सामाजिक मीडिया नमुन्यांमध्ये गुणवत्ता कशी वाढवावी?
हे फरक वय, लिंग, वैवाहिक स्थिती, सामाजिक-आर्थिक स्थिती, आरोग्य स्थिती आणि मुलांची संख्या यामध्ये पाहिले गेले.
प्रतिसाद दर
एका अभ्यासाच्या समाप्तीच्या वेळी ज्या डेटाचा समावेश होतो त्या नमुन्यातील सर्व सदस्यांना प्रतिसाद दर म्हणून संदर्भित केले जाते. हे संकल्पना एखाद्या संरचित सर्वेक्षण किंवा मुलाखतींचे संच स्पष्ट असताना, सोशल मीडिया रिसर्चमध्ये ते अधिक अस्पष्ट आहे. तथापि, इतर प्रकारच्या गुणात्मक संशोधनांपेक्षा सोशल मीडिया शोधापेक्षा कमी महत्त्वाचे नाही. प्रतिसादाचा दर सर्वेक्षण करणार्या सहभागींच्या संख्येच्या आधारावर मोजला जातो-किंवा मुलाखत होण्यास सहमती द्या - मूळ नमूना प्रयत्न करणार्या लोकांच्या एकूण संख्येद्वारे विभाजित केले जाते. एकूण संख्येत ज्यांनी यशस्वीरित्या संपर्क साधलेले नाहीत किंवा जे शोध मध्ये सहभागी होण्यास नकार देतात त्यामध्ये समाविष्ट असणे आवश्यक आहे.
सामान्यीकरण समस्या
डेटा कसा संग्रहित केला जातो तोपर्यंत, प्रतिसादाच्या उच्च दराचे महत्व पुरेसे भरले जाऊ शकत नाही.
जेव्हा नमुनाचा प्रतिसाद दर कमी असतो तेव्हा वास्तविकपणे मोठ्या लोकसंख्येची निर्मिती करणे शक्य नसते. प्रतिसाद दर कमी झाल्याने नमुना पूर्वाग्रह वाढतो मिडिया आधारित सर्वेक्षणात, जेव्हा परताव्याचा दर 20 किंवा 30 टक्के नमुना येतो, तेव्हा एकूण एकत्रित लोकसंख्येमध्ये सहभाग्यांचा गट समानता दर्शवितो.
मेल-इन सर्वेक्षण परत करण्याची किंवा टेलिफोनवर सर्वेक्षणात भाग घेण्यास सहमती दर्शविणार्या लोकांना समान प्रवृत्ती सोशल मीडिया नेटवर्कमध्ये गुंतलेल्या लोकांशी येते: म्हणजे, विषय (किंवा उत्पादन किंवा सेवा) मध्ये एक विशेष स्वारस्य असू शकते. असू).
नमुन्याचा आकार
मोठ्या नमुन्यांऐवजी लहान नमुन्यांमध्ये मोठ्या नमुन्याची त्रुटी आहे विचार करा की नमुना डेटा मोठ्या लोकसंख्येच्या गुणधर्मांचा अंदाज प्रदान करतो. सॅम्पलिंग फ्रेममधून काढलेले प्रत्येक नमूने त्या मोठ्या लोकसंख्येचा एक वेगळे अंदाज प्रदान करते. सैद्धांतिकदृष्ट्या प्रत्येक प्रश्नासाठी घेतलेल्या प्रत्येक नमुन्यात प्रतिसादांची वेगळी नमुना असू शकते. कालांतराने, सॅम्पलिंग फ्रेममधून काढलेल्या सॅम्पलसह, खऱ्या नमुना मोठ्या लोकसंख्येच्या प्रत्यक्ष (खऱ्या) पॅटर्नभोवती फिरत असतात.
त्रुटीचा मार्जिन
सॅम्पलिंग एरिशनमध्ये मोठ्या लोकसंख्येतील कोणत्याही सॅम्पलमधून अंदाजपत्रकाच्या अचूकतेचे वर्णन केले आहे. सॅम्पलिंग एरर त्रुटीच्या मार्जिनच्या रूपात अभिव्यक्त केला जातो जो आत्मविश्वासच्या पातळीशी संबद्ध आहे, जो एक सांख्यिकीय उपाय आहे . उदाहरणार्थ, राष्ट्रपतिपदाचा प्राधान्यक्रम मत, उदाहरणार्थ, अहवाल दाखवू शकतो की विद्यमान सदस्यांचे 64% मतदारांनी समर्थन केले आहे. त्रुटींचा मार्जिन 9 5% आत्मविश्वास स्तरावर प्लस-किंवा-वजा 3 गुण असेल.
दुसर्या शब्दात सांगायचे झाले तर मतदानाच्या 100 वेगवेगळ्या नमुन्यांसह पुन्हा एकदा मतदान केले गेले, तर 100 मतदारांपैकी 9 5 मतदारांनी असे दर्शवले की, पदाधिकारीांना 61% ते 67% मतदारांनी पसंती दिली आहे. म्हणजेच, 61% मतदार + 3% किंवा -3%.
नमुना आकार बद्दल निर्णय
नमुना आकार वाढला आहे म्हणून नमूनासह त्रुटींचा मार्जिन कमी होत जातो, परंतु केवळ एका विशिष्ट बिंदूवर. जेव्हा नमुना आकार 1000 ते 2000 उत्तरकंपन्यांपर्यंत पोहोचेल, तेव्हा त्रुटीचे मार्जिन पुरेसे लहान असते जेणेकरून मोठ्या नमुन्यांना विचारात घेता येईल (एक मूल्य प्रभावी निवड नाही ) जेव्हा सबग्राफ मोठ्या लोकसंख्येचा भाग असतात तेव्हा मोठे नमूने आकार निश्चित केले जाऊ शकतात कारण उपसमूहमधील लोकसंख्येच्या संख्येनुसार प्रत्येक सबग्राफसाठी फरक बदलतो. उदाहरणार्थ, सोशल मीडिया नेटवर्कचे 1000 सदस्य आणि त्रुटीचे मार्जिन जे 1 9 3 आत्मविश्वास अंतराळात 1 ते 3 टक्के गुणांसह बरोबरी करते, त्या सोशल मीडिया नेटवर्कच्या उपसमूहांचे विश्लेषण - असे म्हणतात, निवासस्थानी राहण्यासाठी - सुमारे 100 गुण असलेल्या मायांना 4 ते 10 अंकांच्या त्रुटीमुळे मोठा फरक पडेल.
Gauging नमुना क्षमता
अंतिम आकार किंवा रचनांपेक्षा न वापरलेल्या निवड प्रक्रियेनुसार नमुने विशेषत: मूल्यांकन केले जातात. हे मूलभूत आहे कारण - बर्याच परिस्थितींमध्ये - अचूकपणे मोजणे अशक्य आहे की मोठ्या लोकसंख्येचा प्रतिनिधी किती नमुना आहे . सांख्यिकीय पद्धती वापरल्या जातात कारण ते सोयीचे आणि मुळतः विश्वसनीय अंदाजपत्रकांना परवानगी देतात. सुरुवातीस एक वाजवी आत्मविश्वास अंतराल आणि त्रुटीचे निर्धारण करणे संशोधकांना प्रतिसाद दर आणि पुरेशी नमूना फ्रेम्स यासारख्या चलबिचलांवर लक्ष केंद्रित करण्यास सक्षम करते.