱਤਰਦਾਤਾ ਰੋਅ (2,000,000 ਅੱਖਰ) ਪੇਸਟ ਕਰੋ। ਟੈਬਾਂ, ਸੈਮੀਕੋਲਨ ਅਤੇ CSV ਕਾਮੇ ਕੰਮ ਕਰਦੇ ਹਨ; ਸੰਖਿਆਵਾਂ ਬਿੰਦੂ ਦਸ਼ਮਲਵ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ।
ਵੇਰੀਏਬਲ, ਸ਼੍ਰੇਣੀ ਅਤੇ ਟੀਚਾ ਪ੍ਰਤੀਸ਼ਤ (0%–100%) ਦੀ ਵਰਤੋਂ ਕਰੋ: ਵੱਧ ਤੋਂ ਵੱਧ 500 ਰੋਅ, 6 ਵੇਰੀਏਬਲ ਅਤੇ ਹਰੇਕ ਵਿੱਚ 100 ਸ਼੍ਰੇਣੀਆਂ। ਹਰੇਕ ਵੇਰੀਏਬਲ ਵਿੱਚ ਸਾਰੀਆਂ ਸੈਂਪਲਡ ਸ਼੍ਰੇਣੀਆਂ ਸ਼ਾਮਲ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਅਤੇ ਕੁੱਲ 100% ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਵਿਕਲਪਿਕ ਅਤੇ ਬਿਨਾਂ-ਮਾਪ ਦੇ। ਹਰੇਕ ਨੂੰ ਵੇਟ 1 ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਖਾਲੀ ਛੱਡੋ। ਮੁੱਲ ਸੀਮਤ ਅਤੇ 0 ਤੋਂ ਵੱਧ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।
ਵਿਕਲਪਿਕ ਸੀਮਤ ਸੰਖਿਆਤਮਕ ਕਾਲਮ ਜੋ ਸਿਰਫ਼ ਵੇਟਿਡ ਔਸਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ; ਨਤੀਜੇ ਕਾਲਮ ਦੀ ਆਪਣੀ ਇਕਾਈ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਨ।
ਆਯਾਮ ਰਹਿਤ। ਉਦੋਂ ਰੁਕੋ ਜਦੋਂ ਹਰੇਕ ਟੀਚੇ ਦੀ ਸਾਪੇਖਿਕ ਗਲਤੀ ਇਸ ਮੁੱਲ (1e-12 ਤੋਂ 1e-2) 'ਤੇ ਜਾਂ ਇਸ ਤੋਂ ਹੇਠਾਂ ਹੋਵੇ।
ਆਖਰੀ ਵੇਟ ਸਿਰਫ਼ ਨਿਦਾਨ ਲਈ ਰਹਿੰਦੇ ਹਨ ਜੇਕਰ ਕਨਵਰਜੈਂਸ (1 ਤੋਂ 500) ਤੋਂ ਪਹਿਲਾਂ ਇਹ ਸੀਮਾ ਪੂਰੀ ਹੋ ਜਾਂਦੀ ਹੈ।

ਕੈਲੀਬਰੇਟਡ ਵੇਟ

ਮਾਰਜਿਨ ਮੇਲ

—

ਟਾਰਗੇਟ ਆਡਿਟ

ਵੇਰੀਏਬਲਸ਼੍ਰੇਣੀਸੈਂਪਲ nਟਾਰਗੇਟਵੇਟਿਡਰੈਜ਼ੀਡਿਊਲ

ਪਹਿਲੇ-ਚੱਕਰ ਦੇ ਐਡਜਸਟਮੈਂਟ ਫੈਕਟਰ

ਵੇਰੀਏਬਲਸ਼੍ਰੇਣੀਮੌਜੂਦਾ ਜੋੜਟਾਰਗੇਟ ਜੋੜਫੈਕਟਰ

ਕਨਵਰਜੈਂਸ ਲੌਗ

ਇਟਰੇਸ਼ਨਵੱਧ ਤੋਂ ਵੱਧ ਸਾਪੇਖਿਕ ਗਲਤੀਸਭ ਤੋਂ ਖਰਾਬ ਟਾਰਗੇਟ

ਉੱਤਰਦਾਤਾ ਵੇਟ

ਰੋਅIDਬੇਸ ਵੇਟਐਡਜਸਟਮੈਂਟਅੰਤਿਮ ਵੇਟਨਤੀਜਾ

ਐਲਗੋਰਿਦਮ ਅਤੇ ਬਦਲ

Smc = Σ wi for i in category c

Tmc = n × targetmc ÷ 100

amc = Tmc ÷ Smc

wi ← wi × amc

wi,final = di × adjustmenti

DEFFKish = n·Σwi² ÷ (Σwi)²

neff = (Σwi)² ÷ Σwi²

    ਵੇਟ ਬਣਾਉਣ ਲਈ ਉੱਤਰਦਾਤਾ ਡੇਟਾ ਅਤੇ ਆਬਾਦੀ ਦੇ ਟੀਚੇ ਪੇਸਟ ਕਰੋ।

    ਤੁਹਾਡਾ ਉੱਤਰਦਾਤਾ ਡੇਟਾ ਅਤੇ ਗਣਨਾ ਕੀਤੇ ਗਏ ਵੇਟ ਇਸੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ ਅਤੇ ਕਦੇ ਵੀ ਅਪਲੋਡ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ।

    ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ

    ਰੇਕਿੰਗ ਕੀ ਹੈ, ਅਤੇ ਇੱਕ ਮਾਰਜਿਨ ਕਦੋਂ ਸਿਰਫ਼ ਪੋਸਟ-ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ ਹੁੰਦਾ ਹੈ?

