
偏頗的其他來源
|
137
儘管要決定你正在使用的資料集合是否包含回報錯誤(以及這些錯誤是否有影響)是困
難的,小心這類的資料缺點將能夠讓你的研究更長久,更重要的是,讓結論的正當性更
強固。因此,基本的策略就是小心並且詢問關鍵的問題:
1. 在你的資料中的回報錯誤是否很有可能不是隨機的?若不是隨機的話,那麼你的結
果將會有所偏頗。
2. 你認為回報錯誤較可能發生在某些變數上嗎?
3. 你能夠使用其他的變數來找到可能的偏頗來源嗎?舉例來說,每個每年工作時數為
2,000 小時的人是否都擁有去掉尾數的工資數量?(也許該調查只允許受訪者勾選去
過尾數的數量,而不是詢問確切的數量。)
4. 調查的結構本身改變了回報錯誤的可能嗎?舉例來說,調查內容的問題順序是否會
影響人們作答的內容呢?或是人們是否會因為某種原因而在訪問的某個地方回答較
不可靠的答案?
總結而言,回報錯誤是很難被偵測的,但小心對待你的資料的優勢與劣勢,並且根據這
些來調整你的模型或是研究問題,都是很重要的。
偏頗的其他來源
儘管推估偏頗與回報錯誤是兩個在調查資料中最大的偏頗來源,但仍有一些其他的問題
會影響資料的正當性以及可靠性。在本節中,我會簡短的討論四種其他的偏頗來源:
超過上限
/
超過下限
(
Topcoding/bottomcoding
)
為了保護受訪者的資料,有些訪問會將極端高與極端低的值使用單一值來取代。
接縫偏頗
(
Seam bias
)
在跨越了兩次訪問之間的「接縫」的受訪者行為中的變化,跟單一訪問中的變化不
同的縱向(或是追蹤調查)訪問。也就是說,在兩次的訪問中 ...