Samplemiser

時間序列民調資料的分析:Samplemiser的運用與評估

運用「時間序列」(time series)資料進行分析時,經常面臨的難題在於,不同時間的數據所呈現的「波動性」(volatility),可能來自於抽樣誤差。鑑此,本文旨在引介美國政治學界所發展出的 Samplemiser 統計方法,藉以區分抽樣誤差與實際波動。首先,本文援引初步範例,說明 Samplemiser 的適用性與重要性。其次,Samplemiser 運用 Kalman filtering 和 smoothing 的估計方式,對於時間序列資料進行分析與預測,本文針對其統計邏輯進行說明。再者,本文依據 TVBS 民調資料,以 2004 年總統大選陳水扁與連戰的支持度進行實證分析。經過 Samplemiser 處理後的民調資料顯示,兩組候選人支持度的平均變動,皆比處理前改善許多;這表示資料中因抽樣誤差所導致的變化已被排除,更能反應出實質的民意趨勢。資料亦證實,「自我迴歸參數」(autoregressive parameter)——表示前後兩期實際支持率之關係——的設定,會影響分析結果。儘管 Samplemiser 仍有若干限制,由於 Samplemiser 4.0 線上網路統計軟體已經相當便利,操作甚為簡易,值得引薦。

Time Series Analyses on Opinion Survey Data: The Method and Evaluations of Samplemiser

When researchers analyze time series survey data, it is of importance to distinguish random sampling error from volatility of time varying. This study aims at introducing a statistical method of Samplemiser developed by U.S. politics scientists for distinguishing genuine movements in public opinion from random movements produced by sampling error. In this work, we first explain the applicability and importance of Samplemiser by a preliminary example.

訂閱 RSS - Samplemiser