    ਰੇਕਿੰਗ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਆਬਾਦੀ ਮਾਰਜਿਨ ਨੂੰ ਐਡਜਸਟ ਕਰਦੀ ਹੈ, ਫਿਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਚੱਕਰ ਕੱਟਦੀ ਹੈ ਜਦੋਂ ਤੱਕ ਬਾਅਦ ਦੇ ਐਡਜਸਟਮੈਂਟਾਂ ਤੋਂ ਬਾਅਦ ਵੀ ਪਹਿਲੇ ਮਾਰਜਿਨ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ। ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਕੈਟੇਗੋਰੀਕਲ ਵੇਰੀਏਬਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ, ਤਾਂ ਇੱਕ ਚੱਕਰ ਹੀ ਕਾਫ਼ੀ ਹੈ: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਨੂੰ ਜਾਣੂ ਟੀਚਾ-ਹਿੱਸਾ ÷ ਮੌਜੂਦਾ-ਹਿੱਸਾ ਐਡਜਸਟਮੈਂਟ ਮਿਲਦਾ ਹੈ। ਕਈ ਮਾਰਜਿਨ ਉਹਨਾਂ ਦੇ ਗੈਰ-ਸੂਚੀਬੱਧ ਕ੍ਰਾਸ-ਸੁਮੇਲਾਂ ਨੂੰ ਮੇਲਣ ਲਈ ਮਜਬੂਰ ਨਹੀਂ ਕਰਦੇ।

    ਮੈਨੂੰ ਬੇਸ ਵੇਟ ਵਜੋਂ ਕੀ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ?

    ਉਸ ਵੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਆਬਾਦੀ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਦਾ ਹੈ — ਆਮ ਤੌਰ 'ਤੇ ਹਰੇਕ ਉੱਤਰਦਾਤਾ ਦੀ ਅੰਤਿਮ ਚੋਣ ਸੰਭਾਵਨਾ ਦਾ ਉਲਟ, ਤੁਹਾਡੇ ਅਧਿਐਨ ਲਈ ਲੋੜੀਂਦੀ ਕਿਸੇ ਵੀ ਪੁਰਾਣੀ ਗੈਰ-ਜਵਾਬ ਐਡਜਸਟਮੈਂਟ ਤੋਂ ਬਾਅਦ। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਸੰਭਾਵਨਾ ਵੇਟ (probability weights) ਨਹੀਂ ਹਨ, ਤਾਂ ਹਰੇਕ ਨੂੰ 1 ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਫੀਲਡ ਨੂੰ ਖਾਲੀ ਛੱਡ ਦਿਓ। ਇਹ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਕਿਸੇ ਸੁਵਿਧਾਜਨਕ ਸੈਂਪਲ (convenience sample) ਨੂੰ ਸੰਭਾਵਨਾ ਸੈਂਪਲ ਵਿੱਚ ਨਹੀਂ ਬਦਲਦਾ।

    ਕੀ Kish ਵੇਟ ਪ੍ਰਭਾਵ ਪੂਰਾ ਸਰਵੇਖਣ ਡਿਜ਼ਾਈਨ ਪ੍ਰਭਾਵ ਹੈ?

    ਨਹੀਂ। ਇਹ ਸਿਰਫ਼ ਅਸਮਾਨ ਵੇਟਾਂ ਨਾਲ ਜੁੜੇ ਸ਼ੁੱਧਤਾ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਮਾਪਦਾ ਹੈ: ਸਮਾਨ ਵੇਟ 1 ਦਿੰਦੇ ਹਨ, ਅਤੇ ਵਧੇਰੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਵੇਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ। ਕਲੱਸਟਰਿੰਗ, ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ, ਸੀਮਤ-ਆਬਾਦੀ ਸੁਧਾਰ ਅਤੇ ਨਤੀਜਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਤ ਹੈ, ਇਹ ਸਭ ਅਸਲ ਵੇਰੀਐਂਸ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ। ਸਟੈਂਡਰਡ ਗਲਤੀਆਂ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲਾਂ ਲਈ ਅਜਿਹੇ ਸੌਫਟਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਪੂਰੇ ਸੈਂਪਲ ਡਿਜ਼ਾਈਨ ਨੂੰ ਜਾਣਦਾ ਹੋਵੇ।

    ਕਿਸੇ ਟੀਚੇ ਦਾ ਕੋਈ ਹੱਲ ਕਿਉਂ ਨਹੀਂ ਹੋ ਸਕਦਾ ਜਾਂ ਇਹ ਕਨਵਰਜ ਹੋਣ ਵਿੱਚ ਅਸਫਲ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ?

    ਕਿਸੇ ਅਜਿਹੀ ਸ਼੍ਰੇਣੀ ਤੋਂ ਸਕਾਰਾਤਮਕ ਟੀਚਾ ਨਹੀਂ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਜਿਸ ਵਿੱਚ ਕੋਈ ਸੈਂਪਲਡ ਉੱਤਰਦਾਤਾ ਨਾ ਹੋਵੇ। ਕਈ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ, ਦੇਖੇ ਗਏ ਸੁਮੇਲ ਵੀ ਹੋਰ ਵਾਜਬ ਲੱਗਣ ਵਾਲੇ ਮਾਰਜਿਨਾਂ ਨੂੰ ਅਸੰਗਤ ਬਣਾ ਸਕਦੇ ਹਨ। ਇੱਕ ਬਹੁਤ ਹੀ ਛੋਟੀ ਆਈਟਰੇਸ਼ਨ ਸੀਮਾ ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸ਼ੁਰੂਆਤੀ ਵੇਟ ਲੋੜੀਂਦੀ ਟੋਲਰੈਂਸ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਰੋਕ ਸਕਦੇ ਹਨ। ਟਾਰਗੇਟ ਆਡਿਟ ਅਤੇ ਸਭ ਤੋਂ ਖਰਾਬ-ਟਾਰਗੇਟ ਲੌਗ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਬੇਮੇਲਤਾ ਬਾਕੀ ਹੈ; ਉਹਨਾਂ ਆਖਰੀ ਵੇਟਾਂ ਨੂੰ ਕੈਲੀਬਰੇਟਡ ਵਜੋਂ ਨਾ ਵਰਤੋ।

