Im Jahr 2010 Bethany Hedt-Gauthier (einer meiner Helden) ließ mich bei ihrem Projekt mit dem malawischen Gesundheitsministerium dabei sein. Damals wurden 270.000 Patienten in 377 antiretroviralen HIV-Kliniken behandelt. Patientenbehandlungskarten waren (und sind es auch heute noch) Taylor & Kazembe 2025) papierbasiert.

Vierteljährlich wurden diese Behandlungskarten mit dem Klinikregister abgeglichen, um Fehler zu erkennen. Damals führte man in jeder Klinik eine Vollzählung durch. In Hedt-Gauthier et al. (2012) Wir schlugen vor, in jeder Klinik eine Stichprobe der Aufzeichnungen zu entnehmen und anhand einer Entscheidungsregel (Lot High quality Assurance Sampling, LQAS) zu entscheiden, ob die Klinik eine vollständige Zählung der Behandlungskarten erhalten würde.

Wir nahmen an 19 Klinikbesuchen teil, um dies parallel zu den Standing-Quo-Zählungen auszuprobieren. Die Volkszählungen dauerten insgesamt 28,5 Stunden und korrigierten einige Datenfehler. Die stichprobenbasierte Entscheidungsregel benötigte weniger als die Hälfte der Zeit und erkannte mehr als die Hälfte der Fehler.

Betrachten Sie eine Klinik. Lassen:

• p = wahre Übereinstimmungsrate zwischen Behandlungskarten und Klinikregister
• n = Anzahl der beprobten Behandlungskarten, wir haben 76 befragt
• D = Anzahl derjenigen, die anderer Meinung sind ~ Binomial(n, 1-p)

Unsere Entscheidungsregel lautete: Wenn D >= 3, dann führen Sie eine vollständige Zählung der Behandlungskarten durch.

• P(eine vollständige Volkszählung durchführen | p = 0,99) = etwa 4 %
• P(keine vollständige Volkszählung durchführen | p = 0,89) = weniger als 1 %

Es besteht ein Kompromiss zwischen der Überprüfung der Stunden (Kosten) und den korrigierten Daten (Nutzen). LQAS navigiert dies mit den oben genannten Wahrscheinlichkeiten, die bei Hypothesentests manchmal als „Fehler vom Typ I“ und „Typ II“ bezeichnet werden. Aber Hedt-Gauthier et al. (2012) bezog sich nicht auf Hypothesentests. Ihr Fokus lag auf der Messung der Kosten und des Nutzens der Entscheidung.

In Geben Sie die statistische Signifikanz auf (zitiert auf diesem Weblog) schrieben die Autoren über statistische Signifikanzschwellen:

Solche Schwellenwerte drücken implizit einen bestimmten Kompromiss zwischen Fehlern vom Typ I und Typ II aus, aber in Wirklichkeit sollte dieser Kompromiss von den Kosten, Nutzen und Wahrscheinlichkeiten aller Ergebnisse abhängen

Der Eisbär verfügt über ein eigenes papierbasiertes System (Anmerkungen zur Umfragestatistik). Er strebt eine Volkszählung über sie an. Er strebt auch eine Zählung des Appalachian Path an, er hat die rot markierten Meilen zurückgelegt.

[ad_2]

Im Juli Wir haben ein neues Paradigma betreten: Ob Sie auf eine Umfrage (R) antworten, kann auch nach der Kontrolle von Kovariaten (x) vom Ergebnis (Y) abhängen. Dies wird als nicht zufällig (MNAR) als fehlend bezeichnet, im Gegensatz zu zufällig (mar).

Michael Bailey‚S Ein neues Paradigma für die Wahl schlägt Methoden vor, die auf a angewiesen sind Antwortinstrument z: Eine Variable, die die Wahrscheinlichkeit von Reaktion R beeinflusst, aber nicht direkt das Interesse auswirkt. Y. Bailey schreibt:

Das dominierende Paradigma in den Wahllokalzentren für zufällige Stichproben, was unglücklich ist, weil zufällige Stichproben für alle praktischen Zwecke tot ist.

Aber wie Andrea Gibson schrieb„Sterben ist das Gegenteil des Verlassens.“ In diesem neuen Paradigma ist eine zufällige Stichprobe sehr bei uns.

Um dies zu sehen, lassen Sie uns das Beispiel von erneut besuchen Ein neues Paradigma für die Wahlwas auch in ist Bailey 2025. Es beginnt mit Personen, die aus der Adress-basierten Wahrscheinlichkeitsstichprobe von Ipsos stammen. Das ist wichtig !! Diese Leute werden dann zufällig zugewiesen, entweder gezwungen zu sein, über Politik zu diskutieren (Z = 0, „hohes Antwortprotokoll“), oder sie erhalten die Wahl, Sport zu trennen und zu diskutieren (Z = 1, „niedriges Antwortprotokoll“).

Um das durchschnittliche y (z. B. die Zustimmung des Trumps) in der Bevölkerung zu schätzen, prognostizieren wir in der Zufallsstichprobe y_i angegeben. Dann wie in Nachstratifikation (zB MRP) Methoden verwenden wir die Populationsverteilung von x und z, um das durchschnittliche y: e (y) = e (y | x, z, r = 1)) zu erhalten. Sehen Bailey 2025 Gleichung (8).

Aber warte, was ist die Bevölkerungsverteilung von Z? Vermuten Wir beginnen mit einer Zufallsstichprobe Bevor sie die Leute überhaupt zu Z = 0 oder Z = 1 zuweisen. Die äußere Erwartung über x und z kann durch diese Zufallsstichprobe geschätzt werden.

Mir scheint daher, dass diese Reaktionsinstrumentmethoden nützlich sind, um die sinkenden Rücklaufquoten in Umfragen zu besprechen, die als Wahrscheinlichkeitsproben beginnen. Aber für reine Choose-in-Umfragen bin ich mir nicht sicher, wie sie sich anwenden?

[ad_2]