ক্রিয়াকলাপ

চাবি:

• অসুবিধা ডিগ্রী: সহজ , মধ্যম , হার্ড , খুব কঠিন
• গণিত প্রয়োজন ( )
• প্রয়োজন কোডিং ( )
• তথ্য সংগ্রহ ( )
• আমার পছন্দের ( )

1. [ , ] অধ্যায়ে আমি পোস্ট স্তরবিন্যাস সম্পর্কে খুবই ইতিবাচক ছিল. যাইহোক, এটা সবসময় অনুমান মান উন্নত নয়. একটি অবস্থা যেখানে পোষ্ট-স্তরবিন্যাস পারেন অনুমান মান হ্রাস করতে পারেন আঁকো. (একটি ইঙ্গিতটি জন্য দেখুন Thomsen (1973) ).

2. [ , , ] ডিজাইন এবং বন্দুক মালিকানা সম্পর্কে জিজ্ঞাসা করতে আমাজন MTurk উপর একটি অ সম্ভাব্যতা জরিপ ( "আপনি কি, অথবা আপনার পরিবারের কেউ কারো না, মালিক একটি বন্দুক, রাইফেল বা পিস্তল? এটা কি আপনি বা আপনার পরিবারের অন্য কেউ?") এবং বন্দুক নিয়ন্ত্রণ প্রতি মনোভাব ( "আপনি কি মনে করেন না বন্দুক মালিক, বা বন্দুক মালিকানা নিয়ন্ত্রণ করতে আমেরিকানদের অধিকার রক্ষা আরো গুরুত্বপূর্ণ হল?").

   1. কতক্ষণ আপনার জরিপ লাগবে? এটা কত টাকা লাগে? কিভাবে আপনার নমুনা জনমিতি মার্কিন জনসংখ্যার জনসংখ্যাতাত্ত্বিক তুলনা করা যায়?
   2. আপনার নমুনা ব্যবহার বন্দুক মালিকানা কাঁচা অনুমান কি?
   3. আপনার নমুনা পোস্ট স্তরবিন্যাস বা অন্য কিছু কৌশল ব্যবহার করে অ প্রতিনিধীত্বগুলির জন্য সঠিক. এখন বন্দুক মালিকানা অনুমান কি?
   4. কিভাবে আপনার অনুমান পিউ রিসার্চ সেন্টার থেকে সর্বশেষ হিসাব তুলনা করা যায়? আপনি অসঙ্গতি ব্যাখ্যা কি মনে করেন, সেখানে কোনো?
   5. বন্দুক নিয়ন্ত্রণ দিকে মনোভাব জন্য ব্যায়াম 2-5 পুনরাবৃত্তি করুন. আপনার তথ্যও মধ্যে পার্থক্য কী?

3. [ , , ] গোয়েল এবং সহকর্মীদের (2016) একটি অ সম্ভাব্যতা ভিত্তিক 49 মাল্টিপল চয়েসের ব্যক্তিগত দৃষ্টিভঙ্গি আমাজন MTurk উপর পিউ রিসার্চ সেন্টার পরিচালিত সাধারণ সামাজিক সার্ভে (GSS) এবং নির্বাচন সার্ভে থেকে টানা প্রশ্নের সমন্বয়ে জরিপ পরিচালিত. এরপর তারা মডেল ভিত্তিক পোস্ট স্তরবিন্যাস (জনাব পি) ব্যবহার করে তথ্য অ প্রতিনিধীত্বগুলির জন্য সমন্বয়, এবং সম্ভাব্যতা ভিত্তিক দ্বারা GSS / পিউ সার্ভে হিসেব সেই সঙ্গে নিয়মিত অনুমান সুবিধাগুলি তুলনা করুন. MTurk একই জরিপ পরিচালনা এবং GSS / পিউ সাম্প্রতিকতম রাউন্ড থেকে অনুমান সঙ্গে আপনার সমন্বয়কৃত অনুমান তুলনা চিত্র 2a এবং চিত্র 2b প্রতিলিপি চেষ্টা (49 প্রশ্ন তালিকা পরিশিষ্ট টেবিল, A2 দেখুন).