    BroBroGo ਸੰਪਾਦਕੀ ਟੀਮ ਵੱਲੋਂ ਲਿਖਿਆ ਅਤੇ ਜਾਂਚਿਆ ਗਿਆ।ਆਖਰੀ ਅੱਪਡੇਟ:

    ਸਰਵੇਖਣ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੀ ਜਾਣ-ਪਛਾਣ

    ਸਰਵੇਖਣ ਖੋਜ ਵਿੱਚ, ਇਕੱਤਰ ਕੀਤਾ ਗਿਆ ਸੈਂਪਲ ਅਕਸਰ ਨਿਸ਼ਾਨਾ ਆਬਾਦੀ ਦੇ ਅਸਲ ਜਨਸੰਖਿਆ ਢਾਂਚੇ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ। ਸਰਵੇਖਣ ਵੇਟਿੰਗ ਕੈਲਕੁਲੇਟਰ ਇੱਕ ਮੁਫ਼ਤ ਔਨਲਾਈਨ ਟੂਲ ਹੈ ਜੋ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਰੇਕਿੰਗ (iterative proportional fitting) ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਾਣੇ-ਪਛਾਣੇ ਆਬਾਦੀ ਮਾਰਜਿਨਾਂ ਨਾਲ ਉੱਤਰਦਾਤਾਵਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰਨ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ। ਉਪਭੋਗਤਾ ਆਪਣੇ ਕੱਚੇ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀਆਂ ਲਾਈਨਾਂ ਅਤੇ ਨਿਸ਼ਾਨਾ ਆਬਾਦੀ ਦੀਆਂ ਪ੍ਰਤੀਸ਼ਤਤਾਵਾਂ ਨੂੰ ਪੇਸਟ ਕਰਦੇ ਹਨ, ਅਤੇ ਇਹ ਟੂਲ ਆਪਣੇ ਆਪ ਵਿਅਕਤੀਗਤ ਉੱਤਰਦਾਤਾਵਾਂ ਦੇ ਵੇਟਾਂ ਨੂੰ ਉਦੋਂ ਤੱਕ ਐਡਜਸਟ ਕਰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਸੈਂਪਲ ਦੀਆਂ ਮਾਰਜਿਨਲ ਵੰਡਾਂ ਨਿਸ਼ਾਨਾ ਟੀਚਿਆਂ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾ ਜਾਂਦੀਆਂ।

    ਇਹ ਪ੍ਰਕਿਰਿਆ ਤੁਰੰਤ ਡਾਇਗਨੌਸਟਿਕ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਦਮ ਸਫਲਤਾਪੂਰਵਕ ਕਨਵਰਜ ਹੋਇਆ ਹੈ, ਵੇਟਾਂ ਨੂੰ ਕਿੰਨਾ ਐਡਜਸਟ ਕਰਨਾ ਪਿਆ, ਅਤੇ ਇਸ ਵੇਟਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨੇ ਸਰਵੇਖਣ ਦੀ ਅੰਕੜਾ ਸ਼ੁੱਧਤਾ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਹੈ।

    ਰੇਕਿੰਗ ਬਨਾਮ ਪੋਸਟ-ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ

    ਜਦੋਂ ਸੈਂਪਲ ਨੂੰ ਆਬਾਦੀ ਦੇ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਖੋਜਕਰਤਾ ਅਕਸਰ ਰੇਕਿੰਗ ਜਾਂ ਪੋਸਟ-ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਦੀ ਚੋਣ ਕਰਦੇ ਹਨ। ਪੋਸਟ-ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ ਵਿੱਚ ਸਾਰੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਰੀਏਬਲਾਂ ਦੇ ਆਪਸੀ ਸੁਮੇਲ (ਜਿਵੇਂ ਕਿ ਉਮਰ × ਲਿੰਗ × ਖੇਤਰ) ਦੇ ਹਰੇਕ ਸੈੱਲ ਲਈ ਵੱਖਰੇ ਵੇਟ ਬਣਾਉਣੇ ਪੈਂਦੇ ਹਨ। ਇਸ ਲਈ ਹਰੇਕ ਸੰਭਾਵਿਤ ਸੈੱਲ ਲਈ ਆਬਾਦੀ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

    ਇਸਦੇ ਉਲਟ, ਰੇਕਿੰਗ (iterative proportional fitting) ਕੇਵਲ ਹਰੇਕ ਵੇਰੀਏਬਲ ਦੇ ਵੱਖਰੇ ਮਾਰਜਿਨਲ ਟੀਚਿਆਂ (ਜਿਵੇਂ ਕਿ ਉਮਰ ਦੇ ਟੀਚੇ, ਲਿੰਗ ਦੇ ਟੀਚੇ ਅਤੇ ਖੇਤਰ ਦੇ ਟੀਚੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ) ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਹ ਐਲਗੋਰਿਦਮ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਵੇਰੀਏਬਲ ਦੇ ਮਾਰਜਿਨ ਨੂੰ ਐਡਜਸਟ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਚੱਕਰ ਉਦੋਂ ਤੱਕ ਦੁਹਰਾਉਂਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਸਾਰੇ ਮਾਰਜਿਨਲ ਟੀਚੇ ਨਿਰਧਾਰਤ ਟੋਲਰੈਂਸ ਦੇ ਅੰਦਰ ਫਿੱਟ ਨਹੀਂ ਹੋ ਜਾਂਦੇ। ਇਹ ਵਿਧੀ ਉਦੋਂ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਸੈੱਲ-ਅਧਾਰਿਤ ਪੂਰੇ ਅੰਕੜੇ ਉਪਲਬਧ ਨਹੀਂ ਹੁੰਦੇ ਜਾਂ ਜਦੋਂ ਸੈਂਪਲ ਵਿੱਚ ਕੁਝ ਖਾਸ ਸੈੱਲਾਂ ਦੇ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਗਿਣਤੀ ਜ਼ੀਰੋ ਹੁੰਦੀ ਹੈ।

