Rasgele olmayan numunenin randomizasyonu

Deneysel çalışmalara katılmak için psikolojik reklamlar gördüğüm için her zaman biraz şaşırdım. Elbette, bu reklamlara cevap veren insanlar rastgele örneklenmezler ve bu nedenle kendi seçtikleri bir nüfustur.

Rasgeleleştirmenin kendi kendine seçim problemini çözdüğü bilindiğinden, rasgele olmayan bir numunenin randomizasyonunun gerçekten bir şey değiştirip değiştirmediğini merak ediyordum.

Ne düşünüyorsun ? Ve ayrıca, kendi kendine seçilmiş örneklemlere dayanan tüm bu psikolojik deneylerden ne yapmalıyız?

Rastgele olmayan bir numunedeki randomizasyon hala bir etki gösterebilir ve rastgele varyasyonla makul bir şekilde açıklanmaz.

Örneğin, kabaca eşit büyüklükte, tanınmayan iki alt gruba (biraz farklı özelliklere sahip *) sahip bir nüfusumuz olduğunu düşünün, ancak örneğiniz rastgele değildir ve 80/20'lik bir bölünme sağlar. Eşit büyüklükte 2 tedavi grubu düşünelim. Rastgeleleştirme (en azından iyi örneklem büyüklüğü ile), her grupta bu 80/20 bölünmesine yakın olma eğilimi gösterecektir, böylece tedavi etkileri, heterojen grupların tedavilere eşit olmayan şekilde tahsis edilmesinden ziyade tedaviye bağlıdır.

* farklı taban çizgileri anlamına gelir

Sorun, çıkarımınızı örneğinizin temsil ettiği amaç dışında (hedef seçiciler) hedef kitleye genişletmek istediğinizde ortaya çıkar; bu, herhangi bir kanıt bulunamayacağı varsayımlarını / bir argümanı gerektirir (tedavi farklılıklarının popülasyonun tüm alt kümeleri için tutarlı olacağını söylemek gibi).

Benzer bir durum için, standart bir tedavi ve plaseboya kıyasla sadece hipertansiyon ilacını sadece erkeklerde test ettiğinizi düşünün. Erkeklerin tedavi grubuna uygun şekilde randomize edildiğini varsayın. Bir tedavi etkisi, erkeklerde bir etkiyi gerçekten tanımladığı anlamında gerçek olacaktır . Zorluk, bu çıkarımı kadınlara genişletmeye çalışırken ortaya çıkacak .

Bu nedenle , işe alımdan ayrı olarak düzgün bir şekilde yürütülür ve rasgele seçilirse , gözlenen önemli bir etki göründüğü gibi olacaktır, ancak gerçekte örneklediğiniz şey için geçerli olacaktır, istediğiniz hedefin ne olduğu zorunlu olarak değil - ikisi arasındaki boşluğu geçmek dikkatli bir tartışma gerektirir; böyle bir tartışma genellikle yoktur.

Bir öğrenciyken, bu tür deneylerin belirli saatlerce gönüllü olması beklenen psikoloji öğrencileri üzerinde psikoloji deneylerinin yapılması oldukça yaygındı (bu hala geçerli olabilir, ancak psikologlarla düzenli temasım yok artık deney yapanlar). Tedaviye randomizasyon ile çıkarımlar geçerli olabilir (ne yapıldığına bağlı olarak), ancak kendi seçtiği psikoloji lisans öğrencilerinin yerel popülasyonu için geçerli olacaktır (genellikle hangi deneylerin kaydedileceğini seçer), daha geniş nüfusun rastgele bir örneği.

Rasgeleleştirmenin kendi kendine seçim problemini çözdüğü biliniyor, rasgele olmayan bir örneğin rasgeleleştirilmesinin gerçekten bir şey değiştirip değiştirmediğini merak ediyordum.

Kısacası, hayır. Şöyle düşünün: 100 siyah top ve 100 beyaz top ile bir urnunuz var. 90 siyah top ve 10 beyaz top örnek alıyorsunuz. Örnekleme rastgele bu örneklemimden size semaver kendisinde tarafsız çıkarım izin vermeyecektir.

Ve ayrıca, kendi kendine seçilmiş örneklemlere dayanan tüm bu psikolojik deneylerden ne yapmalıyız?

İnsanlar rastgele olmayan örneklemenin bir sorun olduğu konusunda hemfikir. Ancak bir sorunun ne kadarı, ilgilendiğiniz mekanizmanın "teorisi" ile ilgili bir sorudur. Hipoteziniz temelde tüm insanlar için aynı olması gereken bir mekanizma ile ilgileniyorsa (yani buzlu suya batırıldığında donma hissi yaşamak) su), rastgele olmayan seçim o kadar önemli değil. Ne yazık ki, genellikle ilgilendiğimiz şeyler bu değildir.

Bootstrapping olarak bilinen sorunların üstesinden gelmek için tasarlanmış bir teknik vardır. Bootstrapping, gerçek örnek havuzunuzdan değiştirerek çizim yaparak yeni sentetik örnekler oluşturduğunuz bir yaklaşımdır . Daha sonra bu sentetik örnek havuzlarının her biri için istatistikler yaparsınız ve kümeler arasındaki istatistikleri karşılaştırırsınız.

Bu, istatistiklerinizde çok sayıda ek araç kullanmanıza izin vermenin güçlü bir avantajına sahiptir, çünkü bu sentetik örnekler bilinen bir dağıtımdan gelir. Daha sonra tahminçilerinizin bu sentetik vakaları ele almada ne kadar iyi olduğunu belirleyebilirsiniz. Tüm sentetik örneklerinizin tahmin edicilerinin aynı sonuca yakınlaştığını görürseniz, önyükleme varsayımları, tam örneğe uygulandığında tahmin edicilerinizin bilinmeyen popülasyon için iyi tahminler sağladığını çıkarmanızı sağlar. Öte yandan, tahmin edicilerinizin sentetik numune setinden sentetik numune setine çok farklı sonuçlar verdiğini görürseniz, tahmincilerinizin tam örneğe uygulandığında bilinmeyen popülasyon için çok iyi bir tahmin sağlayamayacağı sonucunu çıkarmalısınız.

Bu önyükleme yaklaşımı, rastgele olmayan örneğinizin rastgele seçilmesinin yeterli olup olmadığını doğrulamak için kullanılabilir. Elbette bunu kanıtlayamaz, ancak rastgele örneklemenizin yeterince rastgele olduğunu varsayımınızı iki kez kontrol ederek güvenilirliği artırmak için bir araç olarak kullanılmıştır.