Non-participation Bias in Social Media Survey Research

Social media research, zoals het momenteel wordt uitgevoerd, is onderhevig aan een niet-deelnemende vooroordeel. Er bestaan ​​een aantal typen niet-deelnemende vooroordelen en elk type heeft de mogelijkheid om de betrouwbaarheid van onderzoeksresultaten te beïnvloeden, vaak op verborgen of onbekende manieren. In feite heeft onderzoek aangetoond dat de deelnemers aan het onderzoek die moeilijk te bereiken zijn, meerdere inspanningen hebben om contact met hen op te nemen, op significante wijze verschillen van andere respondenten.

Deze verschillen werden gezien in leeftijd, geslacht, burgerlijke staat, sociaaleconomische status, gezondheidsstatus en aantal kinderen.

Reactietarief

De mate waarin de data na afloop van een studie alle leden in een steekproef omvat, wordt aangeduid als de responsfrequentie. Hoewel dit concept duidelijk is in een gestructureerde enquête of reeks interviews, is het meer ambiguus in sociaal-media onderzoek. Het is echter niet minder belangrijk in sociaal-media onderzoek dan in andere soorten kwalitatief onderzoek. Het reactietarief wordt berekend op basis van het aantal deelnemers dat een overzicht maakt van ondervragen - of er wordt geadviseerd om geïnterviewd te zijn - gedeeld door het totale aantal mensen dat de oorspronkelijke bemonsteringsinspanning maakt. Het totale aantal moet mensen bevatten die niet succesvol waren gecontacteerd of die weigerden deel te nemen aan het onderzoek.

De generalisatieprobleem

Ongeacht hoe gegevens worden verzameld, kan het belang van een hoog responsniveau niet genoeg benadrukt worden.

Het is niet mogelijk realistisch te genereren naar een grotere populatie wanneer de responsfrequentie van een monster laag is. Sample vooroordeel neemt toe als reactie snelheid druppelt. In de media gebaseerde enquêtes, wanneer de retourniveaus dalen tot 20 of 30 procent van de steekproef, heeft deze groep deelnemers weinig gelijkenis met de totale bemonsterde bevolking.

Dezelfde tendens dat mensen een mail-in-enquête terugsturen of ermee akkoord gaan om deel te nemen aan een telefonische enquête komt voor bij mensen die in sociale media netwerken betrokken zijn: dat wil zeggen een bijzondere interesse in het onderwerp ( of product of dienst, naargelang het geval).

Voorbeeldgrootte

Kleiner monsters hebben een grotere steekproeffout dan grotere monsters. Overweeg dat de voorbeeldgegevens een schatting geven van de attributen van de grotere bevolking. Elk monster dat uit een steekproefframe is getrokken, verschaft een aparte schatting van die grotere populatie. Theoretisch kan er in elk monster voor elke gevraagde vraag een apart patroon van reacties zijn. Na verloop van tijd, met genoeg monsters getrokken uit het steekproefframe, zou het ware patroon rond het werkelijke (ware) patroon van de grotere bevolking convergeren.

Foutmarge

Monsternemingsfout beschrijft de precisie van een schatting van een van de monsters uit de grotere populatie.De steekproeffout wordt uitgedrukt in termen van een foutmarge die gekoppeld is aan een mate van vertrouwen, dat een statistische maatregel is. Bij een presidentiële voorkeursopname kan bijvoorbeeld in het rapport worden aangetoond dat 64% van de kiezers de voorkeur geniet. De foutmarge zou plus-of-minus 3 punten zijn met een 95% betrouwbaarheidsniveau.

Met andere woorden, als de poll opnieuw werd uitgevoerd met 100 verschillende stemmers, uit de 100 kiezers zouden 95 kiezers aangeven dat de posibestuurder 61% tot 67% van de kiezers heeft. Dat wil zeggen 61% van de kiezers + 3% of -3%.

Beslissingen over steekproefgrootte

De marge van de fout die bij steekproefneming wordt geassocieerd, gaat naar beneden als de steekproefgrootte oplopen, maar alleen tot een bepaald punt. Wanneer de steekproefgrootte 1000 tot 2000 respondenten bereikt, is de foutmarge voldoende klein om rekening te houden met grotere monsters (niet een kosteneffectieve keuze). Wanneer subgroepen deel uitmaken van de grotere bevolking, kunnen grotere steekproefgroottes gerechtvaardigd zijn omdat de foutmarge per subgroep zal variëren, afhankelijk van het aantal mensen in de subgroepen. Bijvoorbeeld, gegeven 1000 leden van een social media netwerk en een foutmarge die ergens tussen 1 en 3 procentpunten gelijk is met een 95% vertrouwensinterval, analyseert een subgroep van dat sociale media-netwerk, zegt: 'stay-at-home' mama die ongeveer 100 heeft, zou een hogere marge hebben van ongeveer 4 tot 10 punten.

Monstervoorziening

Monsters worden typisch geëvalueerd volgens de gekozen selectieprocedures, in plaats van de uiteindelijke grootte of samenstelling. Dit is fundamenteel omdat in de meeste situaties het onmogelijk is om nauwkeurig te meten hoe representatief een monster van de grotere bevolking is. Statistische procedures worden gebruikt omdat ze handige en fundamenteel betrouwbare schattingen toestaan. Het bepalen van een redelijk vertrouwensinterval en foutmarge in het begin stelt onderzoekers in staat om op variabelen te concentreren, zoals responsfrequentie en adequate sampling frames.