Schlüssel:
[ . Im Kapitel], war ich sehr positiv über die nachträgliche Schichtung. Allerdings ist es nicht immer die Qualität der Schätzungen zu verbessern. Konstruieren Sie eine Situation, in der die nachträgliche Schichtung kann abnehmen kann die Qualität der Schätzungen. (Für einen Hinweis finden Thomsen (1973) ).
[ . . eine nicht-Wahrscheinlichkeit Umfrage auf Amazon MTurk] Konzeption und Durchführung über Waffenbesitz zu stellen ( "Haben Sie oder hat jemand in Ihrem Haushalt, besitzen eine Pistole, Gewehr oder Pistole? Ist, dass Sie oder jemand anderes in Ihrem Haushalt?") und Einstellungen gegenüber Waffenkontrolle ( "Was Sie denken, tun, ist noch wichtiger, um das Recht der Amerikaner schützen Waffen zu besitzen, oder Waffenbesitz zu kontrollieren?").
[ . . ] Goel und Kollegen (2016) von der General Social Survey (GSS) und wählen Sie Umfragen des Pew Research Center auf Amazon MTurk gezogen , um eine nicht wahrscheinlichkeitsbasierte Umfrage , bestehend aus 49 Multiple-Choice - Fragen einstellungs verabreicht. Sie passen dann für die Nicht-Repräsentativität der Daten unter Verwendung von modellbasierten post-Schichtung (Herr P), und vergleichen Sie die angepassten Schätzungen mit denen geschätzt unter Verwendung von wahrscheinlichkeitsbasierte GSS / Pew Umfragen. Führen Sie die gleiche Umfrage auf MTurk und versuchen, 2a und 2b zu replizieren, indem Sie Ihre angepassten Schätzungen mit den Schätzungen aus den jüngsten Runden von GSS / Pew Vergleich (siehe Anhang Tabelle A2 für die Liste von 49 Fragen).
[ . . ] Viele Studien Selbst Bericht Maßnahmen der Handy-Aktivitätsdaten verwenden. Dies ist eine interessante Umgebung , wo die Forscher selbst berichteten Verhalten mit protokollierten Verhalten (siehe zB vergleichen Boase and Ling (2013) ). Zwei gemeinsame Verhaltensweisen zu fordern und SMS, und zwei gemeinsamen Zeitrahmen sind "gestern" und "in der vergangenen Woche." Fragen
[ . ] Schuman und Presser (1996) argumentieren , dass Frage Aufträge für zwei Arten von Beziehungen zwischen Fragen Materie würde: Teil Teil Fragen , bei denen zwei Fragen auf der gleichen Ebene der Spezifität sind (zB Bewertungen von zwei Präsidentschaftskandidaten); und Teil-Ganzes-Fragen, bei denen eine allgemeine Frage folgt eine spezifischere Frage (zB zu fragen: "Wie zufrieden sind Sie mit Ihrer Arbeit?", gefolgt von "Wie zufrieden sind Sie mit Ihrem Leben?").
Sie charakterisieren zwei weitere Arten von Fragen, um Wirkung: Konsistenz Effekte treten auf, wenn Antworten auf eine spätere Frage näher gebracht denen zu einer früheren Frage gegeben (als sie es sonst wäre); Kontrasteffekte treten auf, wenn es größere Unterschiede zwischen Antworten auf zwei Fragen.
[ . ] Aufbauend auf der Arbeit von Schuman und Presser, Moore (2002) beschreibt eine separate Dimension der Wirkung Frage um: additiven und subtraktiven. Während Kontrast und Konsistenz Effekte als Folge der Befragten Auswertungen der zwei Elemente in Bezug zueinander, additive und subtraktive Wirkungen werden erzeugt, wenn Befragten empfindlicher auf dem größeren Rahmen gemacht werden, innerhalb der die Fragen gestellt werden. Lesen Moore (2002) , dann Design und eine Erhebung Versuch MTurk laufen additive oder subtraktive Effekte zu demonstrieren.
[ . ] Christopher Antoun und Kollegen (2015) führte eine Studie , die die Bequemlichkeit Proben erhalten aus vier verschiedenen Online - Recruiting Quellen zu vergleichen: MTurk, Craigslist, Google AdWords und Facebook. Entwerfen Sie eine einfache Umfrage und gewinnen die Teilnehmer durch mindestens zwei verschiedene Online - Recruiting Quellen (sie können verschiedene Quellen aus den vier Quellen verwendet in Antoun et al. (2015) ).
[ ] YouGov, ein Internet-Marktforschungsunternehmen, durchgeführt Online-Umfragen von einem Panel von über 800.000 Befragten in Großbritannien und verwendet Herr P. das Ergebnis der EU-Referendum (dh Brexit), wo die britischen Wähler stimmen entweder zu bleiben, um vorherzusagen, in oder die Europäische Union verlassen.
Eine detaillierte Beschreibung des statistischen Modells YouGov ist hier (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Grob gesagt, partitioniert YouGov Wähler in Typen auf 2015 allgemeine Wahlen Abstimmung Wahl basiert, Alter, Qualifikation, Geschlecht, Datum des Interviews, sowie der Wahlkreis in der sie leben. Zunächst verwendeten sie Daten von den YouGov Diskussionsteilnehmer gesammelt zu schätzen, unter denen, die den Anteil der Menschen jeder Wähler Typ wählen, die verlassen beabsichtigen, zu stimmen. Sie schätzen die Wahlbeteiligung der einzelnen Wählertyp unter Verwendung der 2015 britischen Wahlstudie (BES) nach der Wahl face-to-face-Umfrage, die Wahlbeteiligung von den Wähler validiert. Schließlich schätzen sie, wie viele Menschen dort jeder Wähler Art sind in der Wähler basierend auf neuesten Volkszählung und Annual Population Survey (mit einigen Zusatzinformationen aus den BES, Umfrage YouGov Daten aus der ganzen allgemeinen Wahlen, und Informationen darüber, wie viele Menschen stimmten für jede Partei in jedem Wahlkreis).
Drei Tage vor der Abstimmung zeigte YouGov zwei Punkte Vorsprung für Leave. Am Vorabend der Abstimmung zeigte die Umfrage zu nahe zu rufen (49-51 bleiben). Der endgültige on-the-Tage-Studie prognostiziert 48/52 zugunsten von Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). In der Tat, verpasste diese Schätzung auf das Endergebnis (52-48 Leave) um vier Prozentpunkte.
[ . Schreiben] eine Simulation jedes der Darstellungsfehler in Abbildung 3.1 zu erläutern.
[ . ] Die Forschung von Blumenstock und Kollegen (2015) beteiligt , eine Maschine Lernmodell aufzubauen , die digitale Trace - Daten nutzen könnten Antworten auf die Umfrage zu prognostizieren. Nun, werden Sie das Gleiche mit einem anderen Daten - Set zu versuchen. Kosinski, Stillwell, and Graepel (2013) fand heraus , dass Facebook mag können einzelne Merkmale und Attribute vorhersagen. Überraschenderweise lassen sich diese Vorhersagen noch genauer sein als die von Freunden und Kollegen (Youyou, Kosinski, and Stillwell 2015) .
[ ] Toole et al. (2015) Verwendung Call Detail Records (CDRs) von Mobiltelefonen insgesamt die Entwicklung der Arbeitslosigkeit zu prognostizieren.