ईमानदार आँकड़े
यह क्यों मायने रखता है एक माप सिर्फ़ तब काम का है जब पाठक जानें कि उस पर कितना भरोसा करें। यह लिखना कि आपका नमूना कैसे चुना गया, संख्या कितनी अनिश्चित है, और आप क्या नहीं देख सके, वही है जो एक अध्ययन को एक अंदाज़े से अलग करता है। यह आपको ख़ुद को बेवक़ूफ़ बनाने से भी बचाता है।
कल्पना करें कि एक gym में लोगों से पूछा जाए कि वे कितनी बार व्यायाम करते हैं, फिर घोषणा की जाए "औसत व्यक्ति हफ़्ते में पाँच बार workout करता है"। गणित बिल्कुल सही हो सकता है। समस्या यह है कि आपने किससे पूछा।
नमूना (Sample): दुनिया का वह हिस्सा जो आपने असल में मापा, जैसे आपकी crawl की 1,000 साइटें।
आबादी (Population): पूरी चीज़ जिसके बारे में आप कुछ कहना चाहते हैं, जैसे "वेबसाइटें जो लोग इस्तेमाल करते हैं"।
Sampling bias: आपके नमूने और आबादी के बीच एक अंतर जो नतीजे को एक ओर धकेलता है, नमूना चाहे कितना भी बड़ा हो।
वेब crawls कहाँ पक्षपाती हैं
- सिर्फ़ लोकप्रिय साइटें। Rankings बड़ी साइटों को तरजीह देती हैं। छोटी साइटें, जो वेब का ज़्यादातर हिस्सा हैं, अलग बर्ताव कर सकती हैं।
- क्षेत्र और भाषाएँ। एक देश में एक crawler साइटों के उस देश वाले रूप देखता है, अक्सर एक भाषा में।
- Devices। Desktop crawls चूकते हैं कि mobile साइटें और ऐप्स क्या करते हैं, और बहुत सारी tracking अब ऐप्स में होती है।
- Logged-out पन्ने। Crawlers शायद ही login करते हैं, इसलिए खाते के पन्ने, checkouts और feeds अमापे रहते हैं।
- Bot detection। कुछ साइटें स्वचालित ब्राउज़रों के लिए अलग बर्ताव करती हैं।
- Labels। आपकी tracker गिनती असल में "वे साइटें जिन्हें blocklist tracker कहती है" है। trackers चूकने वाली सूची आपकी संख्या घटाती है।
एक हिस्सा कितना अनिश्चित है?
पूर्वाग्रह के बिना भी, एक नमूना संयोग से डगमगाता है। n साइटों पर मापे एक हिस्से p के लिए, एक आम मोटा 95% margin of error है 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 %यह margin सिर्फ़ संयोग ढकता है। यह पूर्वाग्रह के बारे में कुछ नहीं कहता, जो अक्सर बड़ी ग़लती है, इसलिए आपको फिर भी ऊपर की सूची चाहिए।
सीमाएँ लिखना
एक अच्छा सीमाओं वाला हिस्सा छोटा, विशिष्ट और ईमानदार है। हर सीमा के लिए बताएँ कि वह क्या है, वह नतीजे को शायद किस ओर धकेलती है, और क्या उसे ठीक करेगा। उदाहरण के लिए:
- "हम सिर्फ़ home pages पर गए। अंदर के पन्ने अक्सर ज़्यादा trackers load करते हैं, इसलिए हमारी गिनतियाँ शायद कम हैं।"
- "हमने labels के लिए एक blocklist इस्तेमाल की। जो trackers वह चूकती है वे नहीं गिने गए।"
- "crawl एक दिन, एक जगह से, desktop पर चला।"
एक आम ग़लतफ़हमी: "सीमाएँ सूचीबद्ध करना एक अध्ययन को कमज़ोर दिखाता है।" यह उल्टा करता है। पाठक एक नतीजे पर ज़्यादा भरोसा करते हैं जब वे उसके किनारे देख सकें, और सीमाएँ अगले शोधकर्ता को बताती हैं कि क्या मापना है।
दो और आदतें: तारीख़ और ठीक तरीका दें ताकि कोई इसे दोहरा सके, और "हमने इसे 60% साइटों पर देखा" को "60% लोग track होते हैं" में बदलने से बचें। साइटें लोग नहीं हैं।
आज़माएँ पाठ 146 का अपना crawl लें। उसके tracker हिस्से का margin of error निकालें, फिर उसकी तीन सीमाएँ लिखें, हर एक बताते हुए कि वह संख्या को किस ओर धकेलती है।
सार
- Sampling bias इससे आता है कि आपने किसे या क्या मापा, और एक बड़ा नमूना उसे ठीक नहीं करता।
- Crawls छोटी साइटें, दूसरे क्षेत्र, mobile और ऐप्स, logged-in पन्ने, और labels जो चूकें वह चूकते हैं।
- 1.96 * sqrt(p(1 - p)/n) जैसा एक margin of error सिर्फ़ संयोग ढकता है।
- ऐसी सीमाएँ लिखें जो बताएँ क्या, किस दिशा में, और क्या उसे ठीक करेगा।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।