    ਇਨਪੁਟ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ

    ਕੈਲਕੁਲੇਟਰ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਚਲਾਉਣ ਲਈ ਦੋ ਮੁੱਖ ਟੇਬਲ ਇਨਪੁਟ ਕਰਨੇ ਪੈਂਦੇ ਹਨ:

    1. ਉੱਤਰਦਾਤਾ ਡੇਟਾ (Respondent data)

    • ਫਾਰਮੈਟ: ਇਸ ਟੇਬਲ ਵਿੱਚ ਇੱਕ ਹੈਡਰ ਰੋਅ ਅਤੇ ਪ੍ਰਤੀ ਰੋਅ ਇੱਕ ਉੱਤਰਦਾਤਾ ਦਾ ਡੇਟਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਟੈਬਾਂ, ਸੈਮੀਕੋਲਨਾਂ, ਜਾਂ CSV ਕਾਮਿਆਂ ਨੂੰ ਡੈਲੀਮੀਟਰ ਵਜੋਂ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਡੇ ਸਥਾਨਕ ਖੇਤਰ ਦਾ ਦਸ਼ਮਲਵ ਚਿੰਨ੍ਹ ਬਿੰਦੂ (.) ਨਹੀਂ ਹੈ, ਤਾਂ ਟੈਬਾਂ ਜਾਂ ਸੈਮੀਕੋਲਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਤਾਂ ਜੋ ਦਸ਼ਮਲਵ ਚਿੰਨ੍ਹ ਸੈੱਲ ਦੇ ਅੰਦਰ ਹੀ ਰਹੇ।
    • ਸੀਮਾਵਾਂ: ਪੇਸਟ ਕੀਤੇ ਟੇਬਲ ਵਿੱਚ 2,000,000 ਤੋਂ ਘੱਟ ਅੱਖਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ 20,000 ਉੱਤਰਦਾਤਾ ਰੋਅਜ਼ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਵਿੱਚ ਬਿਨਾਂ ਕਿਸੇ ਖਾਲੀ ਹੈਡਰ ਦੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਨਾਮ ਵਾਲੇ ਕਾਲਮ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ, ਅਤੇ ਹਰੇਕ ਕਾਲਮ ਦਾ ਹੈਡਰ ਵਿਲੱਖਣ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.

    2. ਆਬਾਦੀ ਮਾਰਜਿਨ (%) (Population margins)

    • ਫਾਰਮੈਟ: ਇਸ ਟੇਬਲ ਵਿੱਚ ਬਿਲਕੁਲ ਤਿੰਨ ਕਾਲਮ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ: ਵੇਰੀਏਬਲ, ਸ਼੍ਰੇਣੀ ਅਤੇ ਟਾਰਗੇਟ ਪ੍ਰਤੀਸ਼ਤ.
    • ਸੀਮਾਵਾਂ: ਵੱਧ ਤੋਂ ਵੱਧ 500 ਟਾਰਗੇਟ ਰੋਅਜ਼, 6 ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਰੀਏਬਲ, ਜਾਂ ਪ੍ਰਤੀ ਵੇਰੀਏਬਲ 100 ਟਾਰਗੇਟ ਸ਼੍ਰੇਣੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਹਰੇਕ ਵੇਰੀਏਬਲ ਦੇ ਟੀਚਿਆਂ ਦਾ ਜੋੜ ਬਿਲਕੁਲ 100% ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਵਿਅਕਤੀਗਤ ਟੀਚਾ ਪ੍ਰਤੀਸ਼ਤ 0% ਤੋਂ 100% ਦੇ ਵਿਚਕਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੈਂਪਲ ਵਿੱਚ ਮੌਜੂਦ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਟਾਰਗੇਟ ਟੇਬਲ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ।

    3. ਵਿਕਲਪਿਕ ਅਤੇ ਕੰਟਰੋਲ ਸੈਟਿੰਗਾਂ

    • ਬੇਸ-ਵੇਟ ਕਾਲਮ: ਸ਼ੁਰੂਆਤੀ ਰਿਲੇਟਿਵ ਵੇਟਾਂ ਵਾਲਾ ਕਾਲਮ। ਜੇਕਰ ਖਾਲੀ ਛੱਡ ਦਿੱਤਾ ਜਾਵੇ, ਤਾਂ ਹਰੇਕ ਉੱਤਰਦਾਤਾ ਦਾ ਸ਼ੁਰੂਆਤੀ ਵੇਟ 1 ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਕਾਲਮ ਦੇ ਮੁੱਲ 0 ਤੋਂ ਵੱਧ ਸੀਮਤ ਸੰਖਿਆਵਾਂ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।
    • ਨਤੀਜਾ ਕਾਲਮ: ਸ਼ੁਰੂਆਤੀ ਅਤੇ ਅੰਤਿਮ ਵੇਟਿਡ ਔਸਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸੀਮਤ ਸੰਖਿਆਤਮਕ ਕਾਲਮ।
    • ਸਾਪੇਖਿਕ ਟੋਲਰੈਂਸ: ਐਲਗੋਰਿਦਮ ਨੂੰ ਰੋਕਣ ਲਈ ਨਿਰਧਾਰਤ ਸੀਮਾ, ਜੋ 1e-12 ਤੋਂ 1e-2 ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
    • ਅਧਿਕਤਮ ਆਈਟਰੇਸ਼ਨ: ਐਲਗੋਰਿਦਮ ਦੇ ਚੱਕਰਾਂ ਦੀ ਅਧਿਕਤਮ ਸੀਮਾ, ਜੋ 1 ਤੋਂ 500 ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