   1. তুলনা করুন এবং পিউ এবং GSS থেকে ফলাফল আপনার ফলাফল তুলনা করুন.
   2. তুলনা করুন এবং MTurk জরিপ থেকে ফলাফল আপনার ফলাফল বিপরীতে Goel, Obeng, and Rothschild (2016) .

4. [ , , ] অনেক গবেষণায় মোবাইল ফোন কার্যকলাপ তথ্য স্ব-রিপোর্ট ব্যবস্থা ব্যবহার করুন. এটি একটি মজার সেটিং যেখানে গবেষকরা লগ আচরণের সঙ্গে স্ব-রিপোর্ট আচরণ তুলনা করতে হয় (দেখুন যেমন, Boase and Ling (2013) ). দুই সাধারণ আচরণ সম্পর্কে কলিং এবং টেক্সটিং হয়, এবং দুটি সাধারণ সময় ফ্রেম জিজ্ঞাসা করতে "গত সপ্তাহে." "গতকাল" এবং হয়

   1. কোন তথ্য, যা স্ব-রিপোর্টের ব্যবস্থা আপনি কি মনে করেন আরো সঠিক সংগ্রহ করার আগে? কেন?
   2. নিয়োগের আপনার বন্ধুদের 5 আপনার জরিপ করা. দয়া করে সংক্ষিপ্তভাবে সংক্ষেপ কিভাবে এই 5 বন্ধুর নমুনা ছিল. এই স্যাম্পলিং পদ্ধতি আপনার আনুমানিক নির্দিষ্ট গোঁড়ামির প্রবৃত্ত হতে পারে?
   3. তাঁদের অনুসরণ মাইক্রো জরিপ জিজ্ঞাসা করুন:
   • "কতবার আপনি অন্যদের গতকাল কল মোবাইল ফোন ব্যবহার করেন?"
   • "আপনি গতকাল টেক্সট কত বার্তা পাঠাতে হয়নি?"
   • "কতবার আপনি গত সাত দিনের মধ্যে অন্যদের কল করার জন্য আপনার মোবাইল ফোন ব্যবহার করেন?"
   • একবার জরিপ সম্পূর্ণ হয় "কত বার আপনি আপনার মোবাইল ফোন ব্যবহার পাঠাতে বা গত সাত দিনের মধ্যে লিখিত বার্তা / এসএমএস গ্রহণ? তা-ই করলেন", তাদের ব্যবহারের তথ্য পরীক্ষা করার জন্য তাদের ফোন বা পরিষেবা প্রদানকারীর দ্বারা লগইন জিজ্ঞাসা.
   4. কিভাবে স্ব-রিপোর্ট ব্যবহারের তথ্য লগ ইন করার তুলনা করা যায়? যা সবচেয়ে নির্ভুল যা অন্তত সঠিক হয়?
   5. এখন তথ্য যে আপনি আপনার ক্লাসের অন্য মানুষের কাছ থেকে তথ্য সংগ্রহ করা হয়েছে (যদি আপনি কোন ক্লাসে জন্য এই কার্যকলাপ করছেন) মেশা. এই বৃহত্তর ডেটা সেটটি সঙ্গে, অংশ (ঘ) পুনরাবৃত্তি.

5. [ , ] Schuman ও প্রেস (1996) যে তর্ক প্রশ্ন আদেশ প্রশ্নের মধ্যে সম্পর্কের দুই ধরনের ব্যাপার হবে: আংশিক অংশ প্রশ্ন যেখানে দুটি প্রশ্নের বিশেষত্বের একই পর্যায়ে হয় (যেমন দুই প্রেসিডেন্ট প্রার্থীর রেটিং); এবং খণ্ডকাল পুরো প্রশ্ন যেখানে একটি সাধারণ প্রশ্ন আরও নির্দিষ্ট প্রশ্ন অনুসরণ করে (উদাঃ জিজ্ঞাসা "আপনি আপনার কর্মে আপনি কতটা সন্তুষ্ট?" দ্বারা অনুসৃত "আপনি আপনার জীবনের সঙ্গে আপনি কতটা সন্তুষ্ট?").

