activitats

  • grau de dificultat: fàcil fàcil , mitjà mitjà , dur dur , molt dur molt dur
  • requereix matemàtiques ( requereix matemàtiques )
  • requereix la codificació ( requereix codificació )
  • recopilació de dades ( recopilació de dades )
  • els meus favorits ( el meu preferit )

  1. [ dur , requereix matemàtiques ] En el capítol, he estat molt positiu sobre la postestratificació. Tanmateix, això no sempre millora la qualitat de les estimacions. Construeix una situació en la qual la postestratificació pot disminuir la qualitat de les estimacions. (Per obtenir una pista, vegeu Thomsen (1973) .

  2. [ dur , recopilació de dades , requereix codificació ] Dissenyar i dur a terme una enquesta de no probabilitat sobre Amazon Mechanical Turk per preguntar sobre la propietat de les armes i les actituds cap al control de les armes. Perquè pugueu comparar les vostres estimacions amb les derivades d'un exemple de probabilitat, copieu el text de la pregunta i les opcions de resposta directament des d'una enquesta d'alta qualitat com les que realitza el Pew Research Center.

    1. Quant triga la vostra enquesta? Quant costa? Com es comparen les dades demogràfiques de la vostra mostra amb les dades demogràfiques de la població dels EUA?
    2. Quin és l'estimació bruta de la propietat de l'arma amb la vostra mostra?
    3. Corregiu-vos per la no representativitat del vostre exemple mitjançant la postestratificació o alguna altra tècnica. Ara, quina és l'estimació de la propietat de l'arma?
    4. Com es comparen les estimacions amb l'estimació més recent d'una mostra basada en probabilitats? Què creus que explica les discrepàncies, si n'hi ha?
    5. Repetiu les preguntes (b) - (d) per a les actituds cap al control de la pistola. Com es diferencien les teves troballes?

  3. [ molt dur , recopilació de dades , requereix codificació ] Goel i col·legues (2016) administrar 49 preguntes de tipus múltiple d'actitud extreta de l'Enquesta social general (GSS) i seleccionen enquestes del Centre de Recerca Pew a la mostra de no probabilitat d'enquestats extrets de Amazon Mechanical Turk. A continuació, es van ajustar per la no representativitat de les dades mitjançant la post estratificació basada en models i es van comparar les estimacions ajustades amb les de les enquestes GSS i Pew basades en probabilitats. Realitzeu la mateixa enquesta sobre Amazon Mechanical Turk i intenteu replicar la figura 2a i la figura 2b comparin les estimacions ajustades amb les estimacions de les rondes més recents de les enquestes de GSS i Pew. (Vegeu l'apèndix taula A2 per a la llista de 49 preguntes).

    1. Compareu i contrasteu els resultats amb els de Pew i GSS.
    2. Compareu i contrasteu els resultats amb els de l'enquesta mecànica turca a Goel, Obeng, and Rothschild (2016) .

  4. [ mitjà , recopilació de dades , requereix codificació ] Molts estudis utilitzen mesures d'ús personalitzat de l'ús de telèfons mòbils. Aquest és un entorn interessant en què els investigadors poden comparar el comportament auto-informat amb el comportament registrat (vegeu, per exemple, Boase and Ling (2013) ). Dos comportaments habituals a preguntar són trucar i enviar missatges de text, i dos marcs de temps comuns són "ahir" i "en la passada setmana".

    1. Abans de recollir dades, quina de les mesures d'autoinforme creu que és més precisa? Per què?
    2. Recluteu cinc dels vostres amics a la vostra enquesta. Feu un breu resum de la manera com es va fer la mostra d'aquests cinc amics. Pot ser que aquest procediment de mostreig indueixi biaixos específics en les seves estimacions?
    3. Demaneu-los les següents preguntes sobre microsistemes:
    • "Quantes vegades heu utilitzat el vostre telèfon mòbil per trucar a altres persones ahir?"
    • "Quants missatges de text heu enviat ahir?"
    • "Quantes vegades heu utilitzat el vostre telèfon mòbil per trucar als altres en els últims set dies?"
    • "Quantes vegades heu utilitzat el vostre telèfon mòbil per enviar o rebre missatges de text / SMS en els darrers set dies?"
    1. Un cop finalitzat aquest microsurver, sol·liciteu consultar les dades d'ús que heu registrat el vostre telèfon o proveïdor de serveis. Com es compara l'ús d'autoinforme amb les dades de registre? Quin és el més precís, que és menys precís?
    2. Ara combineu les dades que heu recopilat amb les dades d'altres persones de la vostra classe (si feu aquesta activitat per a una classe). Amb aquest conjunt de dades més gran, repeteixi la part (d).

  5. [ mitjà , recopilació de dades ] Schuman i Presser (1996) argumenten que les ordres de preguntes serien dues qüestions: preguntes parcials en què dues preguntes estan al mateix nivell d'especificitat (per exemple, les qualificacions de dos candidats presidencials); i preguntes parcials en què una pregunta general segueix una pregunta més específica (p. ex., preguntant "Quin grau de satisfacció teniu amb el vostre treball?" seguit de "Com està satisfet amb la vostra vida?").

    A més, caracteritzen dos tipus d'efectes d'ordre de preguntes: els efectes de consistència es produeixen quan les respostes a una pregunta posterior s'apropen (del que d'una altra manera) a aquelles donades a una pregunta anterior; Els efectes de contrast es produeixen quan hi ha més diferències entre les respostes a dues preguntes.

