چگونه برازش متناسب تکرارشونده، نمونه‌های نظرسنجی را با آمارهای جمعیتی همسو می‌کند

وقتی یک مؤسسه نظرسنجی یک پیمایش تنظیم‌نشده را منتشر می‌کند، داده‌های به‌دست‌آمده با بازنمایی بیش از حد شهروندان مسن‌تر و تحصیل‌کرده‌تر که معمولاً تلفن را جواب می‌دهند، واقعیت را تحریف می‌کند. اگر یک تیم تحقیقاتی ۱۰۰۰ شماره تصادفی را شماره‌گیری کند، پاسخ‌دهندگانی که پرسشنامه را تکمیل می‌کنند هرگز به‌طور کامل ترکیب جمعیتی جامعه گسترده‌تر را منعکس نمی‌کنند. انتشار این پاسخ‌های خام، تصویری تحریف‌شده از افکار عمومی ارائه می‌دهد که به پیش‌بینی‌های نادرست بازار و تصمیم‌گیری‌های سیاستی معیوب منجر می‌شود.[1][4]

برای اصلاح این سوگیری ساختاری، روش‌شناسان نظرسنجی به «برازش متناسب تکرارشونده» متکی هستند که در صنعت علم داده عموماً با نام Raking شناخته می‌شود. این الگوریتم وزن ریاضی هر پاسخ‌دهنده را به‌گونه‌ای تنظیم می‌کند که نمایه جمعیتی کلی نمونه با معیارهای شناخته‌شده جمعیتی، مانند سرشماری ایالات متحده یا آمارهای ملی کار، مطابقت داشته باشد.[3]

برخلاف وزن‌دهی سلولی ساده که نیازمند دانستن اندازه دقیق جمعیت برای هر زیرگروه متقاطع است (مانند زنان اسپانیایی‌تبار ۱۸ تا ۲۴ ساله بدون مدرک دانشگاهی)، این الگوریتم به داده‌های بسیار کمتری نیاز دارد. این سیستم تنها به مجموع حاشیه‌ای برای هر متغیر فردی نیاز دارد. الگوریتم، نمونه را در برابر درصد کل بزرگسالان اسپانیایی‌تبار، درصد کل زنان و درصد کل جوانان به‌طور مستقل متعادل می‌کند.[1][3]

فرآیند ریاضی با تنظیم وزن‌های نظرسنجی برای تطابق با اولین هدف جمعیتی، مانند سن، آغاز می‌شود. اگر جوانان ۲۰٪ از جمعیت واقعی را تشکیل دهند اما تنها ۱۰٪ از نمونه جمع‌آوری‌شده باشند، هر پاسخ‌دهنده جوان وزن ۲٫۰ دریافت می‌کند. این امر تضمین می‌کند که صدای آن‌ها دو برابر محاسبه شود تا جای خالی همتایانشان پر شود. با این حال، این تنظیم اولیه به‌ناچار تعادل سایر متغیرها را بر هم می‌زند، زیرا ممکن است این پاسخ‌دهندگان جوانِ خاص، به‌طور نامتناسبی مرد باشند.[4]

سپس الگوریتم به سراغ متغیر دوم می‌رود و وزن‌ها را برای تطابق با هدف جنسیتی تنظیم می‌کند. این کار انحراف جنسیتی را اصلاح می‌کند، اما وزن‌های سنی را که در مرحله اول تعیین شده بودند، کمی از تعادل خارج می‌کند. سیستم سپس به سراغ متغیر سوم، مانند سطح تحصیلات می‌رود و این تنظیم متناسب را تکرار می‌کند.[2][3]

از آنجا که هر مرحله، تنظیمات قبلی را کمی مختل می‌کند، الگوریتم به نقطه شروع بازمی‌گردد و کل این توالی را تکرار می‌کند. با هر بار عبور یا تکرار، تنظیمات مورد نیاز کوچکتر و کوچکتر می‌شوند. این فرآیند تا زمانی ادامه می‌یابد که حاشیه‌های نمونه با حاشیه‌های جمعیت در تمام متغیرها و در محدوده یک تلورانس ریاضی مشخص مطابقت پیدا کنند؛ وضعیتی که به عنوان «همگرایی» شناخته می‌شود.[2]

