What is the translation of " NON-PROBABILITY SAMPLES " in Vietnamese?

• các mẫu không xác suất

Examples of using Non-probability samples in English and their translations into Vietnamese

Not all non-probability samples are the same.
Không phải tất cả các mẫu không xác suất như nhau.

Bit By Bit- Asking questions- 3.4.2 Non-probability samples: weighting.
Bit By Bit- câu hỏi Hỏi- 3.4.2 mẫu không xác suất: trọng.

Non-probability samples need not automatically lead to something like the Literary Digest fiasco.
Các mẫu không xác suất không cần phải tự động dẫn đến một cái gì đó như thất bại văn học tiêu hóa.

Bit By Bit- Asking questions- 3.4.3 Non-probability samples: sample matching.
Bit By Bit- câu hỏi Hỏi- 3.4.3 mẫu không xác suất: khớp mẫu..

With non-probability samples, weights can undo distortions caused by the assumed sampling process.
Với mẫu không xác suất, trọng lượng có thể lùi lại biến dạng gây ra bởi quá trình lấy mẫu giả định.

Looking forward, I expect that estimates from well-done non-probability samples will become cheaper and better.
Nhìn về phía trước, tôi hy vọng rằng ước tính từ các mẫu không xác suất thực hiện tốt sẽ trở nên rẻ hơn và tốt hơn.

When the cost or time involved in the probability sampling is too high, marketing researchers will take non-probability samples.
Khi chi phí và thời gian cần thiết để lấy mẫu xác suất quá lớn, thì người nghiên cứu Marketing sẽ lấy mẫu không xác suất.

Probability samples and non-probability samples are not that different in practice;
Mẫu xác suất và các mẫu không xác suất không khác trong thực tế;

Although“Dewey Defeats Truman” happened in 1948, it is still among the reason that some researchers are skeptical about estimates from non-probability samples.
Mặc dù“ Dewey Defeats Truman” xảy ra vào năm 1948, nhưng vẫn còn một số lý do khiến một số nhà nghiên cứu hoài nghi về các ước tính từ các mẫu không xác suất.

However, the second lesson is that non-probability samples, when weighted properly, can actually produce quite good estimates.
Tuy nhiên, bài học thứ hai là mẫu không xác suất, khi trọng đúng cách, có thể thực sự sản xuất ước tính khá tốt.

First, as probability samples have become increasingly difficult to do in practice, the line between probability samples and non-probability samples is blurring.
Thứ nhất, như mẫu xác suất đã trở nên ngày càng khó khăn để làm trong thực tế, ranh giới giữa các mẫu xác suất và mẫu không xác suất được làm mờ.

Again, this is another example of the dangers of raw, unadjusted non-probability samples and is reminiscent of the Literary Digest fiasco.
Một lần nữa, đây là một ví dụ về sự nguy hiểm của, mẫu không xác suất không điều chỉnh thô và gợi nhớ đến sự thất bại Literary Digest.

On the other hand, weighting non-probability samples will only produce unbiased estimates for all traits if the response propensities are the same for everyone in each group.
Mặt khác, các mẫu không xác suất trọng số sẽ chỉ sản xuất ước lượng không chệch cho tất cả những đặc điểm nếu các khuynh hướng phản ứng là như nhau cho tất cả mọi người trong mỗi nhóm.

Again, this is another example of the dangers of raw, unadjusted non-probability samples and is reminiscent of the Literary Digest fiasco.
Một lần nữa, đây là một ví dụ khác về sự nguy hiểm của các mẫu không xác suất, không được điều chỉnh và gợi nhớ đến thất bại văn học tiêu hóa.

As I said earlier, non-probability samples are viewed with great skepticism by many social researchers, in part because of their role in some of the most embarrassing failures in the early days of survey research.
Như tôi đã nói trước đó, các mẫu không xác suất được nhìn nhận với sự hoài nghi lớn của nhiều nhà nghiên cứu xã hội, một phần vì vai trò của họ trong một số thất bại đáng xấu hổ nhất trong những ngày đầu nghiên cứu khảo sát.

In conclusion, social scientists and statisticians are incredibly skeptical of inferences from these non-probability samples, in part because they are associated with some embarrassing failures of survey research such as the Literary Digest poll.
Trong kết luận, các nhà khoa học xã hội và thống kê học là vô cùng hoài nghi về kết luận từ các mẫu không xác suất, một phần vì chúng có liên quan với một số thất bại đáng xấu hổ của nghiên cứu khảo sát như các cuộc thăm dò Literary Digest.

As I said earlier, non-probability samples are viewed with great skepticism by social scientists, in part because of their role in some of the most embarrassing failures in the early days of survey research.
Như tôi đã nói trước đó, các mẫu không xác suất được xem nhiều hoài nghi của các nhà khoa học xã hội, một phần vì vai trò của họ trong một số trong những thất bại đáng xấu hổ nhất trong những ngày đầu của nghiên cứu khảo sát.

These techniques using auxiliary information are particularly important because, as I will show later, auxiliary information is critical for making estimates from probability samples with nonresponse and from non-probability samples.
Những kỹ thuật này sử dụng thông tin phụ trợ đặc biệt quan trọng bởi vì, như tôi sẽ trình bày sau, thông tin phụ trợ là rất quan trọng để đưa ra các ước tính từ các mẫu xác suất với nonresponse và từ các mẫu không xác suất.

