Study Guides (248,268)
Canada (121,447)
Sociology (272)
SOCY 210 (33)
Final

210 exam review.doc

27 Pages
81 Views
Unlock Document

Department
Sociology
Course
SOCY 210
Professor
Rob Beamish
Semester
Fall

Description
Exam Review: Chapter Six: The Logic of Sampling Non­probability Sampling: - social research is often conducted in situations that don’t permit the kinds of probability samples  used in large­scale social surveys  - qualitative - non­probability sampling: any technique in which samples are selected in some fashion not  suggested by probability theory  - examples: purposive (judgmental), snowball, and quota sampling, as well as reliance on  available subjects Reliance on Available Subjects: -  relying on available subjects, such as stopping people at a street corner or some other location,  is an extremely risky sampling method, yet it’s used all too frequently - such a method doesn’t allow control over the representativeness of a sample, makes it difficult to  generalize - it’s justified only if the researcher wants to study the characteristics of people passing the  sampling point at specified times or if less risky sampling methods are not feasible  - even when use of this method is justified on grounds of feasibility, researchers must exercise  great caution in generalizing from their data - university researchers frequently conduct surveys among the students enrolled in large lecture  classes - useful for presenting questionnaires  - the ease and low cost of such a method explains its popularity, but it seldom produces data of  any general value  - it may be useful for pretesting a questionnaire - but such a sampling method should not be used for a study purportedly describing  students as a whole Purposive or Judgmental Sampling: -  sometimes it’s appropriate for you to select your sample on the basis of your own knowledge of  the population and the purpose of the study  - useful when: studying a small subset of a larger population where members of subpop are easily  identifiable aka Chinese  - purposive sampling: a type of non probability sampling in which you select the units to be  observed on the basis of our own judgment about which ones will be most useful or  representative - another name for this is judgmental sampling  -  in the initial design of a questionnaire, you might wish to select the wildest variety of  respondents to test the broad applicability of questions, - although the study findings would not represent any meaningful populations, the test  run might effectively uncover any peculiar defects in your questionnaire - this situation would be considered a pretest, however, rather than a final study  Snowball Sampling:   -  another non­probability sampling technique, which some consider to be a form of accidental  sampling is called snowball sampling - snowball sampling: a non­probability sampling method often employed in field research  whereby each person interviewed may be asked to suggest additional people for interviewing  - this procedure is appropriate when the members of a specific population are difficult to locate,  such as homeless individuals, prostitutes, or undocumented immigrants  - in snowball sampling, researchers collect data on the few members of the target population they  can locate, and then ask those individuals to provide the information needed to locate other  members of that population whom they happen to know  - snowball: refers to the process of accumulation as each located subject suggests other subjects - because this procedure also results in samples with questionable representativeness, it is  used primarily for exploratory purposes  Quota Sampling: -  is the method that helped George Gallup avoid disaster in 1936 but set up the polling disaster of  1948. - like probability sampling, quota sampling addresses the issue of representativeness, although the  two methods approach the issue quite differently  - quota sampling: a type of non­probability sampling in which units are selected into the sample  on the basis of prespecified characteristics, so that the total sample will have the same  distribution of characteristics assumed to exist in the population being studied  - begins with a matrix, or table, describing the characteristics of the target population - depending on your research purposes, you need to know what proportion of the population is  male and what proportion female, as well as what proportions of each gender fall into various  age categories, educational levels, ethnic groups, and so forth  - in establishing a national quota sample, you would need to know what proportion of the national  population is urban, eastern, male, under 25, white, working class, and the like, and all the other  possible combinations of these attributes  - once such a matrix is created and a relative proportion assigned to each cell in the matrix, you  proceed to collect data from people having all the characteristics of a given cell - you then assign a weight to all the people in a given cell that is appropriate to their portion of  the total population  - the overall data should provide a reasonable representation of the total population  - quota sampling has several inherent problems  - (1) the quota frame (the proportions that different cells represent) must be accurate, and  it is often difficult to get