إحصائيات صادقة
لماذا هذا مهم القياس مفيد فقط إذا عرف القراء مدى الثقة فيه. إن كتابة كيفية اختيار عينتك، ومدى عدم يقين الرقم، وما لم تستطع رؤيته هو ما يميز الدراسة عن التخمين. كما أنه يحميك من خداع نفسك.
تخيل أنك تسأل الناس في صالة ألعاب رياضية عن عدد مرات ممارستهم للتمارين، ثم تعلن أن "الشخص المتوسط يتدرب خمس مرات في الأسبوع". قد تكون الحسابات دقيقة. المشكلة تكمن في من سألت.
Sample: الجزء من العالم الذي قمت بقياسه فعليا، مثل الـ 1,000 موقع التي قمت بجمعها.
Population: الشيء الكامل الذي تريد القول بشيء عنه، مثل "المواقع التي يستخدمها الناس".
تحيز العينة: هو فرق بين عينتك والمجتمع الذي يدفع النتيجة في اتجاه واحد، مهما كان حجم العينة كبيرا.
أين تكون عمليات زحف الويب متحيزة
- المواقع الشهيرة فقط. تفضل التصنيفات المواقع الكبيرة. المواقع الصغيرة، التي تشكل معظم الويب، قد تتصرف بشكل مختلف.
- المناطق واللغات.يرى زاحف في بلد واحد إصدارات المواقع في ذلك البلد، وغالبا ما تكون بلغة واحدة.
- Devices. تزحف أجهزة الكمبيوتر المكتبية وتفوت ما تفعله مواقع وتطبيقات الهاتف، ويحدث الكثير من التتبع الآن في التطبيقات.
- الصفحات التي تم تسجيل الخروج منها. نادرا ما تقوم زواحف البحث بتسجيل الدخول، لذا تظل صفحات الحسابات وعمليات الدفع والتغذيات غير مقاسة.
- كشف البوت.تتصرف بعض المواقع بشكل مختلف مع المتصفحات الآلية.
- العلامات. عدد المتتبعات لديك هو حقا "المواقع التي تستدعي المتتبعات". القائمة التي تفتقر إلى المتتبعات تخفض رقمك.
ما مدى عدم يقين السهم؟
حتى بدون انحياز، تتقلب العينة بالصدفة. بالنسبة لحصة p مقاسة في n مواقع، فإن هامش خطأ تقريبي شائع بنسبة 95% هو 1.96 * sqrt(p * (1 - p) / n).
import math
p, n = 0.6, 1000 # 600 of 1,000 sites had a tracker
margin = 1.96 * math.sqrt(p * (1 - p) / n)
print(round(100 * p), "% plus or minus", round(100 * margin, 1), "%") # 60 % plus or minus 3.0 %يغطي هذا الهامش الاحتمالية فقط. هو لا يذكر أي شيء عن الانحياز، والذي غالباً ما يكون الخطأ الأكبر، لذا لا تزال بحاجة إلى القائمة أعلاه.
كتابة الحدود
قسمالجيد للقيود يكون قصيرا ومحددا وصادقا. لكل قيد، اذكر ما هو، والاتجاه الذي قد يدفع إليه النتيجة، وما الذي يمكنه إصلاحه. على سبيل المثال:
- "لقد زرنا الصفحات الرئيسية فقط. الصفحات الداخلية غالبا ما تحمل المزيد من trackers، لذا من المحتمل أن تكون أرقامنا منخفضة."
- "استخدمنا قائمة حظر واحدة للعلامات. المتتبعات التي لا تشملها لا يتم احتسابها."
- "تمت عملية الزحف في يوم واحد، من موقع واحد، على سطح المكتب."
خطأ شائع: "حدود الدراسة تجعلها تبدو ضعيفة." بل العكس هو الصحيح. يثق القراء في النتيجة أكثر عندما يمكنهم رؤية حدودها، وتخبر الحدود الباحث التالي بما يجب قياسه.
عادتان أخريان: قدم التاريخ والطريقة الدقيقة حتى يتمكن شخص ما من تكرارها، وتجنب تحويل "رأينا ذلك في 60% من المواقع" إلى "يتم تتبع 60% من الأشخاص". المواقع ليست أشخاصا.
جرب ذلك خذ الـ crawl الخاص بك من الدرس 146. احسب الـ margin of error لـ tracker share الخاص به، ثم اكتب ثلاث limits له، بحيث يوضح كل منها الاتجاه الذي يدفع فيه الرقم.
ملخص
- ينشأ انحياز العينة من الشخص أو الشيء الذي قمت بقياسه، ولا تعالج العينة الأكبر هذا الانحياز.
- تتجاهل Crawls المواقع الصغيرة، والمناطق الأخرى، والهواتف المحمولة والتطبيقات، والصفحات التي تتطلب تسجيل الدخول، وأي شيء تغفله labels.
- A هامش الخطأ مثل 1.96 * sqrt(p(1 - p)/n) يغطي الاحتمال فقط.
- اكتب حدودا توضح ماذا، وفي أي اتجاه، وما الذي سيصلحه.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.