Selection on the Outcome: The Fraction of Nonresponse Bias That Survey Weighting Removes, with an Application to Subjective Well-Being
यह शोध पत्र यह प्रदर्शित करता है कि सामाजिक-जनसांख्यिकीय चरों पर सर्वेक्षण भारण (सर्वेक्षण वेटिंग) गैर-प्रतिक्रिया पूर्वाग्रह के केवल उस अंश को ही हटा पाता है जो उन चरों द्वारा स्पष्ट किए गए परिणाम विचरण (आउटकम वेरिएंस) के अनुपात के बराबर होता है, जो यह प्रकट करता है कि व्यक्तिपरक कल्याण अनुसंधान के लिए ऐसा भारण काफी हद तक अप्रभावी है जहाँ जनसांख्यिकीय भविष्यवक्ता खुशी में न्यूनतम विचरण की व्याख्या करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जब भी कोई शोधकर्ता यह समझना चाहता है कि लोग अपने जीवन के बारे में कैसा महसूस करते हैं, तो वे आमतौर पर लोगों के एक नमूने (सैंपल) को सर्वेक्षण भरने के लिए कहते हैं। लक्ष्य उन कुछ हज़ार उत्तरदाताओं से प्राप्त उत्तरों का उपयोग करोड़ों लोगों की भावनाओं का वर्णन करने के लिए करना होता है। लेकिन इसमें एक पेंच है: हर कोई फोन नहीं उठाता या फॉर्म नहीं भरता। कुछ लोग बहुत व्यस्त हैं, कुछ बहुत बीमार हैं, और कुछ बस अजनबियों से बात नहीं करना चाहते। इसे 'नॉन-रिस्पॉन्स' (गैर-प्रतिक्रिया) कहा जाता है, और यह उन लोगों के बीच एक अंतर पैदा करता है जिन्होंने उत्तर दिया और उन लोगों के बीच जिन्होंने नहीं दिया। यदि घर पर रहने वाले लोग उसी तरह से अलग हैं जिसे शोधकर्ता मापने की कोशिश कर रहा है, तो अंतिम संख्या गलत होगी। दशकों से, इस समस्या का मानक समाधान 'वेटिंग' (भार देना) रहा है। शोधकर्ता अपने पास मौजूद उत्तरों को लेते हैं और उन्हें पूरे देश के ज्ञात जनसांख्यिकीय विवरणों (डेमोग्राफिक्स) से मेल खाने के लिए गणितीय रूप से समायोजित करते हैं, जैसे कि आयु, लिंग, शिक्षा और वे कहाँ रहते हैं। विचार यह है कि यदि नमूना कागज पर जनसंख्या जैसा दिखता है, तो उनके उत्तर भी प्रतिनिधि होने चाहिए।
यह दृष्टिकोण तब अच्छी तरह काम करता है जब लोगों के सर्वेक्षण छोड़ने का कारण उन जनसांख्यिकीय तथ्यों से संबंधित होता है। यदि वृद्ध लोग सर्वेक्षण में भाग लेने की कम संभावना रखते हैं, और शोधकर्ता जानता है कि देश में कितने वृद्ध लोग हैं, तो वे संतुलन बनाने के लिए वृद्ध उत्तरदाताओं के उत्तरों को अधिक भार दे सकते हैं। हालाँकि, एक नया विश्लेषण बताता है कि यह मानक समाधान पूरी तरह से विफल हो जाता है जब सर्वेक्षण छोड़ने का कारण वही चीज़ होती है जिसे मापा जा रहा है: उनकी अपनी खुशी। यदि दुखी लोग बात करने के लिए बहुत उदास महसूस करने के कारण भाग लेने की कम संभावना रखते हैं, या यदि बहुत खुश लोग अपना जीवन जीने में बहुत व्यस्त हैं, तो कोई भी जनसांख्यिकीय समायोजन परिणामी त्रुटि को ठीक नहीं कर सकता। यह शोध पत्र तर्क देता है कि व्यक्तिपरक कल्याण (सब्जेक्टिव वेल-बीइंग) के क्षेत्र में, मानक सुधार लगभग कोई भी पूर्वाग्रह दूर नहीं करता है, जिससे अंतिम संख्याएँ उस तरह से पक्षपाती रह जाती हैं जिन्हें शोधकर्ताओं ने काफी हद तक अनदेखा कर दिया है।