    ਗਣਨਾ ਦੇ ਫਾਰਮੂਲੇ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ੇਸ਼ਨ

    ਕੈਲਕੁਲੇਟਰ ਹਰੇਕ ਚੱਕਰ ਵਿੱਚ ਹੇਠ ਲਿਖੇ ਫਾਰਮੂਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ:

    1. ਪਹਿਲੇ-ਚੱਕਰ ਦਾ ਐਡਜਸਟਮੈਂਟ ਫੈਕਟਰ:

    2. ਵੇਟ ਨਾਰਮਲਾਈਜ਼ੇਸ਼ਨ: ਕੈਲਕੁਲੇਟਰ ਅੰਤਿਮ ਵੇਟਾਂ ਨੂੰ ਔਸਤ 1 'ਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਦਾ ਕੁੱਲ ਜੋੜ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਗਿਣਤੀ (n) ਦੇ ਬਰਾਬਰ ਹੋਵੇ:

    3. Kish ਵੇਟ ਪ੍ਰਭਾਵ (Kish weight effect): ਅਸਮਾਨ ਵੇਟਾਂ ਕਾਰਨ ਹੋਣ ਵਾਲੇ ਵੇਰੀਐਂਸ ਦੇ ਵਾਧੇ ਨੂੰ ਮਾਪਣ ਲਈ:

    4. ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ (Effective sample size): ਵੇਟਿੰਗ ਤੋਂ ਬਾਅਦ ਬਚੇ ਅਸਲ ਉਪਯੋਗੀ ਸੈਂਪਲ ਆਕਾਰ ਦਾ ਅਨੁਮਾਨ:

    • ‹variable› / ‹category›: ਗੁਣਕ = ਟੀਚਾ ਜੋੜ ÷ ਮੌਜੂਦਾ ਜੋੜ = ‹target› ÷ ‹current› = ‹factor›
    • ਅੰਤਿਮ ਵੇਟਾਂ ਨੂੰ ਔਸਤ 1 'ਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰੋ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਦਾ ਜੋੜ ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਬਰਾਬਰ ਹੋਵੇ: Σw = n = ‹count›।
    • Kish ਵੇਟ ਪ੍ਰਭਾਵ = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›।
    • ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›।

    ਇਹ ਵੇਟ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਮਾਰਜਿਨਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ, ਉਹਨਾਂ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਨਹੀਂ ਜੋ ਤੁਸੀਂ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕੀਤੇ। Kish ਨਿਦਾਨ ਸਿਰਫ਼ ਅਸਮਾਨ ਵੇਟਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਇਸ ਵਿੱਚ ਕਲੱਸਟਰਿੰਗ, ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ ਜਾਂ ਪੂਰਾ ਸਰਵੇਖਣ ਵੇਰੀਐਂਸ ਅਨੁਮਾਨ ਸ਼ਾਮਲ ਨਹੀਂ ਹੈ।

    ਨਿਯਮ, ਚੇਤਾਵਨੀਆਂ ਅਤੇ ਗਲਤੀਆਂ ਦੇ ਸੁਨੇਹੇ

    ਕੈਲਕੁਲੇਟਰ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ ਸਖ਼ਤ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਸਮੱਸਿਆ ਹੋਣ 'ਤੇ ਹੇਠ ਲਿਖੇ ਖਾਸ ਸੁਨੇਹੇ ਦਿਖਾਉਂਦਾ ਹੈ:

