POST-STRATIFICATION Meaning in Tagalog - translations and usage examples

• post-pagsasapin-sapin
• post-stratification

Examples of using Post-stratification in English and their translations into Tagalog

It turns out that the bias of the post-stratification estimator is.
Lumalabas na ang bias ng estimator ng post-stratification ay.

Just because post-stratification worked well in this particular case, there is no guarantee that it will work well in other cases.
Dahil lamang post-pagsasapin-sapin ay nagtrabaho ng mabuti sa partikular na kasong, walang garantiya na ito ay gumagana ng maayos sa ibang kaso.

One common technique for utilizing auxiliary information is post-stratification.
Ang isang karaniwang pamamaraan para sa paggamit ng impormasyon sa auxiliary ay post-stratification.

Construct a situation where post-stratification can decrease the quality of estimates.
Bumuo ng isang sitwasyon kung saan ang post-stratification ay maaaring bumaba sa kalidad ng mga estima.

This massive sample size enabled them to form a huge number of post-stratification groups.
Ang napakalaking sample size na ito ay nagpapahintulot sa kanila na bumuo ng isang malaking bilang ng mga post-stratification group.

Construct a situation where can post-stratification can decrease the quality of estimates.
Makagawa ng isang sitwasyon na kung saan maaaring mag-post-pagsasapin-sapin ay maaaring bumaba ang kalidad ng mga pagtatantya.

But, Chapter 3(Asking questions) shows that these problems are potentially addressable using post-stratification and sample matching.
Ngunit, Chapter 3( Pagtatanong) ay nagpapakita na ang mga problemang ito ay potensyal na addressable gamit post-pagsasapin-sapin at sample matching.

A classic book-length treatment of post-stratification and related methods is Särndal and Lundström(2005).
Ang isang klasikong aklat-length paggamot ng post-pagsasapin-sapin at mga kaugnay na mga pamamaraan ay Särndal and Lundström( 2005).

Post-stratification requires that you know enough to put your respondents into groups and to know the proportion of the target population in each group.
Post-pagsasapin-sapin ay nangangailangan na alam mo sapat na upang ilagay ang iyong mga respondents sa mga grupo at malaman ang proporsyon ng target na populasyon sa bawat grupo.

Correct for the nonrepresentativeness of your sample using post-stratification or some other technique.
Tama para sa hindi nagpahayag ng iyong sample gamit ang post-stratification o ilang iba pang pamamaraan.

One way to think about it is that post-stratification is like approximating stratification after the data has already been collected.
Ang isang paraan upang pag-isipan ang tungkol dito ay ang post-stratification ay tulad ng pagtatantya ng pagsasapin-sapin pagkatapos na nakolekta ang data.

Correct for the non-representativeness of your sample using post-stratification or some other technique.
Tamang para sa mga di-representativeness ng iyong sample gamit post-pagsasapin-sapin o ilang iba pang pamamaraan.

In particular, they used post-stratification, a technique that is also widely used to adjust probability samples that have coverage errors and non-response.
Sa partikular, gumamit sila ng post-stratification, isang pamamaraan na malawakang ginagamit din upang ayusin ang mga posibilidad ng mga sample na may mga error sa coverage at di-tugon.

In particular, they used a more sophisticated form of the post-stratification I told you about.
Sa partikular, ginagamit ang mga ito ng isang mas sopistikadong paraan ng ang post-pagsasapin-sapin sinabi ko sa iyo tungkol sa.

(2015) uses a technique called multilevel regression and post-stratification(MRP, sometimes called“Mister P”) that allows researchers to estimate cell means even when there are many, many cells.
( 2015) ay gumagamit ng isang pamamaraan na tinatawag na multilevel pagbabalik at post-pagsasapin-sapin( MRP, minsan ay tinatawag" Mister P") na nagpapahintulot sa mga mananaliksik upang matantya cell nangangahulugan na kahit na kapag mayroong mga maraming, maraming mga cell.

For example, one way in which you can use auxiliary information is post-stratification(recall eq. 3.5 from above).
Halimbawa, ang isang paraan kung saan maaari mong gamitin ang impormasyong pang-auxiliary ay post-stratification( pagpapabalik eq 3. 5 mula sa itaas).

Bethlehem(2015) argues that the performance of sample matching will actually be similar to other sampling approaches(e.g., stratified sampling) and other adjustment approaches(e.g., post-stratification).
Bethlehem( 2015) argues na ang pagganap ng sample matching ay tunay na maging katulad sa iba pang sampling approach( eg, nagsasapin-sapin sampling) at iba pang adjustment approach( eg, post-pagsasapin-sapin).

But, there are three important points to keep in mind about post-stratification, all of which make it seem more promising.
Ngunit, mayroong tatlong mahahalagang punto na dapat tandaan tungkol sa post-pagsasapin-sapin, ang lahat ay gawin itong tila mas promising.

This weighting procedure is called post-stratification, and the idea of weighing should remind you of the example in Section 3.4.1 where respondents from Rhode Island were given less weight than respondents from California.
Ito weighting pamamaraan ay tinatawag na post-pagsasapin-sapin, at ang ideya ng pagtimbang dapat ipaalala sa iyo ng mga halimbawa sa Section 3. 4. 1 kung saan respondents mula sa Rhode Island ay ibinigay mas timbang kaysa respondents mula sa California.