   তারা আরও প্রশ্ন প্রভাব দুই ধরনের প্রভেদ: দৃঢ়তা প্রভাব ঘটে যখন পরবর্তী প্রশ্নের প্রতিক্রিয়া কাছাকাছি (তুলনায় তারা অন্যথায় হবে) আগে প্রশ্ন করতে দেয়া আনা হয়; বিপরীতে প্রভাব ঘটতে যখন সেখানে দুটো প্রশ্নে প্রতিক্রিয়া মধ্যে বৃহত্তর পার্থক্য আছে.

   1. অংশ-অংশ প্রশ্ন আপনি কি মনে করেন যে একটি বড় প্রশ্নের ক্রম প্রভাব, অংশ-পুরো প্রশ্ন আপনি কি মনে করেন যে একটি বড় প্রভাব থাকবে একজোড়া, এবং প্রশ্ন যার যাতে আপনি মনে কোন ব্যাপার না আরেকটি জুটি থাকবে একজোড়া তৈরি করুন. আপনার প্রশ্ন পরীক্ষা MTurk উপর একটি জরিপ পরীক্ষা চালান.
      
   2. অংশ-অংশ প্রভাব ইপিএসে দক্ষিন কোরিয়ায় কিভাবে আপনি তৈরি করতে সক্ষম ছিল? এটা একটি দৃঢ়তা বা কনট্রাস্ট প্রভাব ছিল?
   3. খণ্ডকাল পুরো প্রভাব ইপিএসে দক্ষিন কোরিয়ায় কিভাবে আপনি তৈরি করতে সক্ষম ছিল? এটা একটি দৃঢ়তা বা কনট্রাস্ট প্রভাব ছিল?
   4. সেখানে আপনার জোড়ায় একটি প্রশ্নের ক্রম প্রভাব যেখানে আপনি কি মনে করেন না, যাতে কোন ব্যাপার ছিল?

6. [ , ] Schuman এবং প্রেস, কাজের উপর নির্মাণের প্রণালী Moore (2002) যুত এবং হ্রাসমূলক: প্রশ্নের ক্রম প্রভাব একটি পৃথক মাত্রা বর্ণনা করে. বিপরীতে এবং দৃঢ়তা প্রভাব একে অপরকে, যুত সম্পর্ক দুটি আইটেম এর উত্তরদাতা 'মূল্যায়ন একটি ফল হিসাবে উত্পাদিত হয় এবং হ্রাসমূলক প্রভাব উত্পাদিত হয় যখন উত্তরদাতা বৃহত্তর কাঠামো যার মধ্যে প্রশ্ন সেটার অতীত ইতিহাসের হয় আরও বেশি স্পর্শকাতর তৈরি করা হয় যদিও. পড়ুন Moore (2002) , তারপর ডিজাইন এবং যুত বা হ্রাসমূলক প্রভাব প্রকট MTurk উপর একটি জরিপ পরীক্ষা চালানোর.

7. [ , ] ক্রিস্টোফার Antoun এবং সহকর্মীদের (2015) MTurk, Craigslist, গুগুলের AdWords এবং ফেসবুক: চার বিভিন্ন অনলাইন নিয়োগের উত্স থেকে প্রাপ্ত সুবিধার নমুনা তুলনা একটি সমীক্ষা চালায়. একটি সহজ জরিপ নকশা এবং অন্তত দুটি ভিন্ন অনলাইন রিক্রুটিং উৎসের মাধ্যমে অংশগ্রহণকারীদের নিয়োগ (তারা ব্যবহৃত চারটি উৎস থেকে বিভিন্ন উত্স হতে পারে Antoun et al. (2015) ).

