Δραστηριότητες

Κλειδί:

• βαθμός δυσκολίας: εύκολη , μέσο , σκληρά , πολύ δύσκολο
• απαιτεί μαθηματικά ( )
• απαιτεί κωδικοποίησης ( )
• συλλογή δεδομένων ( )
• τα αγαπημένα μου ( )

1. [ , ] Στο κεφάλαιο, ήμουν πολύ θετική για το μετα-διαστρωμάτωση. Ωστόσο, δεν βελτιώνει πάντα την ποιότητα των εκτιμήσεων. Κατασκευάστε μια κατάσταση όπου μπορείτε να δημοσιεύσετε-διαστρωμάτωση μπορεί να μειώσει την ποιότητα των εκτιμήσεων. (Για έναν υπαινιγμό, δείτε Thomsen (1973) ).

2. [ , , ] Σχεδιασμός και διεξαγωγή ερευνών μη πιθανότητας για την Amazon MTurk να ρωτήσω σχετικά με την ιδιοκτησία όπλο ( «Σου, ή μήπως κάποιος στην οικογένειά σας, να αγοράσω ένα όπλο, τουφέκι ή πιστόλι; Είναι ότι εσείς ή κάποιος άλλος στην οικογένειά σας;») και στάσεις απέναντι ελέγχου των όπλων ( «Τι νομίζετε ότι είναι πιο σημαντικό, να προστατεύουν το δικαίωμα των Αμερικανών να κατέχουν όπλα, ή να ελέγχουν την ιδιοκτησία όπλο;»).

   1. Πόσος χρόνος απαιτείται για την έρευνά σας; Πόσο κοστίζει? Πώς τα δημογραφικά στοιχεία του δείγματος σας σε σύγκριση με τα δημογραφικά στοιχεία του πληθυσμού των ΗΠΑ;
   2. Ποια είναι η πρώτη εκτίμηση της ιδιοκτησίας όπλο που χρησιμοποιούν το δείγμα σας;
   3. Σωστό για τη μη αντιπροσωπευτικότητα του δείγματος σας χρησιμοποιώντας μετα-διαστρωμάτωση ή κάποια άλλη τεχνική. Τώρα ποια είναι η εκτίμηση της ιδιοκτησίας όπλο;
   4. Πώς εκτιμήσεις σας σε σύγκριση με την τελευταία εκτίμηση από το Pew Research Center; Τι νομίζετε ότι εξηγούν τις διαφορές, αν υπάρχει;
   5. Επαναλάβετε την άσκηση 2-5 για την στάση απέναντι ελέγχου των όπλων. Πώς τα ευρήματά σας διαφέρουν;

3. [ , , ] Goel και οι συνεργάτες του (2016) χορηγείται μια έρευνα μη πιθανότητας με βάση αποτελείται από 49 ερωτήσεις πολλαπλής επιλογής συμπεριφοράς ερωτήσεις που προέρχονται από τη Γενική Κοινωνική Έρευνα (GSS) και επιλέξτε έρευνες από το Pew Research Center στο Amazon MTurk. Στη συνέχεια, ρυθμίστε για τη μη αντιπροσωπευτικότητα των δεδομένων με τη χρήση μοντέλου που βασίζεται σε μετα-διαστρωμάτωση (κ Ρ), και να συγκρίνετε τις προσαρμοσμένες εκτιμήσεις με εκείνες που υπολογίζεται με βάση τις πιθανότητες που βασίζονται σε έρευνες GSS / Pew. Διεξάγει την ίδια έρευνα για MTurk και προσπαθούν να αναπαράγουν το σχήμα 2α και 2β Σχήμα συγκρίνοντας αναπροσαρμοσμένες εκτιμήσεις σας με τις εκτιμήσεις από τις πιο πρόσφατες γύρους GSS / Pew (Παράρτημα Πίνακας Α2 για τη λίστα των 49 ερωτήσεων).

   1. Συγκρίνουν και να αντιπαραβάλλουν τα αποτελέσματά σας με τα αποτελέσματα από την Pew και GSS.
   2. Συγκρίνουν και να αντιπαραβάλλουν τα αποτελέσματά σας με τα αποτελέσματα από την έρευνα MTurk στο Goel, Obeng, and Rothschild (2016) .

4. [ , , ] Πολλές μελέτες χρησιμοποιούν μέτρα αυτο-έκθεση των δεδομένων κινητής τηλεφωνίας δραστηριότητας. Αυτό είναι ένα ενδιαφέρον σκηνικό, όπου οι ερευνητές μπορούν να συγκρίνουν αυτο-αναφερόμενη συμπεριφορά με Καταγράφηκε συμπεριφορά (βλέπε π.χ., Boase and Ling (2013) ). Δύο κοινές συμπεριφορές να ρωτήσω σχετικά με καλείτε και γραπτών μηνυμάτων, καθώς και δύο πλαίσια κοινός χρόνος είναι "χθες" και "την περασμένη εβδομάδα."