up to data information for this purpose  - (2) the selection of sample elements within a given cell may be biased even though it  proportion of the population is accurately estimated  - in recent years, attempts have been made to combine probability and quota sampling methods,  but the effectiveness of this effort remains to be seen  - you would be advised to treat quota sampling warily if your purpose is statistical  description  -  the logic of quota sampling can sometimes be applied usefully to a field research project -  in the study of a formal group, for example, you might wish to interview both leaders and  nonleaders Selective Informants  -  when field research involves the researcher’s attempt to understand some social setting much of  that understanding comes from collaboration with some members of the group being studied  - whereas social researchers speak of respondents as people who provide information about  themselves, allowing the researcher to construct a composite picture of the group those  respondents represent, an informant is a member of a group who can talk directly about the  group - informant: someone well versed in the social phenomenon that you wish to study and who is  willing to tell you what he or she knows. - if you were planning participants observation among the members of a religious sect,  you would do well to make friends with someone who already knows about them­  possibly a member of the sect­who would give some background information about  them. Not to be confused with a respondent   -  informants can be very helpful to other social researchers as well  - if you want to learn about informal social networks in a local public housing project,  you would do well to locate individuals who could understand what you were looking  for and help you find it   - non­probability samples can be very useful, particularly in qualitative research studies - but care must be taken to acknowledge the limitations of non­probability sampling, especially  regarding accurate representations of populations. The Theory and Logic of Probability Sampling: -  while appropriate to some research purposes, non­probability sampling methods cannot  guarantee that the sample we observed is representative of the whole population - when researchers want precise, statistical descriptions of large populations­for example, the  percentage of the population that is unemployed, plans to vote for Canadian X, or feels a rape  victim should have the right to an abortion­ they turn to probability sampling  - probability sampling: the general term for samples selected is accord with probability theory,  typically involving some random selection mechanism. Specific types of probability sampling  include EPSEM, PPS, simple random sampling, and systematic sampling  - the basic logic of probability sampling is not hard to understand, even though the application of  probability of sampling involves some sophisticated use of statistics  - if all members of a population were identical in all respects­ all demographic characteristics,  attitudes, experiences, behaviors,­ there would be no need for careful sampling procedures * the fundamental idea behind probability sampling is this: to provide useful descriptions of the total  population, a sample of individuals from a population must contain essentially the same variations that  exists the population  Conscious and Non conscious Sampling Bias: - it may look as though sampling is pretty straightforward.  - to select a sample of 100 universities students, you might simply interview the first 100 students  you find walking around campus - untrained researchers often use this kind of sampling method, but the risk is very high that bases  will be introduced into the samples. - bias is connected with sampling simply means that those selected are not typical or  representative of the larger populations they have been chosen from­ and such bias need to be  intentional  - this kind of bias is virtually inevitable - beyond the risk of inherent in simply studying people who are convenient, other problems can  arise - to being with, researchers personal leanings may affect the sample to the point where it  does not truly represent the target population -  even if you made a conscientious effect to interview every tenth student entering the university  library, for example, you could not be sure of a representative sample, because different types of  students visit the library with different frequencies.  - your sample would overrepresent students who visit the library more often   -  the possibilities for inadvertent sampling bias are endless and not always obvious Representativeness and Probability of Selection: - the term representativeness has no precise, scientific meaning, it carries a commonsense  meaning that makes it useful here    - a sample will be representative of the population from which it is selected if the aggregate  characteristics of the sample closely approximate those same aggregate characteristics in the  population - representativeness: that quality of a sample of having the same distribution of characteristics as  the population from which it was selected. By implication, descriptions and explanations  derived from an analysis of the sample may be assumed to represent similar ones in the  population.  -  a sample is said to be representative of a population if its aggregate characteristics  closely approximate those aggregate characteristics in the population  - basic principle: all members of a given population should stand an equal chance  of being selected for a particular sample - Representativeness is enhanced by probability sampling and provides generalizability  and the used of inferential statistics   -  note that samples need not be representativeness in all respects, representativeness is limited to  those characteristics relevant to the substantive interests of the study, however, you may not  know in advance which are relevant  - the basic principle for probability sampling is that a sample will be representative of the  population from which it is selected if all members of the population have an equal chance of  being selected in the sample - samples with this equality are often labelled EPSEM samples (equal probability of  selection method) - EPSEM (equal probability of selection method): a sample design in which each member of a  population gas the same chance of being selected into the sample  -  Advantages: - (1) probability samples are typically more representative than other types of samples,  because the biases previously discussed are avoided  - in practice, a probability sample is more likely to be representative of the  population from which it is drawn than a non­probability sample  - (2) probability theory permits us to estimate the accuracy or representativeness of  samples - conceivable, an uninformed researcher might, through wholly haphazard means,  select a sample that nearly perfectly represents the larger population - the probability sampler can provide an accurate estimate of the probability of how close he or  she will come  - probability sampling ensures that samples are representative of the population we desire to study - probability sampling is based on the use of a random selection procedure - to develop this idea we give more precise meaning to two important terms: elements and  population - Element: - is that unit about which information is collected and that provides the basis of  analysis  -  distinguished from units of analysis, which are used in data analysis  - typically in  survey research, elements are people or certain types of people - however, other kinds of units can constitute the elements for social research:  families, social clubs, or corporations might be the elements of a study -  Population: - the theoretically specified aggregation of the elements in a study  - usually meaning the group or collection that we’re interested in generalizing  about  - study population: that aggregation of elements from which a sample is actually  selected  - as a practical matter, researchers are seldom in a positions to guarantee that  every element meeting the theoretical definitions laid down actually has a  chance of being selected in the sample  Random Sampling: -  we can define the ultimate purpose of sampling: to select a set of elements from a population in  such a way that descriptions of those elements accurately portray the total population from  which the elements are selected - probability sampling enhances the likelihood of accomplishing this aim and also provides  methods for estimating the degree of probable success  - random sampling: a sampling method in which each element has an equal chance of selection  independent of any other event in the selection process  - social researchers more typically use tables of random numbers or computer programs that  provide a random selection of sampling units - sampling unit: that element or set of elements considered for selection in some stage of  sampling - two reasons for using random selection methods: - (1) this procedure serves as a check on conscious or unconscious bias on the park of the  researcher  -  the researcher who selects cases in a intuitive basis might very well selects case  that would support his or her research expectations or hypothesis  - random selection eases this danger -  (2) random selection offers access to the body of probability theory, which provides the  bases for estimating the characteristics of the population as well as estimates of the  accuracy of samples  Probability Theory, Sampling Distributions, and Estimates of Sampling Error: -  probability theory is a branch of mathematics that provides the tools researchers need to devise  sampling techniques that produce representative samples and to statistically analyze results  derives from such samples  -  provides the basis for estimating the parameters of a population  -  parameter: the summary description of a given variable in a population - e.g the mean income of all families in a city is a parameter, so is the age distribution of  the city’s population  -  when researchers generalize from a sample, they’re using sample observations to estimate  population parameters  - probability theory enables them both to make these estimates and to judge how likely the  estimates will accurately represent the actual parameters in the population  - probability theory accomplishes this by way of the concept of sampling distributions  - a single sample selected from a population will give an estimate of the population  parameter  - other samples would give the same or slightly different estimates -  probability