शाय त्सबन के नेतृत्व में किए गए अध्ययन में ठीक इसी बात की जांच की गई है कि शोधकर्ता अपनी सामान्य वेटिंग तकनीकों को लागू करने के बाद कितना छिपा हुआ दोष शेष रहता है। मुख्य खोज यह है कि सुधार की प्रभावशीलता पूरी तरह से इस बात पर निर्भर करती है कि किसी व्यक्ति की खुशी उनके बैकग्राउंड से कितनी अनुमानित की जा सकती है। यदि खुशी आयु या आय से मजबूती से जुड़ी होती, तो मानक वेटिंग अच्छी तरह काम करती। लेकिन इस क्षेत्र में दशकों के शोध ने इसके विपरीत स्थापित किया है: किसी व्यक्ति की जीवन परिस्थितियाँ इस बात की बहुत कम व्याख्या करती हैं कि वे खुशी या दुख क्यों महसूस करते हैं। शोध पत्र गणना करता है कि वेटिंग के लिए उपयोग किए जाने वाले मानक चर—आयु, लिंग, जाति, शिक्षा और क्षेत्र—जनरल सोशल सर्वे के लगभग 70,000 लोगों के बीच रिपोर्ट की गई खुशी के अंतर की केवल 1.7 प्रतिशत ही व्याख्या करते हैं। क्योंकि ये चर बहुत कम व्याख्या करते हैं, इसलिए वेटिंग प्रक्रिया दुखी लोगों के बाहर होने से उत्पन्न होने वाले पूर्वाग्रह को केवल 1.7 प्रतिशत ही हटा सकती है। यह 98 प्रतिशत से अधिक त्रुटि को अपरिवर्तित छोड़ देती है।
यह निष्कर्ष एक सामान्य सांख्यिकी को पूरी तरह उलट देता है। वर्षों से, शोधकर्ता जनसांख्यिकीय शक्ति की कम क्षमता को इस प्रमाण के रूप में उद्धृत करते रहे हैं कि खुशी एक आंतरिक अवस्था है, न कि केवल भौतिक परिस्थितियों का उत्पाद। त्सबन का कार्य दिखाता है कि यही कम संख्या क्षेत्र के मानक सुधार की मरम्मत दर भी है। तथ्य यह है कि परिस्थितियाँ भावनाओं को निर्धारित नहीं करती हैं, वही कारण है कि मानक सर्वेक्षण सुधार इतना अप्रभावी है। शोध पत्र इसे एक स्पष्ट अंतर के साथ प्रदर्शित करता है। डेनमार्क में स्वास्थ्य डेटा से जुड़े एक अन्य अध्ययन में, शोधकर्ताओं के पास राष्ट्रीय रजिस्टर तक पहुंच थी जिसमें प्रतिभागियों और गैर-प्रतिभागियों दोनों के मेडिकल रिकॉर्ड शामिल थे। चूंकि स्वास्थ्य रिकॉर्ड इस बात के मजबूत भविष्यवक्ता होते हैं कि कौन अध्ययन से बाहर हो जाता है, इसलिए उस मामले में वेटिंग चरों ने परिणाम का एक बड़ा हिस्सा समझाया। वहां, वेटिंग ने अधिकांश पूर्वाग्रह को सफलतापूर्वक हटा दिया। दोनों मामलों के बीच अंतर गणित की गुणवत्ता में नहीं था, बल्कि उपलब्ध जानकारी में था। कल्याण अनुसंधान में, मानक जनसांख्यिकीय डेटा में आवश्यक जानकारी का अभाव है।
इस अनदेखी के परिणाम महत्वपूर्ण हैं। शोध पत्र कल्याण सर्वेक्षणों से निकाले गए छह सामान्य प्रकार के निष्कर्षों की जांच करता है, जैसे कि विभिन्न देशों के बीच तुलना करना, समय के साथ परिवर्तन को ट्रैक करना, या आयु समूहों के बीच अंतर देखना। लगभग हर मामले में, पूर्वाग्रह एक अनुमानित दिशा में चलता है। क्योंकि दुखी लोगों द्वारा भाग लेने की संभावना अधिक होती है, इसलिए शेष समूह वास्तविक जनसंख्या की तुलना में थोड़ा अधिक खुश होता