   1. Πριν από τη συλλογή όλα τα δεδομένα, τα οποία της αυτοαναφοράς μέτρα νομίζετε ότι είναι πιο ακριβή; Γιατί;
   2. Προσλαμβάνουν 5 από τους φίλους σας να είναι στην έρευνά σας. Αναφέρατε συνοπτικά τον τρόπο με τον οποίο ελήφθησαν δείγματα αυτά τα 5 φίλους. Ίσως αυτή η διαδικασία δειγματοληψίας προκαλέσουν συγκεκριμένες προκαταλήψεις στις εκτιμήσεις σας;
   3. Παρακαλούμε να τους ζητήσει τα ακόλουθα μικρο-έρευνα:
   • "Πόσες φορές θα χρησιμοποιήσετε το κινητό τηλέφωνο για να καλέσετε άλλους χθες;"
   • "Πόσα μηνύματα κειμένου δεν θα στείλει χθες;"
   • "Πόσες φορές θα χρησιμοποιήσετε το κινητό σας τηλέφωνο για να καλέσετε άλλους τις τελευταίες επτά ημέρες;"
   • "Πόσες φορές θα χρησιμοποιήσετε το κινητό σας τηλέφωνο για να στείλετε ή να λάβετε μηνύματα κειμένου / SMS στις τελευταίες επτά ημέρες;" Μόλις ολοκληρωθεί η έρευνα, να ζητήσει να ελέγξει τα δεδομένα της χρήσης τους, όπως έχουν καταγραφεί από το τηλέφωνο ή τον παροχέα υπηρεσιών τους.
   4. Πώς η χρήση αυτο-έκθεση συγκρίνουν να συνδεθείτε δεδομένα; Ποια είναι η πιο ακριβή, η οποία είναι λιγότερο ακριβής;
   5. Τώρα συνδυάζουν τα δεδομένα που έχουν συλλεχθεί με τα στοιχεία από άλλα άτομα στην τάξη σας (εάν κάνετε αυτή τη δραστηριότητα για μια κατηγορία). Με αυτό το μεγαλύτερο σύνολο δεδομένων, επαναλάβετε μέρος (δ).

5. [ , ] Schuman και Presser (1996) υποστηρίζουν ότι οι παραγγελίες ερώτημα θα είχε σημασία για τους δύο τύπους των σχέσεων μεταξύ των ερωτήσεων: ερωτήσεις μερικής μέρος όπου δύο ερωτήσεις είναι στο ίδιο επίπεδο εξειδίκευσης (π.χ. βαθμολογίες των δύο υποψηφίων για την προεδρία)? και μερική ολόκληρη ερωτήσεις όπου γενικότερο ερώτημα ακολουθεί μια πιο συγκεκριμένη ερώτηση (π.χ. ζητώντας «Πόσο ικανοποιημένοι είστε με την εργασία σας;", ακολουθούμενο από το "Πόσο ικανοποιημένοι είστε με τη ζωή σας;»).

   Χαρακτηρίζουν περαιτέρω δύο είδη αποτελεσμάτων προκειμένου ερώτημα: επιπτώσεις της συνέπειας συμβαίνουν όταν οι απαντήσεις σε ερώτηση αργότερα έφερε πιο κοντά (από ό, τι θα ήταν διαφορετικά) με εκείνες που αναφέρονται στην προηγούμενη ερώτηση? αντίθεση επιδράσεις συμβαίνουν όταν υπάρχουν μεγαλύτερες διαφορές μεταξύ απαντήσεις σε δύο ερωτήματα.

   1. Δημιουργήστε ένα ζευγάρι μερικής μέρος ερωτήσεις που νομίζετε ότι θα έχουν μεγάλη επίδραση ώστε ερώτηση, ένα ζευγάρι μερικής ολόκληρη ερωτήσεις που νομίζετε ότι θα έχει μεγάλη επίδραση τάξης, και ένα άλλο ζευγάρι των ερωτήσεων των οποίων η εντολή νομίζετε ότι δεν θα πείραζε. Εκτελέστε ένα πείραμα έρευνα σχετικά με MTurk να ελέγξετε τις ερωτήσεις σας.
      