This headline was based in part on estimates from non-probability samples(Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007).
Tiêu đề này dựa một phần vào các ước tính từ các mẫu không xác suất( Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007).

Both non-probability samples and probability samples vary in their quality, and currently it is likely the case that most estimates from probability samples are more trustworthy than estimates from non-probability samples.
Cả hai mẫu không xác suất và mẫu xác suất khác nhau về chất lượng của họ, và hiện nay nó có khả năng thì phần lớn ước tính từ mẫu xác suất là đáng tin cậy hơn ước tính từ các mẫu không xác suất.

One thing that is clear, however, is if you are forced to work with non-probability samples, then there is strong reason to believe that adjusted estimates will be better than non-adjusted estimates.
Một điều rõ ràng, tuy nhiên, nếu bạn buộc phải làm việc với các mẫu không xác suất, sau đó có lý do mạnh mẽ để tin rằng dự toán điều chỉnh sẽ tốt hơn so với ước tính trước điều chỉnh.

It is worth learning a bit more about their approach because it builds intuition about post-stratification, and the particular version Wang and colleagues used is one of the most exciting approaches to weighting non-probability samples.
Đó là giá trị học tập nhiều hơn một chút về cách tiếp cận của họ, vì nó được xây dựng trực giác về sau phân tầng, và các phiên bản đặc biệt Wang và các đồng nghiệp sử dụng là một trong những cách tiếp cận thú vị nhất với các mẫu không xác suất trọng.

This framework enables us to understand new approaches to representation- in particular, non-probability samples(section 3.4)- and new approaches to measurement- in particular, new ways of asking questions to respondents(section 3.5).
Khung này cho phép chúng ta hiểu cách tiếp cận mới để đại diện- đặc biệt, các mẫu không xác suất( Phần 3.4)- và cách tiếp cận mới để đo lường- đặc biệt, những cách thức mới đặt câu hỏi để trả lời( Phần 3.5).

For a meta-analysis on the effect of weighting to reduce bias in non-probability samples, see Table 2.4 in Tourangeau, Conrad, and Couper(2013), which leads the authors to conclude“adjustments seem to be useful but fallible corrections…”.
Đối với một phân tích về ảnh hưởng của trọng để giảm thiên vị trong các mẫu không xác suất, xem Bảng 2.4 ở Tourangeau, Conrad, and Couper( 2013), dẫn các tác giả kết luận" điều chỉnh dường như là điều chỉnh hữu ích nhưng có thể sai lầm..".

This framework enables us to understand new approaches to representation- in particular, non-probability samples(section 3.4)- and new approaches to measurement- in particular, new ways of asking questions to respondents(section 3.5).
Khung này cho phép chúng ta hiểu các cách tiếp cận mới để biểu diễn- đặc biệt, các mẫu không xác suất( phần 3.4)- và các phương pháp tiếp cận mới để đo lường- đặc biệt là các cách mới để đặt câu hỏi cho người trả lời( phần 3.5).

Sometimes researchers have found that probability samples and non-probability samples yield estimates of similar quality(Ansolabehere and Schaffner 2014), but other comparisons have found that non-probability samples do worse(Malhotra and Krosnick 2007; Yeager et al. 2011).
Đôi khi các nhà nghiên cứu đã tìm thấy rằng các mẫu xác suất và mẫu không xác suất ước tính sản lượng của chất lượng tương tự( Ansolabehere and Schaffner 2014), nhưng so sánh khác đã tìm thấy rằng các mẫu không xác suất làm tồi tệ hơn( Malhotra and Krosnick 2007; Yeager et al. 2011).

Sometimes, researchers have found that probability samples and non-probability samples yield estimates of similar quality(Ansolabehere and Schaffner 2014), but other comparisons have found that non-probability samples do worse(Malhotra and Krosnick 2007; Yeager et al. 2011).
Đôi khi, các nhà nghiên cứu đã phát hiện rằng các mẫu xác suất và các mẫu không xác suất đưa ra các ước tính có chất lượng tương tự( Ansolabehere and Schaffner 2014), nhưng các so sánh khác đã phát hiện ra rằng các mẫu không xác suất kém hơn( Malhotra and Krosnick 2007; Yeager et al. 2011).

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).
Ngoài phân tầng sau, các kỹ thuật khác để làm việc với các mẫu không xác suất và các mẫu xác suất có lỗi bảo hiểm và không phản ứng- bao gồm kết hợp mẫu( Ansolabehere and Rivers 2013;???), trọng số điểm xu hướng( Lee 2006; Schonlau et al. 2009), và hiệu chuẩn( Lee and Valliant 2009).

Researchers face a difficult choice between probability sampling methods in practice- which are increasingly expensive and far from the theoretical results that justify their use- and non-probability sampling methods- which are cheaper and faster, but less familiar and more varied.
Các nhà nghiên cứu phải đối mặt với sự lựa chọn khó khăn giữa các phương pháp lấy mẫu xác suất trong thực tế- điều này ngày càng tốn kém và xa các kết quả lý thuyết để biện minh cho sử dụng của họ- và phương pháp lấy mẫu không xác suất- rẻ hơn và nhanh hơn, nhưng ít quen thuộc và đa dạng hơn.