    1. Creeu un parell de preguntes parcials que cregueu que tindran un gran efecte d'ordre de preguntes; un parell de preguntes de tot el que penses tindrà un gran efecte de comanda; i un parell de preguntes l'ordre del qual penses que no importaria. Realitzeu un experiment d'enquestes a Amazon Mechanical Turk per provar les vostres preguntes.
    2. Què tan gran era un efecte de part-part que vau poder crear? Era un efecte de consistència o contrast?
    3. Què tan gran era un efecte a tot el que podia crear? Era un efecte de consistència o contrast?
    4. Hi va haver un efecte d'ordre de preguntes en la seva parella on no va pensar que l'ordre seria important?

  6. [ mitjà , recopilació de dades ] Basant-se en el treball de Schuman i Presser, Moore (2002) descriu una dimensió separada de l'efecte d'ordre de preguntes: efectes additius i subtractius. Tot i que els efectes de contrast i consistència es produeixen com a conseqüència de les avaluacions dels dos membres en relació amb els altres, es produeixen efectes additius i subtractius quan els enquestats es fan més sensibles al marc més ampli dins del qual es plantegen les preguntes. Llegiu Moore (2002) , després dissenyeu i executeu un experiment d'enquesta sobre MTurk per demostrar efectes additius o subtractius.

  7. [ dur , recopilació de dades ] Christopher Antoun i col·legues (2015) realitzar un estudi comparant les mostres de conveniència obtingudes a partir de quatre fonts de reclutament en línia diferents: MTurk, Craigslist, Google AdWords i Facebook. Dissenyeu una enquesta simple i recluteu els participants a través d'almenys dues fonts diferents de reclutament en línia (aquestes fonts poden ser diferents de les quatre fonts utilitzades a Antoun et al. (2015) ).

    1. Compara el cost per recluta, en termes de diners i temps, entre diferents fonts.
    2. Comparar la composició de les mostres obtingudes a partir de diferents fonts.
    3. Compareu la qualitat de les dades entre les mostres. Per obtenir idees sobre com mesurar la qualitat de les dades dels enquestats, vegeu Schober et al. (2015) .
    4. Quina és la font preferida? Per què?

  8. [ mitjà ] En un esforç per predir els resultats del referèndum de la UE de 2016 (és a dir, Brexit), YouGov, una firma de recerca de mercats basada en Internet, va realitzar enquestes en línia d'un panell d'aproximadament 800.000 enquestats al Regne Unit.

    Podeu trobar una descripció detallada del model estadístic d'YouGov a https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. En termes generals, YouGov va dividir els votants en tipus basats en l'elecció general de vots electorals l'any 2015, l'edat, les qualificacions, el sexe i la data de l'entrevista, així com la circumscripció en què vivien. En primer lloc, van utilitzar les dades recollides dels panelistes de YouGov per estimar, entre els que van votar, la proporció de persones de cada tipus de votant que pretenien votar Leave. Van estimar la participació de cada tipus de votant utilitzant l'Estudi de les eleccions britàniques del 2015 (BES), una enquesta cara a cara electoral, que validava la participació dels rotlles electorals. Finalment, van estimar quantes persones hi havia de cada tipus de votant a l'electorat, segons el Cens més recent i l'Enquesta anual de població (amb alguna informació addicional d'altres fonts de dades).

    Tres dies abans de la votació, YouGov va mostrar un avantatge de dos punts per Leave. A la vigília de la votació, l'enquesta indicava que el resultat era massa proper a trucar (49/51 Continuar). L'estudi final sobre el dia va predir 48/52 a favor de Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). De fet, aquesta estimació va perdre el resultat final (52/48 Sortides) en quatre punts percentuals.

    1. Utilitzeu el marc de l'error d'enquesta total que es discuteix en aquest capítol per avaluar el que podria haver-se produït un error.
    2. La resposta de YouGov després de les eleccions (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) va explicar: "Això sembla en gran part a causa de la participació: cosa que hem dit tot el que seria crucial per al resultat d'una carrera tan finament equilibrada. El nostre model de participació es va basar, en part, en si els enquestats havien votat a les últimes eleccions generals i un nivell de participació per sobre de les eleccions generals van molestar el model, particularment al Nord. "Això canvia la vostra resposta a la part (a)?

  9. [ mitjà , requereix codificació ] Escriure una simulació per il·lustrar cadascun dels errors de representació de la figura 3.2.

    1. Creeu una situació on aquests errors es cancel·lin realment.
    2. Creeu una situació on els errors es componen.

  10. [ molt dur , requereix codificació ] La recerca de Blumenstock i col·legues (2015) consistir a construir un model d'aprenentatge automàtic que pogués utilitzar dades de rastreig digital per predir les respostes de l'enquesta. Ara, provareu el mateix amb un conjunt de dades diferent. Kosinski, Stillwell, and Graepel (2013) trobar que Facebook li agrada predir els trets i atributs individuals. Sorprenentment, aquestes prediccions poden ser encara més precises que les d'amics i col·legues (Youyou, Kosinski, and Stillwell 2015) .

    1. Llegeix Kosinski, Stillwell, and Graepel (2013) , i reprodueix la figura 2. Les seves dades estan disponibles a http://mypersonality.org/
    2. Ara, repliqueu la figura 3.
    3. Finalment, proveu el vostre model a les vostres pròpies dades de Facebook: http://applymagicsauce.com/. Què tan bé funciona per a vostè?

  11. [ mitjà ] Toole et al. (2015) utilitzar registres de detalls de trucades (CDR) dels telèfons mòbils per predir tendències d'atur agregades.

    1. Comparar i contrastar el disseny de l'estudi d' Toole et al. (2015) amb el de Blumenstock, Cadamuro, and On (2015) .
    2. Creieu que les CDR haurien de substituir les enquestes tradicionals, complementar-les o no utilitzar-les per als polítics governamentals per fer un seguiment de l'atur? Per què?
    3. Quines evidències us convencerien que els CDR poden substituir completament les mesures tradicionals de la taxa d'atur?

Powered by Open Review Toolkit