   2. Πόσο μεγάλη ήταν η επίδραση μέρος-μέρος θα ήταν σε θέση να δημιουργήσει; Ήταν μια συνεκτικότητα ή αντίθεσης αποτέλεσμα;
   3. Πόσο μεγάλο ήταν το μέρος-όλο αποτέλεσμα θα ήταν σε θέση να δημιουργήσει; Ήταν μια συνεκτικότητα ή αντίθεσης αποτέλεσμα;
   4. Ήταν μια ερώτηση επίδραση σειρά ζευγάρι σας όπου δεν πίστευα ότι η σειρά θα έχει σημασία εκεί;

6. [ , ] Με βάση το έργο του Schuman και Presser, Moore (2002) περιγράφει μια ξεχωριστή διάσταση της επίδρασης προκειμένου ερώτηση: προσθετικά και αφαιρετικά. Ενώ οι αντίθεση και τη συνοχή αποτελέσματα που παράγονται ως αποτέλεσμα των αξιολογήσεων των ερωτηθέντων από τα δύο στοιχεία σε σχέση με κάθε άλλο, πρόσθετο και αφαιρετική αποτελέσματα που παράγονται όταν οι ερωτηθέντες γίνονται πιο ευαίσθητα στο ευρύτερο πλαίσιο μέσα στο οποίο τίθενται τα ερωτήματα. Διαβάστε Moore (2002) , το σχεδιασμό και την εκτέλεση ενός πειράματος έρευνα σχετικά με MTurk να αποδείξει προσθετική ή αφαιρετική αποτελέσματα.

7. [ , ] Christopher Αντούν και οι συνεργάτες του (2015) πραγματοποίησε μια μελέτη συγκρίνοντας τα δείγματα ευκολίας που προέρχονται από τέσσερις διαφορετικές πηγές σε απευθείας σύνδεση στρατολόγηση: MTurk, Craigslist, το Google AdWords και το Facebook. Σχεδιάστε μια απλή έρευνα και την πρόσληψη των συμμετεχόντων μέσα από τουλάχιστον δύο διαφορετικές πηγές σε απευθείας σύνδεση στρατολόγηση (που μπορεί να είναι διαφορετικές πηγές από τις τέσσερις πηγές που χρησιμοποιούνται στην Antoun et al. (2015) ).

   1. Συγκρίνετε το κόστος ανά πρόσληψη, από την άποψη των χρημάτων και χρόνου, μεταξύ διαφορετικών πηγών.
   2. Συγκρίνετε την σύνθεση των δειγμάτων που λαμβάνονται από διαφορετικές πηγές.
   3. Συγκρίνετε την ποιότητα των δεδομένων μεταξύ των δειγμάτων. Για ιδέες σχετικά με το πώς να μετρήσει την ποιότητα των δεδομένων από τους ερωτηθέντες, δείτε Schober et al. (2015) .
   4. Ποια είναι η προτιμώμενη πηγή σας; Γιατί;

8. [ ] YouGov, μια διαδικτυακή βάση έρευνα αγοράς εταιρία, η οποία διεξήχθη σε απευθείας σύνδεση δημοσκοπήσεις μιας ομάδας περίπου 800.000 ερωτηθέντων στο Ηνωμένο Βασίλειο και χρησιμοποιούνται για τον κ Π για να προβλέψει το αποτέλεσμα του Δημοψηφίσματος της ΕΕ (δηλαδή, Brexit), όπου οι ψηφοφόροι του Ηνωμένου Βασιλείου ψηφίζει είτε να παραμείνουν ή αποχωρήσει από την Ευρωπαϊκή Ένωση.

   Μια λεπτομερής περιγραφή του στατιστικού μοντέλου YouGov είναι εδώ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Σε γενικές γραμμές, YouGov χωρίσματα ψηφοφόρους σε τύπους με βάση το 2015 γενικές εκλογές επιλογή ψηφοφορίας, την ηλικία, τα προσόντα, το φύλο, την ημερομηνία της συνέντευξης, καθώς και η εκλογική περιφέρεια στην οποία ζουν. Πρώτον, χρησιμοποίησαν στοιχεία που συλλέχθηκαν από τα μέλη του πάνελ της YouGov να εκτιμηθεί, μεταξύ εκείνων που ψηφίζουν, το ποσοστό των ανθρώπων του κάθε τύπου ψηφοφόρων που σκοπεύουν να ψηφίσουν Αφήστε. Εκτιμούν προσέλευση του κάθε τύπου ψηφοφόρων από τη χρήση του 2015, η British Μελέτη Εκλογών (BES) μετεκλογική πρόσωπο-με-πρόσωπο έρευνα, η οποία επικυρώνεται προσέλευση από τους εκλογικούς καταλόγους. Τέλος, εκτιμούν πως πολλοί άνθρωποι είναι εκεί κάθε τύπου ψηφοφόρων στο εκλογικό σώμα με βάση την τελευταία απογραφή και η Ετήσια Έρευνα Πληθυσμού (με κάποιες πληροφορίες Εκτός από τις BES, YouGov στοιχεία της έρευνας γύρω από τις γενικές εκλογές, καθώς και πληροφορίες σχετικά με το πώς πολλοί άνθρωποι ψήφισαν κάθε μέρος, σε κάθε εκλογική περιφέρεια).