theory tells us about the distribution of estimates that would be produces by a large  number of such samples  - statistic: the summary description of a variable in a sample, used to estimate a population  parameter  - sampling error: the different between a population value and an estimate of that value derived  from a sample - probability theory gives us a formula for estimating sampling error­ how closely the  sample statistics will tend to cluster around the true values in the population -  the symbols P and Q in the formula equal the population parameters for the binomial: if 60  percent of the study body approves of the code and 40 percent disapproves, P and Q are 60  percent and 40 percent, respectively 0.6 and 0.4. - Note:  - Q= 1­P  - P= 1­Q - n= the number of cases in each sample - s=is the standard error  - two key components of sampling error: - Confidence levels:  - the estimated probability that a population parameter lies within a given  confidence interval - given a appropriately constructed confidence interval, such as plus or minus two  standard errors around the mean, we may state that in 95 percent of all samples  the true population value will be inside the constructed interval -  Confidence Interval: - the range of values within which a population parameter is estimated to lie  - we must specify a confidence level in connection with every confidence interval  -  the logic of confidence interval and confidence level also provides the basis for determining the  appropriate sample size for a study  - once you’ve decided on the degree of sampling error you can tolerate, you’ll be able to  calculate the number of cases needed in your sample  -  this then is the basic logic of probability sampling - random selection permits the researcher to link finding from a sample to the body of probability  theory so as to estimate the accuracy of those findings - all statements of accuracy in sampling must specify both a confidence level and a confidence  interval  Types of Sampling Design: Simple Random Sampling: -  simple random sampling: a type of probability sampling in which the units composing a  population are assigned numbers. - a set of random numbers is then generated, and the units having those number are  included in the sample  - although probability theory and the calculations it provides assume this basic sampling  method, it’s seldom used, for practical reasons.  - an equivalent alternative is the systematic sample (with a random start)  -  is the basic sampling method assumed in the statistical computations of social research  - once a sampling frame has been properly established, to use simple random sampling the  researcher assigns a single number to each element in the list, not skipping any number in the  process  - a table of random umbers is then used to select elements for the sample  -   if your sampling frame is in a machine=readable form, a simple random sample can be  selected automatically by computer Systematic Sampling: -  systematic sampling: a type of probability sampling in which every kth unit in a list is selected  for inclusion in the sample­ for example, every 25th student in the university directory of  students  - you compute k by dividing the size of the population by the desired sample size, k is  called the sampling interval  - within certain constraints, systematic sampling is a functional equivalent of simple  random sampling and usually easier to do - the first unit is selected at random -  two terms are frequently used in connection with systematic sampling  - the sampling interval is the standard distance between elements selected in the sample: 10 in the  preceding sample  - sampling interval= population size/sample size - the sampling ratio is the proportion of elements in the population that are selected: 1/10 in the  example  - sampling ration: sample size/population -  systematic sampling is virtually identical to simple random sampling  - if the list of elements is indeed randomized before sampling, one might argue that a systematic  sample drawn from that list is in fact a simple random sample  - Danger: - the arrangement of elements in the list can make systematic sampling unwise  - such an arrangement is usually called periodicity  - if the list of elements is arranged in a cyclical pattern that coincided with the sampling  interval, a grossly biased sample may be drawn  - ex: we select a sample of apartments in an apartment building, if the sample is  drawn from a list of apartments arrange in numerical order, there is danger of  the sampling interval coinciding with the number of apartments on a floor or  some multiple thereof  Stratified Sampling: -  stratification: the grouping of the units making up a population into homogeneous groups (or  strata) before sampling  - this process, which may be used in conjunction with simple random, systematic, or cluster  sampling, improves the representativeness of a sample, at least with regard to the variables used  for stratification - simple random sampling and systematic sampling both ensure a degree of representativeness  and permit an estimate of the error present  - stratified sampling is a method for obtaining a degree of representativeness­ decreasing the  probable sampling error  - stratified sampling is based on this second factor in sampling theory  - rather than selecting a sample from the total population at large, the researcher ensures that  appropriate numbers of elements are drawn from homogeneous subsets of that population - the choice of stratified variables typically depends on what variables are available  - in selecting stratification variables from among those available, however, you should be  concerned primarily with those that are presumable related to variables you want to represent  accurately. - stratified sampling ensures the proper representation of the stratification variables  - this enhances representation of other variables related to them  - stratified sample is likely to be more representative on several variables than a simple  random sample  - although the simple random sample is still regarded as somewhat sacred, it should now  be clear that you can often do better  Hypothetical Illustration: Sampling University Students -  cluster sampling: a multistage sampling approach in which natural groups (clusters) are  sampled initially, with the members of each selected group being subsampled afterward.  - for example, you might select a sample of Canadian universities from a directory, get  lists of the students at all the selected schools, and then draw samples of students from  each  Chapter Seven: Experiments Topics Appropriate to Experiment: -  experiments are more appropriate for some topics and research purposes than others  - experiments are especially well suited to research projects involving relatively limited and well­ defined concepts and propositions  - experimentation has also been successful in the study of small group interaction  - we might bring together a small group of experimental subjects and assign them a task,  such as making recommendations for popularizing car pools The Classical Experiments: - the most conventional type of experiment involves three major pairs of components: - (1) Independent and Dependent  - an experiment examines the effect of an independent variables on a dependent  variable - the independent variable takes the form of an experimental stimulus, which is  either present or absent  - the stimulus is dichotomous variable:  - a variable that has only two attributed. It is also called a  binomial variable  - the independent and dependent variables appropriate to experimentation are  nearly limitless  - a given variable might serve as an independent variable in one experiment and  as a dependent variable in another  - to be used in an experiment, both independent and dependent variables must be  operationally defined  - such operational definitions might involve a variety of observation  methods  -  in the experimental model, dependent and independent variables must be  operationally defined before the experiment survey research and other methods,  it’s sometimes appropriate to make a wife variety of observations during data  collection and then determine the most useful operational definitions of  variables during later analyses  - like other quantitative methods, requires specific and standardized  measurements and observations  - (2) Pretesting and Post­testing  -  pretesting: the measurement of a dependent variable among subjects before  they are exposed to a stimulus representing an independent variable  - posttesting: the remeasurement of a dependent variable among subjects after  they have been exposed to a stimulus representing an independent variable   - (3) Experimental and Control groups -  experimental group: in experimentation, a group of subjects to whom an  experimental stimulus is administrated  - control groups: in experimentation, a group of subjects to whom no  experimental stimulus is administered and who should resemble the  experimental group in all other respects  - the comparison of the control group and the experimental group at the end of  the experiment points to the effect of the experimental stimulus  - using control groups allows the researcher to detect any effect of the experiment  itself  - if the posttest shows that the overall level of prejudice exhibited by the control  group, then the apparent reduction in prejudice must be a function of the  experiment or of some external factor rather than a function of the film - hawthorne effect: a term coined in reference to a series of productivity studies  at the Hawthorne plant of the Western Electric Company in Chicago The  researchers discovered that their presence affected the behavior of the workers  being studied, the term now refers to any impact of research on the subject of  study  - in social scientific experiments, control groups guard against not only the  effects of any event outside the laboratory during the experiments The Double­Blind Experiment:   -  double­blind experiment: an experimental design in which neither the subjects nor the  experimenters know which is the experimental group and which is the control  - in social scientific experiments the danger of experimenter bias is further reduced to the extent  that the operational definitions of the dependent variables are clear and precise  Selecting Subjects: Probability Sampling: -  probability sampling is seldom used in experiments to select subjects from a larger population -   randomization: the procedure of randomly assigning experimental subjects to experimental and  control groups. Not to be confused