نقطه قوت اصلی این روش در توانایی آن برای مدیریت همزمان چندین متغیر بدون دور ریختن داده‌ها نهفته است. وقتی محققان تلاش می‌کنند از وزن‌دهی متقاطع ساده با پنج یا شش متغیر جمعیتی استفاده کنند، اغلب با سلول‌های خالی مواجه می‌شوند؛ یعنی زیرگروه‌هایی که در جمعیت واقعی وجود دارند اما در نمونه ۱۰۰۰ نفری دقیقاً صفر پاسخ‌دهنده دارند.[1]

این الگوریتم به‌طور کامل از مشکل سلول خالی عبور می‌کند. با تمرکز بر توزیع‌های حاشیه‌ای به جای سلول‌های متقاطع، الگوریتم می‌تواند مجموعه گسترده‌ای از اهداف جمعیتی از جمله نژاد، تحصیلات، منطقه جغرافیایی و وابستگی حزبی را در خود جای دهد، حتی زمانی که با نمونه‌های نسبتاً کوچکی کار می‌کند.[3][4]

با این حال، این مکانیسم اجبار ریاضی، یک جریمه آماری سخت به همراه دارد. هر بار که وزن یک پاسخ‌دهنده برای اصلاح یک کمبود جمعیتی افزایش می‌یابد، واریانس برآوردهای نظرسنجی بیشتر می‌شود. این پدیده که توسط آمارشناسان به عنوان «اثر طرح» (design effect) کمّی‌سازی می‌شود، عملاً قدرت آماری نظرسنجی را کاهش می‌دهد.[2][4]

اگر یک نظرسنجی ۱۰۰۰ نفری برای تطابق با اهداف جمعیتی به وزن‌دهی تهاجمی نیاز داشته باشد، اثر طرحِ حاصل ممکن است به ۱٫۵ برسد. این بدان معناست که نظرسنجی دقیقاً همان حاشیه خطایی را دارد که یک نمونه تصادفیِ کاملاً معرف با تنها ۶۶۷ نفر خواهد داشت. الگوریتم، دقت را فدای صحت می‌کند و سوگیری جمعیتی را به قیمت مستقیمِ بازه‌های اطمینان گسترده‌تر از بین می‌برد.[1][2]

وزن‌های افراطی یک آسیب‌پذیری خاص در این فرآیند محسوب می‌شوند. اگر یک نمونه تنها شامل یک پاسخ‌دهنده از یک گروه جمعیتی باشد که به‌شدت کمتر از حد واقعی بازنمایی شده است، الگوریتم ممکن است به آن فرد وزن ۱۰ یا ۲۰ اختصاص دهد تا حاشیه‌ها را به زور همسو کند. در این صورت، نظرات شخصی و خاص آن یک پاسخ‌دهنده، تأثیر عظیم و نامتناسبی بر نتایج نهایی و منتشرشده نظرسنجی می‌گذارد.[3]

برای کاهش این انفجار واریانس، آمارشناسان معمولاً از تکنیکی به نام «پیرایش وزن» (weight trimming) استفاده می‌کنند. پیش از نهایی کردن مجموعه داده‌ها، محققان حداکثر وزن مجاز را به‌طور مصنوعی محدود می‌کنند (اغلب در آستانه ۳٫۰ یا ۵٫۰) و وزن اضافی را در بقیه نمونه توزیع مجدد می‌کنند. این کار از ربوده شدن نتایج نظرسنجی توسط یک داده پرت جلوگیری می‌کند، هرچند که همسویی کامل جمعیتی را که الگوریتم در ابتدا به آن دست یافته بود، کمی به خطر می‌اندازد.[1][4]

انتخاب اینکه کدام متغیرها در مدل گنجانده شوند، اساساً نتیجه را تغییر می‌دهد. گنجاندن متغیرهایی که همبستگی قوی با موضوع نظرسنجی دارند، سوگیری را کاهش می‌دهد، اما گنجاندن اهداف جمعیتی که هیچ ارتباطی با سؤالات پرسیده‌شده ندارند، تنها واریانس را متورم می‌کند بدون اینکه صحت برآوردها را بهبود بخشد.

از آنجا که نرخ پاسخ‌گویی در سطح جهانی همچنان رو به کاهش است، نمونه‌های خام به‌طور فزاینده‌ای غیرمعرف می‌شوند و این امر، تنظیمات پس از طبقه‌بندی را الزامی می‌کند. در حالی که تکنیک‌های جدیدتر یادگیری ماشین راه‌های جایگزینی برای مدیریت داده‌های پراکنده ارائه می‌دهند، برازش متناسب تکرارشونده همچنان الگوریتم بنیادینی است که بخش اعظم تحقیقات تجاری و آکادمیک افکار عمومی را هدایت می‌کند.[1][2][4]