Fresh Dataset

使用調查的人通常（通常？）對不同變數之間的關係感興趣，而測量誤差可能會對這種估計造成嚴重破壞。對於這個問題可能有兩種反應。

首先是希望：也許測量誤差沒有那麼嚴重，或者偏差可能會朝著某個已知的方向，例如朝著零。不幸的是，我們在實驗中發現，這種希望總體上是沒有根據的。

第二種可能性是估計測量誤差，以便對其進行解釋。可以使用許多眾所周知且易於獲取的方法來計算測量誤差，例如結構方程模型或貝葉斯先驗。棘手的部分在於估計測量誤差的數量。例如，並非每個研究人員都有資源和機會進行多特質多方法實驗。另一個問題是如何正確考慮測量誤差校正本身所涉及的額外不確定性。

這正是 SQP 發揮作用的地方。

任何人都可以對他們希望根據一系列特徵進行分析的調查問題進行編碼，並獲得該問題的可 数据库到数据 靠性和共同方法偏差量的估計值。也給出了預測不確定性的估計。然後可以使用該資訊來校正變數之間關係的估計值以消除測量誤差。

SQP軟體包似乎是整體趨勢的一部分，調查研究人員正在開發工具和技術來自動化和改進調查設計和實施的各個方面。您認為在不久的將來其他工具還能改善調查研究的哪些面向？

SQP 處理的是測量誤差，但也存在無回應誤差、覆蓋誤差、編輯/處理誤差等。最近的做法是加入調查實驗來輔助調查設計的決策。這至少在某種程度上是由更容易取得的技術、隨著調查方法被其他領域發現而不斷發展、以及一些美國機構堅持進行調查實驗所推動的。所有這些意味著我們正在快速收集有關調查中各種品質問題的證據，即使這些證據並不總是像我們希望的那樣容易獲得。

我可以很好地想像，對此類資訊的元分析最終會被編碼到專家系統中。這些類似 SQP，但是針對的是無回應、無覆蓋等等。這可以對社會科學所必需的調查研究的各個方面進行品質評估和預測。這將是一個大項目，但是是可行的。