    • ਸਿੰਗਲ ਮਾਰਜਿਨ ਵਿਵਹਾਰ: ਜੇਕਰ ਸਿਰਫ਼ ਇੱਕ ਕੈਟੇਗੋਰੀਕਲ ਵੇਰੀਏਬਲ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕੈਲਕੁਲੇਟਰ ਇੱਕੋ ਚੱਕਰ ਵਿੱਚ ਸਿੱਧਾ ਟੀਚਾ-ਹਿੱਸਾ ÷ ਮੌਜੂਦਾ-ਹਿੱਸਾ ਐਡਜਸਟਮੈਂਟ ਲਾਗੂ ਕਰਕੇ ਕੰਮ ਪੂਰਾ ਕਰਦਾ ਹੈ।
    • ਜ਼ੀਰੋ-ਸੈੱਲ ਸਥਿਤੀ: ਜੇਕਰ ਕਿਸੇ ਸ਼੍ਰੇਣੀ ਦਾ ਟਾਰਗੇਟ ਪਾਜ਼ੀਟਿਵ ਹੈ ਪਰ ਸੈਂਪਲ ਵਿੱਚ ਕੋਈ ਉੱਤਰਦਾਤਾ ਨਹੀਂ ਹੈ, ਤਾਂ ਕੈਲਕੁਲੇਟਰ ਇਹ ਗਲਤੀ ਦਿਖਾਉਂਦਾ ਹੈ: "“‹variable› / ‹category›” ਦਾ ਟਾਰਗੇਟ ਪਾਜ਼ੀਟਿਵ ਹੈ ਪਰ ਕੋਈ ਵਰਤੋਂ ਯੋਗ ਸੈਂਪਲ ਵੇਟ ਨਹੀਂ ਹੈ, ਇਸ ਲਈ ਕੋਈ ਸੀਮਤ ਹੱਲ ਮੌਜੂਦ ਨਹੀਂ ਹੈ।"
    • ਕਨਵਰਜੈਂਸ ਅਸਫਲਤਾ: ਜੇਕਰ ਨਿਰਧਾਰਤ ਆਈਟਰੇਸ਼ਨ ਸੀਮਾ ਪੂਰੀ ਹੋਣ ਤੱਕ ਟੋਲਰੈਂਸ ਹਾਸਲ ਨਹੀਂ ਹੁੰਦੀ, ਤਾਂ ਸਟੇਟਸ ਬਾਰ 'ਤੇ ਇਹ ਸੁਨੇਹਾ ਆਉਂਦਾ ਹੈ: "ਕਨਵਰਜੈਂਸ ਤੋਂ ਪਹਿਲਾਂ ਆਈਟਰੇਸ਼ਨ ਸੀਮਾ (‹iterations›) 'ਤੇ ਪਹੁੰਚ ਗਿਆ। ਆਖਰੀ ਵੇਟ ਨਿਦਾਨ ਲਈ ਦਿਖਾਏ ਗਏ ਹਨ, ਕੈਲੀਬਰੇਟਡ ਨਤੀਜਿਆਂ ਵਜੋਂ ਨਹੀਂ।"
    • ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਸਮਾਨ ਵੇਟ: ਜੇਕਰ ਸਭ ਤੋਂ ਵੱਡੇ ਅਤੇ ਸਭ ਤੋਂ ਛੋਟੇ ਵੇਟ ਦਾ ਅਨੁਪਾਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋਵੇ, ਤਾਂ ਇਹ ਚੇਤਾਵਨੀ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ: "ਮਾਰਜਿਨ ਮੇਲ ਖਾ ਗਏ ਹਨ, ਪਰ ਸਭ ਤੋਂ ਵੱਡਾ ਵੇਟ ਸਭ ਤੋਂ ਛੋਟੇ ਨਾਲੋਂ ‹ratio› ਗੁਣਾ ਹੈ; ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ ਦੀ ਜਾਂਚ ਕਰੋ।"
    • ਪਹਿਲਾਂ ਤੋਂ ਮੇਲ ਖਾਂਦਾ ਡੇਟਾ: ਜੇਕਰ ਸ਼ੁਰੂਆਤੀ ਵੇਟ ਪਹਿਲਾਂ ਹੀ ਟੀਚਿਆਂ ਦੇ ਬਰਾਬਰ ਹੋਣ: "ਸ਼ੁਰੂਆਤੀ ਵੇਟ ਪਹਿਲਾਂ ਹੀ ਹਰੇਕ ਲੋੜੀਂਦੇ ਮਾਰਜਿਨ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ।"

    ਹੋਰ ਆਮ ਗਲਤੀਆਂ ਦੇ ਸੁਨੇਹੇ:

    • ਡੇਟਾ ਖਾਲੀ ਹੋਣ 'ਤੇ: "ਇੱਕ ਹੈਡਰ ਰੋਅ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਉੱਤਰਦਾਤਾ ਰੋਅ ਸ਼ਾਮਲ ਕਰੋ।"
    • ਕਾਲਮ ਦੀ ਗਿਣਤੀ ਗਲਤ ਹੋਣ 'ਤੇ: "ਰੋਅ ‹line› ਵਿੱਚ ‹actual› ਸੈੱਲ ਹਨ; ਹੈਡਰ ਵਿੱਚ ‹expected› ਹਨ।"
    • ਟਾਰਗੇਟ ਦਾ ਜੋੜ 100% ਨਾ ਹੋਣ 'ਤੇ: "“‹variable›” ਲਈ ਟਾਰਗੇਟਾਂ ਦਾ ਜੋੜ ‹total›% ਹੈ; ਇਹਨਾਂ ਦਾ ਜੋੜ ਬਿਲਕੁਲ 100% ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।"

    ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ

    ਇਸ ਟੂਲ ਵਿੱਚ ਡੇਟਾ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਥਾਨਕ ਰੱਖਿਆ ਗਿਆ ਹੈ। ਉੱਤਰਦਾਤਾਵਾਂ ਦਾ ਸਾਰਾ ਡੇਟਾ ਅਤੇ ਗਣਨਾ ਕੀਤੇ ਗਏ ਵੇਟ ਪੂਰੀ ਤਰ੍ਹਾਂ ਉਪਭੋਗਤਾ ਦੇ ਆਪਣੇ ਵੈੱਬ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਅੰਦਰ ਹੀ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਕੋਈ ਵੀ ਡੇਟਾ ਕਿਸੇ ਬਾਹਰੀ ਸਰਵਰ 'ਤੇ ਅਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ।

    ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ, ਸਕ੍ਰੀਨ 'ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਪਹਿਲੀਆਂ 500 ਰੋਅਜ਼ ਹੀ ਰੈਂਡਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਕਨਵਰਜੈਂਸ ਤੋਂ ਬਾਅਦ "ਵੇਟਿਡ ਡੇਟਾ ਕਾਪੀ ਕਰੋ" 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਪੂਰਾ ਡੇਟਾ (ਜਿਸ ਵਿੱਚ raking_adjustment ਅਤੇ raking_weight ਕਾਲਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ) ਕਾਪੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

    ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ (FAQ)

    ਮੈਨੂੰ ਬੇਸ ਵੇਟ ਵਜੋਂ ਕੀ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ?