   1. রংরুট প্রতি খরচ, টাকা এবং সময় পরিপ্রেক্ষিতে তুলনা বিভিন্ন সূত্র মধ্যে.
   2. বিভিন্ন সূত্র থেকে প্রাপ্ত নমুনা রচনা সুবিধাগুলি তুলনা করুন.
   3. নমুনার মধ্যে ডাটা মানের সুবিধাগুলি তুলনা করুন. কিভাবে উত্তরদাতা থেকে ডেটা মানের পরিমাপ সম্পর্কে ধারনা জন্য, দেখুন Schober et al. (2015) .
   4. আপনার পছন্দের উৎস কী? কেন?

8. [ ] YouGov, একটি ইন্টারনেট ভিত্তিক বাজার গবেষণা ফার্ম, ইউ কে 800,000 সম্পর্কে উত্তরদাতা একটি প্যানেলের অনলাইন নির্বাচনের আয়োজন করেন এবং জনাব পি ব্যবহৃত ইইউ গণভোট (অর্থাৎ, Brexit) ফল যেখানে যুক্তরাজ্যের ভোটারদের ভোট দিতে পারেন থাকা ভবিষ্যদ্বাণী করা অথবা ইউরোপীয় ইউনিয়ন ছেড়ে.

   YouGov এর পরিসংখ্যানগত মডেলের বিস্তারিত বিবরণ এখানে (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). সাধারণভাবে বলতে গেলে, YouGov উপর 2015 সাধারণ নির্বাচনের ভোট পছন্দ, বয়স, শিক্ষাগত যোগ্যতা, লিঙ্গ, সাক্ষাত্কার তারিখ, সেইসাথে আসনে তারা. প্রথমত, তারা YouGov প্যানেলিস্টের থেকে সংগৃহীত তথ্য ব্যবহার বাস অনুমান করার জন্য তাদের মধ্যে, ভিত্তি ধরনের মধ্যে ভোটার অন্তর্ভুক্ত পার্টিশন-- যারা ভোট, প্রতিটি ভোটার ধরনের মানুষ যারা ছুটি ভোট দিতে মনস্থ অনুপাত. তারা 2015 ব্রিটিশ নির্বাচন স্টাডি (বিইএস) নির্বাচন-পরবর্তী সামনা-সামনি জরিপ, যা ভোটার তালিকা থেকে টার্নআউট বা ভোটদানের হার যাচাই ব্যবহার করে প্রতিটি ভোটার ধরনের টার্নআউট বা ভোটদানের হার অনুমান. অবশেষে, তারা অনুমান কতজন লোক, সাধারণ নির্বাচন, এবং তথ্য প্রায় থেকে YouGov জরিপ তথ্য উপর অনেক মানুষের জন্য ভোট কিভাবে সর্বশেষ আদমশুমারি ও বার্ষিক জনসংখ্যা সার্ভে (বিইএস থেকে কিছু অতিরিক্ত তথ্য দিয়ে উপর ভিত্তি করে ভোটারদের মধ্যে প্রতিটি ভোটার ধরনের আছে প্রতিটি নির্বাচনী এলাকায় প্রতিটি দল).

   তিন দিন আগে ভোট, YouGov ছুটি জন্য দুই পয়েন্ট এগিয়ে দেখিয়েছেন. ভোটের প্রাক্কালে, জরিপে খুব (49-51 থাক) কল পাসে দেখিয়েছেন. চূড়ান্ত on-the-দিন গবেষণায় থাকা (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) পক্ষে 48/52 পূর্বাভাস. বস্তুত, এই অনুমান চার শতাংশ চূড়ান্ত ফলাফল (52-48 ছুটি) মিস.