with probability sampling techniques such as a simple  random sample  - matching: in connection with experiments, the procedure whereby pairs of subjects are matched  on the basis of their similarities on one or more variables; then one member of the pair is  assignment to the experimental group and the other to the control group  - the overall matching process could be most efficiently achieved through the creation of  the quota matrix constructed of all the most relevant characteristics  - the quota matrix is constructed to result in an even number of subjects in each cell of the  matrix  - then half the subjects in each cell would go into experimental group and half into the  control group Matching or Randomization: -  two arguments in favor of randomization over matching  - (1) you may not be in a position to know in advance which variables are relevant for the  matching process - (2) most of the statistics used to analyze the results of the experiments assume  randomization  - failure to design your experiment that way, then, makes your later use of those  statistics less meaningful  - randomization makes sense only if you have a fairly large pool of subjects, so  that the laws of probability sampling apply Variations of Experimental Design:  ­ Donald Campbell and Julian Stanley: - Pre­experimental research Design: - 3 experimental designs  - (1) one­shot case studies: a single study group of subjects is measured on a dependent  variable following the administration of some experimental stimulus  - represents a common form of logical reasoning  - (2) one­group pretest­posttest design: it adds a pretest for the experiment but lacks a  control group, suffers from possibility that some factor other than the independent  variable might cause a change between the pretest and post­test results.  - offers somewhat better evidence that exercise produces weight loss - (3) static­group comparison: to round out the possibilities for preexperiemental design,  Campbell and Stanley point out that some research is based on experimental and control  groups but has no pretest  - eliminates the problem of our questionable definition of what constitutes trim or  overweight body shapes  Validity Issues in Experimental Research: -  Sources of Internal Invalidity: - internal invalidity: refers to the possibility that the conclusion drawn from experimental  results may not accurately reflect what went on in the experiment itself  - the threat of internal invalidity is present whenever anything other than the experimental  stimulus can affect the dependent variable  - there are several sources of internal invalidity - history - maturation  - testing - instrumentation  - statistical regression  - selection biases - experimental morality  - casual time order - diffusion or imitation of treatment s - compensation  - compensatory rivalry - demoralization  -  Sources of External Invalidity: - external invalidity: refers to the possibility that conclusions drawn from experimental  results may not be generalization to the ‘real’ world  - even if the results of an experiment are an accurate gauge of what happened  during the experiment  -  the Solomon four­group design addresses the problem of testing interaction with the  stimulus  Illustrations of Experiments: -  Looking glass self: - George Cooley - the basic point is that who we think we are­our self­concept­and how we behave are  largely a function of how others see and treat us  Natural Experiments: -  often occur in the course of social life in the real world, and social researchers can implement  them in somewhat the same way they would design and conduct laboratory experiments  Web­Based Experiments:  - it has become increasingly common for researchers to use the Web as a place to conduct social  science experiments  Chapter Eight: Survey Research:  - survey research is a frequently used mode of observation in the social sciences. - in a typical survey, the researcher selects a sample of respondents and administrators a  standardized questionnaire to them Topics Appropriate to Survey Research: -  surveys may be used for descriptive, explanatory, and explanatory purpose - respondent: a person who provides data for analysis by responding to a survey questionnaire  - survey research is probably the best method available to the social scientist interested in  collecting original data for describing a population too large to observe directly  - surveys are also excellent vehicles for measuring attitudes and orientations in a large population  Guidelines for Asking Questions: -  variables are often operationalized when researchers ask people questions as a way of getting  data for analysis and interpretation  - surveys include the use of a questionnaire - questionnaire: a document containing questions and other types of items designed to  solicit information appropriate to analysis. Questionnaires are used primarily in survey  research, but also in experiments, field research, and other modes of observation -  while some of the specific points to follow are more appropriate to structured questionnaires  than to the more open­ended questionnaires used in qualitative, in­depth interviewing, the  underlying logic is valuable whenever we ask people questions in order to gather data Choosing Appropriate Question Forms:  -  Questions and Statements: - the researcher is interested in determining the extent to which respondents hold a  particular attitude or perspective  - if you summarize the attitude in a fairly brief statement, you can present that statement  and ask respondents whether they agree or disagree with it  - Likert Scale: a format in which respondents are asked to strongly agree, agree, disagree  or strongly disagree, or perhaps strongly approve, approve, and so forth - using both in a given questionnaire gives you more flexibility in the design of items and  can make the questionnaires more interesting as well Open­Ended and Closed­Ended Questions -  open­ended questions: questions to which respondents are asked to provide their own answers.  