   Τρεις ημέρες πριν από την ψηφοφορία, YouGov έδειξε δύο βαθμών για την Αφήστε. Την παραμονή της ψηφοφορίας, η δημοσκόπηση έδειξε πολύ κοντά στην κλήση (49-51 Παραμείνετε). Η τελική μελέτη για-την-ημέρα προβλέψει 48/52 υπέρ της Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Στην πραγματικότητα, η εκτίμηση αυτή έχασε το τελικό αποτέλεσμα (52-48 Αφήστε) κατά τέσσερις ποσοστιαίες μονάδες.

   1. Χρησιμοποιήστε το συνολικό πλαίσιο σφάλμα έρευνα που συζητήθηκαν σε αυτό το κεφάλαιο για να εκτιμήσει τι θα μπορούσε να πάει στραβά.
   2. απάντηση YouGov μετά τις εκλογές (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) εξήγησε: "Αυτό φαίνεται σε μεγάλο μέρος οφείλεται στην προσέλευση - κάτι που έχουμε πει όλοι μαζί θα είναι ζωτικής σημασίας για την έκβαση μιας τέτοιας λεπτή ισορροπία αγώνα. μοντέλο προσέλευση μας βασίστηκε, εν μέρει, από το αν οι ερωτηθέντες είχαν ψηφίσει κατά τις τελευταίες γενικές εκλογές και ένα επίπεδο προσέλευση πάνω από ότι των γενικών εκλογών αναστατώσει το μοντέλο, ιδιαίτερα στο Βορρά. "Μήπως αυτό να αλλάξει την απάντησή σας στο τμήμα (α);

9. [ , ] Γράψτε μια προσομοίωση για να τονίσει καθένα από τα λάθη εκπροσώπηση στο σχήμα 3.1.

   1. Δημιουργήστε μια κατάσταση όπου τα σφάλματα αυτά στην πραγματικότητα ακυρώνει.
   2. Δημιουργήστε μια κατάσταση όπου τα σφάλματα επιδεινώνονται αμοιβαία.

10. [ , ] Η έρευνα του Blumenstock και οι συνεργάτες του (2015) που εμπλέκονται οικοδόμηση ενός μοντέλου μηχανικής μάθησης που θα μπορούσαν να χρησιμοποιήσουν τα ψηφιακά δεδομένα ίχνος για την πρόβλεψη απαντήσεις στην έρευνα. Τώρα, θα έχετε την ευκαιρία να δοκιμάσετε το ίδιο πράγμα με ένα διαφορετικό σύνολο δεδομένων. Kosinski, Stillwell, and Graepel (2013) διαπίστωσε ότι το Facebook θέλει μπορεί να προβλέψει μεμονωμένα χαρακτηριστικά και ιδιότητες. Παραδόξως, αυτές οι προβλέψεις μπορεί να είναι ακόμη πιο ακριβή από ό, τι εκείνες των φίλων και συναδέλφων (Youyou, Kosinski, and Stillwell 2015) .

    1. Διαβάστε Kosinski, Stillwell, and Graepel (2013) , και αναπαράγουν Σχήμα 2. υπάρχουν διαθέσιμα στοιχεία τους εδώ: http://mypersonality.org/
    2. Τώρα, αναπαράγουν Σχήμα 3.
    3. Τέλος, δοκιμάστε το μοντέλο τους για τα δικά σας δεδομένα στο Facebook: http://applymagicsauce.com/. Πόσο καλά λειτουργεί για σας;

11. [ ] Toole et al. (2015) αναλυτικές εγγραφές χρήση κλήσεων (CDR) από τα κινητά τηλέφωνα για να προβλέψει συγκεντρωτικές τάσεις της ανεργίας.

    1. Συγκρίνουν και να αντιπαραβάλλουν το σχεδιασμό του Toole et al. (2015) με Blumenstock, Cadamuro, and On (2015) .
    2. Νομίζετε CDRs πρέπει να αντικαταστήσουν τις παραδοσιακές έρευνες, να τις συμπληρώσουν ή να μην χρησιμοποιούνται καθόλου για την κυβέρνηση για τη χάραξη πολιτικής για την παρακολούθηση της ανεργίας; Γιατί;
    3. Ποιες αποδείξεις θα σας πείσει ότι CDRs μπορεί να αντικαταστήσει πλήρως τα παραδοσιακά μέτρα του ποσοστού ανεργίας;