है। इसका अर्थ यह है कि राष्ट्रीय औसत बहुत अधिक है, और खुश और दुखी समूहों के बीच का अंतर वास्तव में जितना है उससे कम है। उदाहरण के लिए, जब शोधकर्ता देखते हैं कि बुढ़ापे में खुशी बढ़ती है, तो शोध पत्र सुझाव देता है कि यह शायद एक भ्रम है जो इस तथ्य से पैदा हुआ है कि कम खुश वृद्ध लोग पहले ही भाग लेना बंद कर चुके हैं। इसी तरह, जब शोधकर्ता खुशी में असमानता को देखते हैं, तो डेटा संभवतः यह कम करके बताता है कि चीजें वास्तव में कितनी असमान हैं, क्योंकि सबसे संकटग्रस्त व्यक्ति नीचे के स्तर से गायब हैं।
समस्या की गंभीरता के बावजूद, शोध पत्र नोट करता है कि अनुसंधान समुदाय ने इस पर लगभग कोई ध्यान नहीं दिया है। शीर्ष कल्याण जर्नल्स के 1,600 से अधिक हालिया लेखों के ऑडिट में पाया गया कि जबकि 72 प्रतिशत उनमें से सर्वेक्षण डेटा पर निर्भर थे, केवल लगभग 1.4 प्रतिशत ने नॉन-रिस्पॉन्स, एट्रिशन (क्षय), या अपने सैंपल की सीमाओं का उल्लेख किया था। शोधकर्ताओं ने पूछे जाने वाले प्रश्नों को परिष्कृत करने और यह जांचने में दशकों बिताए हैं कि क्या विभिन्न संस्कृतियां शब्दों की व्याख्या एक ही तरह से करती हैं, फिर भी उन्होंने इस बात को काफी हद तक अनदेखा किया है कि क्या प्रश्नों का उत्तर देने वाले लोग पूरी आबादी का प्रतिनिधित्व करते हैं। शोध पत्र तर्क देता है कि यह एक गंभीर ब्लाइंड स्पॉट (अंध बिंदु) है। समाधान के लिए खुशी के नए सिद्धांत की आवश्यकता नहीं है, बल्कि शोधकर्ताओं को अपने डेटा के साथ व्यवहार करने के तरीके में बदलाव की आवश्यकता है। यह मान लेने के बजाय कि वेटिंग ने समस्या को ठीक कर दिया है, शोधकर्ताओं को यह रिपोर्ट करना चाहिए कि कितना पूर्वाग्रह शेष है और त्रुटि की सीमा तय करने के लिए स्वास्थ्य अनुसंधान से विधियों का उपयोग करना चाहिए। इसमें यह स्वीकार करना शामिल है कि अंतिम संख्या जनसंख्या के मूड का सटीक माप नहीं, बल्कि एक ज्ञात, महत्वपूर्ण मार्जिन ऑफ एरर के साथ एक अनुमान है।
अध्ययन निष्कर्ष निकालता है कि क्षेत्र को 'वेटेड एवरेज' को एक पूर्ण समाधान के रूप में मानना बंद कर देना चाहिए। मानक जनसांख्यिकीय समायोजन वह जादुई छड़ी नहीं हैं जो लापता लोगों को प्रकट कर देती है; वे एक आंशिक सुधार हैं जो तभी काम करते हैं जब लापता लोग जनसांख्यिकीय कारणों से गायब होते हैं। जब वे अपनी भावनाओं के कारण गायब होते हैं, तो यह सुधार विफल हो जाता है। आगे का रास्ता यह स्वीकार करने में निहित है कि वर्तमान डेटा अधूरा है और अंतराल के आकार को मापने के लिए नए उपकरणों का उपयोग करना है। चिकित्सा अनुसंधान से तकनीकें उधार लेकर, जहाँ लुप्त डेटा (missing data) को वैधता के लिए एक गंभीर खतरे के रूप में माना जाता है, कल्याण शोधकर्ता अंततः मानवीय खुशी की पूरी तस्वीर देखना शुरू कर सकते हैं, जिसमें वे हिस्से भी शामिल हैं जो वर्तमान में उन लोगों की चुप्पी में छिपे हुए हैं जिन्होंने उत्तर नहीं दिया।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।