Therefore, in practice, researchers doing sample matching also perform some kind of post-stratification adjustment to make estimates.
Samakatuwid, sa pagsasanay, ang paggawa sample matching mananaliksik din gawin ang ilang mga uri ng post-pagsasapin-sapin adjustment upang gumawa estima.

However, if researchers can adjust for the biases in the sampling process(e.g., post-stratification) or control the sampling process somewhat(e.g., sample matching), they can produce better estimates, and even estimates of sufficient quality for most purposes.
Gayunman, kung ang mga mananaliksik ay maaaring ayusin para sa mga biases sa sampling proseso( eg, post-pagsasapin-sapin) o kontrolin ang sampling proseso medyo( eg, sample matching), sila ay maaaring gumawa ng mas mahusay na mga pagtatantya, at kahit na mga pagtatantya ng sapat na kalidad para sa karamihan sa mga layunin.

The reason that this assumption is needed for probability samples in practice is that probability samples have non-response, and the most common method for adjusting for non-response is post-stratification as described above.
Ang dahilan na ito palagay ay kailangan para sa bagay na maaaring mangyari samples sa pagsasanay ay na probabilidad halimbawa ay may non-tugon, at ang pinaka-karaniwang paraan para sa pag-aayos ng para sa mga di-tugon ay post-pagsasapin-sapin tulad ng inilarawan sa itaas.

Bethlehem(2010) extends many of the above derivations about post-stratification to include both nonresponse and coverage errors.
Bethlehem( 2010) nagpalawak ng maraming mga derivasyon sa itaas tungkol sa post-stratification upang isama ang parehong mga hindi responsibilidad at mga error sa coverage.

In addition to post-stratification, other techniques for working with non-probability samples- and probability samples with coverage errors and nonresponse- include sample matching(Ansolabehere and Rivers 2013;???), propensity score weighting(Lee 2006; Schonlau et al. 2009), and calibration(Lee and Valliant 2009).
Bilang karagdagan sa post-stratification, iba pang mga diskarte para sa pagtatrabaho sa mga di-posibilidad na mga halimbawa-at posibilidad na mga sample na may mga pagkakamali sa coverage at hindi sagot-isama ang pagtutugma ng sample( Ansolabehere and Rivers 2013;???),( Lee 2006; Schonlau et al. 2009) propensity score( Lee 2006; Schonlau et al. 2009), at pagkakalibrate( Lee and Valliant 2009).

This approach has deep connections to three large areas in statistics- model-based post-stratification(Little 1993), imputation(Rubin 2004), and small area estimation(Rao and Molina 2015).
Diskarte na ito ay may malalim na koneksyon sa tatlong malalaking lugar sa mga istatistika-modelo-based post-pagsasapin-sapin( Little 1993), bintang( Rubin 2004), at maliit na lugar ng kuru-kuro( Rao and Molina 2015).

(2015) uses a technique called multilevel regression and post-stratification(“Mr. P.”) that allows researchers to estimate group means even when there are many, many groups.
( 2015) gumagamit ng isang pamamaraan na tinatawag na multilevel regression at post-stratification(" Mr. P.") na nagbibigay-daan sa mga mananaliksik upang tantiyahin ang ibig sabihin ng grupo kahit na mayroong maraming, maraming mga grupo.

If people who do volunteer work are more likely to agree to be in a survey, then researchers will systematically over-estimate the amount of volunteering, even if they do post-stratification adjustments, a result that has been demonstrated empirically by Abraham, Helms, and Presser(2009).
Kung ang mga tao na gawin volunteer trabaho ay mas malamang na sumasang-ayon upang maging sa isang survey, pagkatapos mananaliksik ay systematically over-matantya ang halaga ng volunteering, kahit na gawin nila post-pagsasapin-sapin adjustments, isang resulta na ay nagpakita empirically sa pamamagitan Abraham, Helms, and Presser( 2009).

They then adjust for the non-representativeness of data using model-based post-stratification(Mr. P), and compare the adjusted estimates with those estimated using probability-based GSS/Pew surveys.
Sila ay pagkatapos ay ayusin para sa mga di-representativeness ng data gamit ang modelo-based post-pagsasapin-sapin( Mr. P), at ihambing ang mga nababagay pagtatantya sa mga tinatayang gamit probabilidad-based GSS/ Pew survey.

Thus, Wang and colleagues used an approach that combined multilevel regression and post-stratification, so they called their strategy multilevel regression with post-stratification or, more affectionately,“Mr. P.” When Wang and colleagues used Mr. P.
Kaya, ginamit ni Wang at mga kasamahan ang isang diskarte na pinagsama ang pagbabalik ng multilevel at post-stratification, kaya tinawag nila ang kanilang diskarte na multilevel na pagbabalik sa post-stratification o, mas mapang-akit," Mr. P.

However, amplified asking has deep connections to three large areas in statistics- model-based post-stratification(Little 1993), imputation(Rubin 2004), and small-area estimation(Rao and Molina 2015)- and so I expect that progress will be rapid.
Gayunman, amplified asking ay may malalim na koneksyon sa tatlong malalaking lugar sa mga istatistika-modelo-based post-pagsasapin-sapin( Little 1993), bintang( Rubin 2004), at maliit na-area pagpapahalaga( Rao and Molina 2015)- at kaya inaasahan ko na pag-unlad ay maging mabilis.