Qualitative in­depth interviewing relies heavily on open­ended questions, but they are  sometimes used in other forms of data­collection such as telephone surveys and self­ administered questionnaires  - ex. the respondent may be asked, “what do you feel is the most important issue facing  canada today?”and be provided with a space to write in the answer - open ended responses must be coded before they can be processed for computer analysis  - this coding process often requires that the researcher interpret the meaning of responses,  opening the possibility of misunderstanding an researcher bias.  - there is danger that some respondents will give answers that are essentially irrelevant to  the researcher’s intent  - closed­ended questions: questions to which the respondent is asked to select an answer from  among a list provided by the researcher. These are popular in survey research because they  provide a greater uniformity of responses and are more easily processed than open­ended  questions - close­ended responses can often be transferred directly into a computer format  - the shortcoming for closed­ended questions lies in the researcher’s structuring of  responses  - when the relevant answers to a given question are relatively cleat, there should be no  problem  - the construction of closed­ended questions should be guided by two structural  requirements - (1) the response categories provided should be exhaustive: they should include  all the possible responses that might be expected  - ex. researchers ensure this by adding a category “other (please specify)  -  (2) the answer categories must be mutually exclusive: the respondent should  not feel compelled to select more than one  - to ensure that your categories are mutually exclusive, carefully consider  each combination of categories, asking yourself whether a person could  reasonable choose more than one answer  Make Items Clear: -  questionnaire items should be clear and unambiguous, but the broad proliferation of unclear and  ambiguous questions in surveys makes the point worth emphasizing  Avoid Double­Barrelled Questions: - Researchers asking respondents for a single answer to a question that actually has multiple parts - happens most often when the researcher has personally identified with a complex question  - as a general rule, whenever the word ‘and’ appears in a question or questionnaire statement,  check whether you’re asking a double barrelled question  Respondents must be competent to answer: - whether an respondents is able to answer reliably  Respondents Must be Willing to Answer: -  often we would like to learn things from people that they are unwilling to share with us  Questions should be Relevant: - should be relevant to most respondents  - when attitudes are requested on a topic that few respondents have thought about, or really care  about, the results are not likely to be very useful­ because the respondents may express attitudes  even though they’ve never given any thought to the issue, you run the risk of being misled - when you obtain responses about fictitious issues, you can disregard though responses. But  when the issue is real, you may have no way of telling which responses genuinely reflect  attitudes and which reflect meaningless answers to an irrelevant question - ideally, we would like respondents to simply report that they don’t know, have no opinion or are  undecided in instances where that is the case  Short Items are Best: -  long and complicated items should be avoided  -  respondents are often unwilling to study an item in order to understand it  - respondent should be able to read an item quickly, understand the intent and select or provide an  answer without full difficulty  - in general, assume that respondents will read items quickly and give quick answers Avoid Negative Items: - the appearance of negations in a questionnaire item paves the way for easy misinterpretation  Avoid Biased Items and Terms: -  the meaning of someone’s responses to a question depends in large part on its wording, this is  true of every question and answer - some 
More Less

Related notes for SOCY 210

Log In


OR

Join OneClass

Access over 10 million pages of study
documents for 1.3 million courses.

Sign up

Join to view


OR

By registering, I agree to the Terms and Privacy Policies
Already have an account?
Just a few more details

So we can recommend you notes for your school.

Reset Password

Please enter below the email address you registered with and we will send you a link to reset your password.

Add your courses

Get notes from the top students in your class.


Submit