- प्रकाशन
- अद्यतन
प्रवृत्ति स्कोर विधि लागू करने से यह गारंटी नहीं मिलती कि हर व्यक्ति के लिए तुलनीय समकक्ष या पर्याप्त तुलना जानकारी उपलब्ध है। महत्त्वपूर्ण विशेषताओं में अतिव्यापन का अभाव बदल सकता है कि अनुमानित प्रभाव किन लोगों का अर्थपूर्ण वर्णन कर सकता है।
प्रश्न और मान्यताएँ परिभाषित करें
पहले लक्षित जनसंख्या और इच्छित प्रभाव परिभाषित करें। स्कोर वितरण, सहचर संतुलन और भार एक साथ जाँचें। अत्यधिक भार या बिना मेल वाले लोग केवल तकनीकी असुविधाएँ नहीं हैं: वे ऐसे क्षेत्र दिखा सकते हैं जहाँ डेटा तुलना का समर्थन नहीं करता। वैज्ञानिक उद्देश्य और परिणामी जनसंख्या के संबंध में बहिष्करण या छँटाई के नियमों का औचित्य दें।
काल्पनिक अध्ययन का उदाहरण
एक काल्पनिक डेटासेट में गंभीर रूप से प्रभावित लोगों को लगभग हमेशा एक हस्तक्षेप मिलता है। मिलान के बाद उनमें से अधिकांश विश्लेषण के बाहर रह जाते हैं। टीम शामिल रखे गए नमूने के परिणाम को पूरी मूल जनसंख्या पर लागू नहीं करती; वह बदले हुए लक्ष्य और उन विशेषताओं वाले लोगों को रिपोर्ट करती है जिनका पर्याप्त प्रतिनिधित्व नहीं है।
डिज़ाइन समीक्षा के जाँच बिंदु
- दोनों समूहों के स्कोर वितरण और बिना अतिव्यापन वाले क्षेत्र अलग दिखाएँ।
- बड़े भार और परिणामी अनुमान पर प्रभाव के संकेंद्रण की जाँच करें।
- मिलान, छँटाई या अन्य चयन चरणों के बाद लक्षित जनसंख्या में बदलावों का वर्णन करें।
निर्णय और उसकी सीमाएँ दर्ज करें
स्वीकार्य रिपोर्टिंग विधि के नाम के साथ संतुलन और अतिव्यापन के साक्ष्य देती है। मापे गए सहचरों में संतुलन, न मापे गए भ्रमकारी कारकों में संतुलन स्थापित नहीं करता। यह देखने के बाद विश्लेषणात्मक नियम न चुनें कि उनसे क्या परिणाम मिलता है। अनुमान की संख्यात्मक अनिश्चितता के साथ डेटा से बचे समर्थन, इच्छित प्रभाव और अन्य जनसंख्याओं पर लागू होने की क्षमता पर चर्चा करें।
अक्सर पूछे जाने वाले प्रश्न
- क्या अच्छा स्कोर मॉडल अच्छा कारणात्मक विश्लेषण स्थापित करता है?
- अकेले नहीं। अतिव्यापन, मापन और भ्रमकारी प्रभाव संबंधी मान्यताएँ भी महत्त्वपूर्ण हैं।
- क्या बिना मेल वाले लोग महत्त्वहीन हैं?
- नहीं। उनका बहिष्करण वह जनसंख्या बदल सकता है जिस पर निष्कर्ष लागू होते हैं।