    ਉਸ ਵੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਆਬਾਦੀ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਦਾ ਹੈ — ਆਮ ਤੌਰ 'ਤੇ ਹਰੇਕ ਉੱਤਰਦਾਤਾ ਦੀ ਅੰਤਿਮ ਚੋਣ ਸੰਭਾਵਨਾ ਦਾ ਉਲਟ, ਤੁਹਾਡੇ ਅਧਿਐਨ ਲਈ ਲੋੜੀਂਦੀ ਕਿਸੇ ਵੀ ਪੁਰਾਣੀ ਗੈਰ-ਜਵਾਬ ਐਡਜਸਟਮੈਂਟ ਤੋਂ ਬਾਅਦ। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਸੰਭਾਵਨਾ ਵੇਟ (probability weights) ਨਹੀਂ ਹਨ, ਤਾਂ ਹਰੇਕ ਨੂੰ 1 ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਫੀਲਡ ਨੂੰ ਖਾਲੀ ਛੱਡ ਦਿਓ। ਇਹ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਕਿਸੇ ਸੁਵਿਧਾਜਨਕ ਸੈਂਪਲ (convenience sample) ਨੂੰ ਸੰਭਾਵਨਾ ਸੈਂਪਲ ਵਿੱਚ ਨਹੀਂ ਬਦਲਦਾ।

    ਕਿਸੇ ਟੀਚੇ ਦਾ ਕੋਈ ਹੱਲ ਕਿਉਂ ਨਹੀਂ ਹੋ ਸਕਦਾ ਜਾਂ ਇਹ ਕਨਵਰਜ ਹੋਣ ਵਿੱਚ ਅਸਫਲ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ?

    ਕਿਸੇ ਅਜਿਹੀ ਸ਼੍ਰੇਣੀ ਤੋਂ ਸਕਾਰਾਤਮਕ ਟੀਚਾ ਨਹੀਂ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਜਿਸ ਵਿੱਚ ਕੋਈ ਸੈਂਪਲਡ ਉੱਤਰਦਾਤਾ ਨਾ ਹੋਵੇ। ਕਈ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ, ਦੇਖੇ ਗਏ ਸੁਮੇਲ ਵੀ ਹੋਰ ਵਾਜਬ ਲੱਗਣ ਵਾਲੇ ਮਾਰਜਿਨਾਂ ਨੂੰ ਅਸੰਗਤ ਬਣਾ ਸਕਦੇ ਹਨ। ਇੱਕ ਬਹੁਤ ਹੀ ਛੋਟੀ ਆਈਟਰੇਸ਼ਨ ਸੀਮਾ ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸ਼ੁਰੂਆਤੀ ਵੇਟ ਲੋੜੀਂਦੀ ਟੋਲਰੈਂਸ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਰੋਕ ਸਕਦੇ ਹਨ। ਟਾਰਗੇਟ ਆਡਿਟ ਅਤੇ ਸਭ ਤੋਂ ਖਰਾਬ-ਟਾਰਗੇਟ ਲੌਗ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਬੇਮੇਲਤਾ ਬਾਕੀ ਹੈ; ਉਹਨਾਂ ਆਖਰੀ ਵੇਟਾਂ ਨੂੰ ਕੈਲੀਬਰੇਟਡ ਵਜੋਂ ਨਾ ਵਰਤੋ।

    ਕੀ Kish ਵੇਟ ਪ੍ਰਭਾਵ ਪੂਰਾ ਸਰਵੇਖਣ ਡਿਜ਼ਾਈਨ ਪ੍ਰਭਾਵ ਹੈ?

    ਨਹੀਂ। ਇਹ ਸਿਰਫ਼ ਅਸਮਾਨ ਵੇਟਾਂ ਨਾਲ ਜੁੜੇ ਸ਼ੁੱਧਤਾ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਮਾਪਦਾ ਹੈ: ਸਮਾਨ ਵੇਟ 1 ਦਿੰਦੇ ਹਨ, ਅਤੇ ਵਧੇਰੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਵੇਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੈਂਪਲ ਆਕਾਰ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ। ਕਲੱਸਟਰਿੰਗ, ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ, ਸੀਮਤ-ਆਬਾਦੀ ਸੁਧਾਰ ਅਤੇ ਨਤੀਜਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਤ ਹੈ, ਇਹ ਸਭ ਅਸਲ ਵੇਰੀਐਂਸ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ। ਸਟੈਂਡਰਡ ਗਲਤੀਆਂ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲਾਂ ਲਈ ਅਜਿਹੇ ਸੌਫਟਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਪੂਰੇ ਸੈਂਪਲ ਡਿਜ਼ਾਈਨ ਨੂੰ ਜਾਣਦਾ ਹੋਵੇ।

    ਰੇਕਿੰਗ ਕੀ ਹੈ, ਅਤੇ ਇੱਕ ਮਾਰਜਿਨ ਕਦੋਂ ਸਿਰਫ਼ ਪੋਸਟ-ਸਟ੍ਰੈਟੀਫਿਕੇਸ਼ਨ ਹੁੰਦਾ ਹੈ?

    ਰੇਕਿੰਗ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਆਬਾਦੀ ਮਾਰਜਿਨ ਨੂੰ ਐਡਜਸਟ ਕਰਦੀ ਹੈ, ਫਿਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਚੱਕਰ ਕੱਟਦੀ ਹੈ ਜਦੋਂ ਤੱਕ ਬਾਅਦ ਦੇ ਐਡਜਸਟਮੈਂਟਾਂ ਤੋਂ ਬਾਅਦ ਵੀ ਪਹਿਲੇ ਮਾਰਜਿਨ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ। ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਕੈਟੇਗੋਰੀਕਲ ਵੇਰੀਏਬਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ, ਤਾਂ ਇੱਕ ਚੱਕਰ ਹੀ ਕਾਫ਼ੀ ਹੈ: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਨੂੰ ਜਾਣੂ ਟੀਚਾ-ਹਿੱਸਾ ÷ ਮੌਜੂਦਾ-ਹਿੱਸਾ ਐਡਜਸਟਮੈਂਟ ਮਿਲਦਾ ਹੈ। ਕਈ ਮਾਰਜਿਨ ਉਹਨਾਂ ਦੇ ਗੈਰ-ਸੂਚੀਬੱਧ ਕ੍ਰਾਸ-ਸੁਮੇਲਾਂ ਨੂੰ ਮੇਲਣ ਲਈ ਮਜਬੂਰ ਨਹੀਂ ਕਰਦੇ।

    ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਕੈਲਕੁਲੇਟਰਜੋੜੇ ਵਾਲੇ ਡੇਟਾ ਲਈ ਇੱਕ ਨਿਊਨਤਮ-ਵਰਗ ਰੇਖਾ ਫਿੱਟ ਕਰੋ ਅਤੇ ਇਸਦੀ ਢਾਲ, R², p-ਮੁੱਲ, ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ, ਰੈਜ਼ੀਡਿਊਲ ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਇੱਕੋ ਜਗ੍ਹਾ 'ਤੇ ਪੜ੍ਹੋ।Z-ਸਕੋਰ ਅਤੇ ਮਿਆਰੀ ਵਿਚਲਨ ਕੈਲਕੁਲੇਟਰਕਿਸੇ ਡੇਟਾ ਸੈੱਟ ਦਾ ਮੱਧਮਾਨ, ਮਿਆਰੀ ਵਿਚਲਨ ਅਤੇ ਪ੍ਰਤੀ-ਮੁੱਲ z-ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਉਸਨੂੰ ਪੇਸਟ ਕਰੋ, ਜਾਂ ਸਧਾਰਨ-ਵਕਰ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਨਾਲ ਇੱਕ ਅਣਜਾਣ ਮੁੱਲ ਲਈ z = (x − μ) / σ ਨੂੰ ਹੱਲ ਕਰੋ।ਪ੍ਰਤੀਸ਼ਤ ਕੈਲਕੁਲੇਟਰਕਿਸੇ ਸੰਖਿਆ ਦਾ X% ਕੀ ਹੈ, ਇੱਕ ਮੁੱਲ ਦੂਜੇ ਦਾ ਕਿੰਨੇ ਪ੍ਰਤੀਸ਼ਤ ਹੈ, ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਪਿੱਛੇ ਦੀ ਕੁੱਲ ਸੰਖਿਆ, ਦੋ ਅੰਕੜਿਆਂ ਵਿਚਕਾਰ ਵਾਧਾ ਜਾਂ ਘਾਟਾ, ਅਤੇ ਛੋਟ ਤੋਂ ਬਾਅਦ ਵਿਕਰੀ ਕੀਮਤਾਂ — ਸਭ ਕੁਝ ਇੱਕੋ ਪੰਨੇ 'ਤੇ।ਅਨੁਪਾਤ ਕੈਲਕੁਲੇਟਰਕਿਸੇ ਅਨੁਪਾਤ ਨੂੰ ਸਰਲ ਬਣਾਓ, ਸਮਾਨੁਪਾਤ ਵਿੱਚ ਖਾਲੀ ਥਾਂ ਨੂੰ ਹੱਲ ਕਰੋ, ਜਾਂ ਦੋਵਾਂ ਪਾਸਿਆਂ ਨੂੰ ਇੱਕੋ ਗੁਣਕ ਨਾਲ ਸਕੇਲ ਕਰੋ।ਪੁੰਜ ਦਾ ਕੇਂਦਰ ਕੈਲਕੁਲੇਟਰਸੂਚੀਬੱਧ ਕਰੋ ਕਿ ਹਰੇਕ ਹਿੱਸੇ ਦਾ ਭਾਰ ਕਿੰਨਾ ਹੈ ਅਤੇ ਉਹ ਕਿੱਥੇ ਸਥਿਤ ਹੈ, ਅਤੇ ਹਰੇਕ ਧੁਰੇ ਦੇ ਪਿੱਛੇ ਵੇਟਿਡ ਜੋੜ ਦੇ ਨਾਲ ਸੰਤੁਲਨ ਬਿੰਦੂ ਦੇਖੋ।ਇੰਸੀਡੈਂਸ ਅਤੇ ਪ੍ਰੈਵਲੈਂਸ ਕੈਲਕੁਲੇਟਰਕੇਸਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਆਬਾਦੀ ਨੂੰ ਕਿਊਮੂਲੇਟਿਵ ਇੰਸੀਡੈਂਸ, ਪਰਸਨ-ਟਾਈਮ ਇੰਸੀਡੈਂਸ ਰੇਟ ਅਤੇ ਪੁਆਇੰਟ ਪ੍ਰੈਵਲੈਂਸ ਵਿੱਚ ਬਦਲੋ — ਹਰੇਕ ਮਾਪ ਦੇ ਪਿੱਛੇ ਦੇ ਹਰ (denominator) ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦੇਖੋ।ਵਸੋਂ ਪਿਰਾਮਿਡ ਜਨਰੇਟਰਉਮਰ ਅਤੇ ਲਿੰਗ ਦੀ ਗਿਣਤੀ ਨੂੰ ਨਿਰਭਰਤਾ ਅਨੁਪਾਤ, ਮੱਧਮਾਨ ਉਮਰ ਅਤੇ ਸ਼ਕਲ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਾਲੇ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਸੋਂ ਪਿਰਾਮਿਡ ਵਿੱਚ ਬਦਲੋ।ਵੋਟਿੰਗ ਵਿਧੀ ਤੁਲਨਾਕਾਰਇੱਕ ਰੈਂਕਡ-ਬੈਲਟ ਦ੍ਰਿਸ਼ ਨੂੰ ਪੰਜ ਗਣਨਾ ਨਿਯਮਾਂ ਰਾਹੀਂ ਚਲਾਓ ਅਤੇ ਦੇਖੋ ਕਿ ਜੇਤੂ ਵੱਖਰੇ ਕਿਉਂ ਹਨ।