Ett exempel på ett postanalytiskt fel är

Urvalsfel och förlust av svar om du inte tar hänsyn till ovanstående när du väljer ett val som du riskerar att inte vara representativ. Då kan det vara ett förvrängt val, ett urvalsfel som kan leda till vilseledande resultat. I undersökningen är det nödvändigt att räkna med en viss förlust av svar. Det finns vanligtvis ett antal begärda svar som misslyckas.

Förlust är alltid ett problem i statistisk forskning. Detta kan leda till att valet inte längre kommer att vara representativt för hela befolkningen. Därför är det viktigt att hålla reda på spårning när man analyserar resultatet, eftersom ju större nedgången i undersökningen desto mer osäker kan resultaten av studien vara. För att skapa större tillförlitlighet utförs därför undersökningar och felmarginalberäkningar.

Därefter räknar du med resultatet för att få en mer sanningsenlig bild av verkligheten. Felkällor, ju fler personer eller avdelningar som deltar i undersökningen, desto bättre resultat. Så du bör be tillräckligt många människor att få så få fel i opinionsundersökningen som möjligt. Om du frågar lite finns det risk för att resultatet inte är representativt för hela befolkningen.

Kärnskillnader för typ I- och typ II-fel.

Naturligtvis skulle det vara bättre att utforska hela befolkningen, men vanligtvis finns det inga resurser. Sådana saker återspeglas inte som konsekvenser av de förklarande faktorer som vi har inkluderat i vår analys. Därför har vår modell en faktor som vi kallar en individuell effekt. Den individuella effekten skiljer sig åt mellan cheferna. Dessa är skillnader som inte förklaras av kön, ålder, utbildning och industri.

En bra analys förklarar skillnaderna, nu kan vi Fråga oss hur väl analysmodellen lyckas förklara chefernas löner. Vi ser detta genom att titta på hur många löneskillnader som verkar vara relaterade till individuella effekter. Ju viktigare enskilda faktorer är i analysen, desto sämre förklarar andra faktorer skillnaderna. Hur bra eller dåliga våra faktorer förklarar skillnaderna som vi kan mäta i antal.

Graden av förklaring kallas denna åtgärd, och den anges i procent.

De 5 olika feltyperna är Urvalsfel, Bortfallsfel, Täckningsfel, Mätfel och Bearbetningsfel.

Den matematiska konstruktionen av förklaringens mäthastighet är sådan att värdena ofta inte blir så höga. Dessutom finns det många saker i samhället som inte helt kan förklaras av specifika faktorer. Att förklara till exempel 30 procent är ett ganska anständigt värde. Om du vill öka förklaringen av modellen kan du inkludera fler förklarande faktorer.

Då ökar graden av förklaring. Om den faktor du lägger till inte betyder något för lönen får du inte heller någon förklaring.