Estatística honesta
Por que isso importa Uma medição só é útil se os leitores souberem o quanto confiar nela. Anotar como sua amostra foi escolhida, o quão incerto é o número e o que você não conseguiu ver é o que separa um estudo de um chute. Isso também protege você de se enganar.
Imagine perguntar às pessoas em uma academia com que frequência elas se exercitam e depois anunciar "a pessoa média treina cinco vezes por semana". A conta pode estar perfeita. O problema é a quem você perguntou.
Amostra: a parte do mundo que você de fato mediu, como os 1.000 sites do seu crawl.
População: o todo sobre o qual você quer dizer algo, como "os sites que as pessoas usam".
Viés de amostragem: uma diferença entre sua amostra e a população que empurra o resultado para um lado, não importa o tamanho da amostra.
Onde os crawls da web têm viés
- Só sites populares. Os rankings favorecem sites grandes. Os sites pequenos, que são a maior parte da web, podem se comportar de outro jeito.
- Regiões e idiomas. Um crawler em um país vê as versões dos sites daquele país, muitas vezes em um único idioma.
- Dispositivos. Crawls de desktop perdem o que os sites móveis e os apps fazem, e muito do rastreamento hoje acontece nos apps.
- Páginas sem login. Os crawlers raramente fazem login, então páginas de conta, checkouts e feeds ficam sem medição.
- Detecção de bots. Alguns sites se comportam de outro jeito com navegadores automáticos.
- Os rótulos. Sua contagem de rastreadores é na verdade "sites que a lista de bloqueio chama de rastreadores". Uma lista que perde rastreadores diminui seu número.
O quão incerta é uma fração?
Mesmo sem viés, uma amostra oscila por acaso. Para uma fração p medida em n sites, uma margem de erro aproximada de 95% muito usada é 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 %Essa margem só cobre o acaso. Ela não diz nada sobre o viés, que muitas vezes é o erro maior, então você ainda precisa da lista acima.
Escrevendo os limites
Uma boa seção de limites é curta, específica e honesta. Para cada limite, diga o que ele é, para que lado ele provavelmente empurra o resultado e o que o consertaria. Por exemplo:
- "Visitamos só as páginas iniciais. As páginas internas muitas vezes carregam mais rastreadores, então nossas contagens provavelmente estão baixas."
- "Usamos uma única lista de bloqueio para os rótulos. Os rastreadores que ela perde não são contados."
- "O crawl rodou em um dia, a partir de um local, no desktop."
Um equívoco comum: "listar os limites faz um estudo parecer fraco." Faz o contrário. Os leitores confiam mais em um resultado quando conseguem ver as bordas dele, e os limites dizem ao próximo pesquisador o que medir.
Mais dois hábitos: informe a data e o método exato para que alguém possa repeti-lo, e evite transformar "vimos isso em 60% dos sites" em "60% das pessoas são rastreadas". Sites não são pessoas.
Experimente Pegue seu crawl da lição 146. Calcule a margem de erro da fração de rastreadores dele e depois escreva três limites para ele, cada um dizendo para que lado empurra o número.
Resumo
- O viés de amostragem vem de quem ou do que você mediu, e uma amostra maior não o cura.
- Os crawls perdem sites pequenos, outras regiões, celular e apps, páginas com login e o que os rótulos perdem.
- Uma margem de erro como 1.96 * sqrt(p(1 - p)/n) só cobre o acaso.
- Escreva limites que digam o quê, para que lado e o que consertaria.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.