   1. মূল্যায়ন করার কি ভুল করতে পারে মোট জরিপ ত্রুটি কাঠামোর এই অধ্যায়ে আলোচনা করা আবশ্যক.
   2. নির্বাচন (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) পর YouGov এর প্রতিক্রিয়া ব্যাখ্যা করেছেন: "এই টার্নআউট বা ভোটদানের কারণে একটি বৃহৎ অংশ বলে মনে হয় - এমন কিছু বিষয় যা আমরা সব বরাবর বলেছেন এমন একটি finely, সুষম জাতি ফলাফল জন্য খুবই গুরুত্বপূর্ণ হবে. আমাদের টার্নআউট বা ভোটদানের হার মডেল অংশে ভিত্তি করে ছিল, উপর উত্তরদাতা কিনা গত সাধারণ নির্বাচনে ভোট দিয়েছিল এবং সাধারণ নির্বাচনকে সামনে যে উপরে একটি টার্নআউট বা ভোটদানের হার স্তরের মডেল, বিশেষ করে উত্তর বিপর্যস্ত. "এই অংশ (ক) আপনার উত্তর পরিবর্তন করে?

9. [ , ] চিত্র 3.1 প্রতিনিধিত্ব ত্রুটি প্রতিটি চিত্রিত একটি সিমুলেশন লিখুন.

   1. একটি অবস্থা যেখানে এই ত্রুটিগুলো আসলে বাতিল আউট তৈরি করুন.
   2. একটি অবস্থা যেখানে ত্রুটি একে অপরের চক্রবৃদ্ধি তৈরি করুন.

10. [ , ] Blumenstock এবং সহকর্মীদের গবেষণা (2015) একটি মেশিন লার্নিং মডেল যে ডিজিটাল ট্রেস তথ্য ব্যবহার করতে পারে জরিপ প্রতিক্রিয়া ভবিষ্যদ্বাণী আবরন জড়িত. এখন, আপনি একটি ভিন্ন ডেটা সেটটি সঙ্গে একই জিনিস চেষ্টা করতে যাচ্ছি. Kosinski, Stillwell, and Graepel (2013) দেখা যায়, ফেসবুক পৃথক বৈশিষ্ট এবং বৈশিষ্ট্যাবলী পূর্বাভাস দিতে পারি না. আশ্চর্যজনকভাবে, এই ভবিষ্যৎবাণী এমনকি বন্ধু বান্ধব এবং সহকর্মীর তুলনায় আরো সঠিক হতে পারে (Youyou, Kosinski, and Stillwell 2015) .

    1. পড়ুন Kosinski, Stillwell, and Graepel (2013) , এবং চিত্র 2. প্রতিলিপি তাদের তথ্য এখানে পাওয়া যায়: http://mypersonality.org/
    2. এখন, চিত্র 3 প্রতিলিপি.
    3. http://applymagicsauce.com/: সবশেষে, আপনার নিজের ফেসবুক তথ্য মূল্যে মডেল চেষ্টা. কিভাবে ভাল এটা আপনার জন্য কাজ করে?

11. [ ] Toole et al. (2015) ব্যবহার কল বিস্তারিত রেকর্ড (CDRs) মোবাইল ফোন থেকে সমষ্টিগত বেকারত্ব প্রবণতা ভবিষ্যদ্বাণী করা.

    1. তুলনা করুন এবং নকশা বিপরীতে Toole et al. (2015) সঙ্গে Blumenstock, Cadamuro, and On (2015) .
    2. আপনি কি মনে করেন CDRs, ঐতিহ্যগত সার্ভে প্রতিস্থাপন করা উচিত তাদের পরিপূর্ণ বা বেকারত্ব ট্র্যাক সরকার নীতি নির্ধারকদের জন্য সব সময়ে ব্যবহার করা যাবে? কেন?
    3. কি প্রমাণ আপনি সন্তুষ্ট হবে যে CDRs সম্পূর্ণরূপে বেকারত্বের হার প্রথাগত ব্যবস্থা প্রতিস্থাপন করতে পারেন?