A second popular method of estimati

A second popular method of estimation depends less on in- formation known to individuals and more on researchers ability to reach hidden populations repeatedly (by means, for example, such as successive waves of Respondent Driven Sampling). According to the logic of capture-recapture studies, successive samples that discover a proportion of identical individuals can be used to estimate the total population size by the well-known Lincoln-Peterson formula (discussed below). Multiple resam- pling increases the accuracy of these predictions. Where RDS has proven capable of reaching large samples of hidden popula- tions, it would appear ideally suited to such tasks. Problems arise, however, where initial sampling paths can be seen to affect subsequent referral paths, thus skewing the “recapture” process to those in the original sample (and resulting in an in- accurate recapture number, see Berchenko & Frost, 2011). Given these issues, what seems needed is a process that is less susceptible to discovery bias around stigmatized behaviors (a problem for NSUM) and not dependent on resampling proce- dures that may be biased by initial sampling (as is the issue for RDS-based capture-recapture methods), and finally, one that is capable of retaining respondent anonymity throughout the re- search process. Below we propose such

ผลลัพธ์ (ไทย) 1:

วิธียอดนิยมที่สองการประเมินขึ้นอยู่น้อยเป็นที่รู้จักในผู้แต่งเพื่อบุคคล และเพิ่มเติมนักวิจัยสามารถเข้าถึงประชากรซ่อนซ้ำ ๆ (โดยวิธี อย่าง เช่นคลื่นต่อเนื่องของการสุ่มตัวอย่างควบคุม Respondent) ตามตรรกะของศึกษาจับ recapture สามารถใช้ประเมินประชากรขนาดตัวอย่างต่อเนื่องที่ได้สัดส่วนเหมือนบุคคลตามสูตร Peterson ลินคอล์นรู้จัก (อธิบายไว้ด้านล่าง) หลาย resam-pling เพิ่มความถูกต้องของการคาดการณ์เหล่านี้ ได้พิสูจน์ความสามารถในการเข้าถึงตัวอย่างขนาดใหญ่ซ่อน popula-tions RDS จะปรากฏดาวเหมาะกับงานดังกล่าว ปัญหาเกิดขึ้น อย่างไร ตามสามารถมองเห็นเส้นทางเริ่มต้นสุ่มตัวอย่างมีผลกับเส้นอ้างอิงตามมา ดัง รูปการ "รังสรรค์" ผู้ที่อยู่ในต้นฉบับตัวอย่าง (และเกิดหมายเลขใน recapture แม่นยำ ดู Berchenko และ Frost, 2011) ให้ปัญหาเหล่านี้ ที่ดูเหมือนว่าจำเป็นเป็นกระบวนการที่ไม่ไวต่อความโน้มเอียงในการค้นหาสถาน stigmatized พฤติกรรม (ปัญหาใน NSUM) และไม่ขึ้นอยู่กับการเปลี่ยนความละเอียดของ proce dures ที่อาจลำเอียง โดยเริ่มต้นสุ่มตัวอย่าง (เป็นปัญหาสำหรับวิธีใช้ RDS จับ-recapture), และสุดท้าย หนึ่งที่มีความสามารถในการรักษา respondent เปิดเผยตลอดทั้งกระบวนการค้นหาใหม่ ด้านล่างเราเสนอดังกล่าว

ผลลัพธ์ (ไทย) 2:

วิธีที่นิยมที่สองของการประมาณค่าขึ้นน้อยลงในข่าวสารที่รู้จักกันให้กับประชาชนและอื่น ๆ อีกมากมายกับความสามารถของนักวิจัยที่จะไปถึงประชากรที่ซ่อนซ้ำ (โดยวิธีการเช่นเช่นคลื่นต่อเนื่องของการตอบสนองการขับเคลื่อนการเก็บตัวอย่าง) ตามตรรกะของการศึกษาจับยึดตัวอย่างต่อเนื่องที่ค้นพบสัดส่วนของประชาชนที่เหมือนกันสามารถนำมาใช้ในการประมาณการขนาดของประชากรโดยรวมที่รู้จักกันดีสูตรลิงคอล์นปีเตอร์สัน (กล่าวถึงด้านล่าง) หลายปลิง resam- เพิ่มความแม่นยำของการคาดการณ์เหล่านี้ ที่ไหน RDS ได้พิสูจน์ความสามารถในการเข้าถึงกลุ่มตัวอย่างขนาดใหญ่ของประชากรทั้งนี้ซ่อนก็จะปรากฏเหมาะกับงานดังกล่าว ปัญหาที่เกิดขึ้น แต่ที่เส้นทางการสุ่มตัวอย่างเริ่มต้นเราจะเห็นว่าส่งผลกระทบต่อเส้นทางการแนะนำต่อ ๆ มาจึงบิดเบือน "เอาคืน" กระบวนการผู้ที่อยู่ในกลุ่มตัวอย่างเดิม (และส่งผลให้ในจำนวนที่ถูกต้องยึดทำาให้ดู Berchenko และฟรอสต์ 2011) ได้รับปัญหาเหล​​่านี้ดูเหมือนว่าสิ่งที่จำเป็นต้องมีกระบวนการที่เป็นน้อยไวต่อการค้นพบพฤติกรรมอคติ stigmatized รอบ (ปัญหาสำหรับ NSUM) และไม่ขึ้นอยู่กับขั้นตอนการ resampling ที่อาจจะลำเอียงโดยการสุ่มตัวอย่างครั้งแรก (เป็นปัญหาสำหรับ RDS-based วิธีการจับยึด) และในที่สุดคนหนึ่งที่มีความสามารถในการรักษาตัวตนตอบตลอดกระบวนการค้นหาอีกครั้ง ด้านล่างนี้เรานำเสนอดังกล่าว

ผลลัพธ์ (ไทย) 3:

นิยมวิธีการที่สองของการประเมินขึ้นอยู่กับในการเรียกบุคคลและเพิ่มเติมเกี่ยวกับนักวิจัยสามารถเข้าถึงประชากรอยู่ซ้ำ ๆ ( หมายความว่า ตัวอย่าง เช่น ตัวอย่างต่อเนื่องคลื่นของผู้ตอบขับเคลื่อน ) ตามตรรกะของการจับยึดการศึกษาตัวอย่างต่อเนื่องที่ค้นพบมีสัดส่วนของแต่ละบุคคลเดียวกันสามารถใช้ในการประมาณการประชากรขนาดตามสูตร ที่รู้จักกันดี ลินคอล์น ปีเตอร์สัน ( กล่าวถึงด้านล่าง ) หลาย resam - ปลิงเพิ่มความถูกต้องของการคาดการณ์เหล่านี้ ที่ RDS ได้พิสูจน์ความสามารถในการเข้าถึง ตัวอย่างของประชากรขนาดใหญ่ที่ซ่อนอยู่ - ยินดีด้วย ดูเหมือนจะเหมาะกับงานดังกล่าว ปัญหาเกิดขึ้นอย่างไรก็ตาม ที่เริ่มต้นศึกษาเส้นทางสามารถมองเห็นได้ส่งผลกระทบต่อเส้นทางการอ้างอิงตามมาจึงเอียง " ยึด " กระบวนการเหล่านั้นในตัวอย่างเดิม ( และส่งผลให้ใน - ความถูกต้อง ยึดเบอร์ เห็น berchenko &ฟรอสต์ , 2011 ) จากปัญหาเหล่านี้สิ่งที่ดูเหมือนเป็นเป็นกระบวนการที่น้อยไวต่อการค้นพบอคติรอบ stigmatized พฤติกรรมปัญหา nsum ) และไม่ได้ขึ้นอยู่กับการสุ่มซ้ำ proce - dures ที่อาจจะลำเอียง โดยเริ่มต้นการสุ่มตัวอย่าง ( เป็นปัญหา RDS ตามจับยึดวิธีการ ) , และสุดท้าย หนึ่งที่มีความสามารถในการรักษาไม่เปิดเผยชื่อผู้ตอบทั่วอีกครั้ง - กระบวนการค้นหา ด้านล่างนี้เราเสนอเช่น